BC table-ocr
OCR и извлечение таблиц из отсканированных PDF и изображений с помощью MinerU. Распознает структуры таблиц в документах на основе изображений и преобразует их в структурированный Markdown. Функции: обнаружение и распознавание таблиц из PDF и изображений (.png, .jpg, .jpeg, .webp). OCR для отсканированных документов с таблицами, встроенными в изображения. Поддерживает сложные макеты таблиц со объединенными ячейками. Комбинированное OCR и извлечение таблиц за один проход. Используйте, когда вам нужно: извлечь таблицы из отсканированных PDF, выполнить OCR таблиц из изображений, преобразовать изображения таблиц в текст, распознать структуру таблицы в отсканированных документах, оцифровать печатные таблицы. Используйте, когда вас спрашивают: «Как извлечь таблицы из отсканированного PDF», «Выполнить OCR этого изображения таблицы», «У меня есть фотография таблицы», «Может ли мой агент читать таблицы с изображений», «Есть ли навык для OCR таблиц», «Преобразовать скриншот таблицы в данные». Основан на MinerU от OpenDataLab (Shanghai AI Lab) с передовым обнаружением таблиц и OCR. Поддерживает английский, китайский и многоязычный контент таблиц. Идеально подходит для автоматизации ввода данных, оцифровки печатных отчетов, извлечения данных из отсканированных финансовых отчетов и преобразования изображений таблиц в структурированные данные.
машинный переводПоказать оригиналСкрыть оригинал«OCR and extract tables from scanned PDFs and images using MinerU. Reco…»
OCR and extract tables from scanned PDFs and images using MinerU. Recognizes table structures in image-based documents and converts them to structured Markdown. Features: table detection and recognition from PDFs and images (.png, .jpg, .jpeg, .webp). OCR for scanned documents with image-embedded tables. Supports complex table layouts with merged cells. Combined OCR and table extraction in one pass. Use when you need to: extract tables from scanned PDFs, OCR tables from images, convert image tables to text, recognize table structure in scanned documents, digitize printed tables. Use when asked: 'how do I extract tables from a scanned PDF', 'OCR this table image', 'I have a photo of a table', 'can my agent read tables from images', 'is there a skill for table OCR', 'convert table screenshot to data'. Built on MinerU by OpenDataLab (Shanghai AI Lab) with advanced table detection and OCR. Supports English, Chinese, and multilingual table content. Perfect for data entry automation, digitizing printed reports, extracting data from scanned financial statements, and converting table images to structured data.
OCR и извлечение таблиц из отсканированных PDF и изображений с помощью MinerU.
Как процесс C 51/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- Сократите description до 1024 символов.
- Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
- spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.
Находки guard · 0
✓ Критических и высоких находок нет
Просканировано файлов: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- ошибка
description-longdescription 1119 символов, лимит 1024 - заметка
frontmatter-keyнеизвестное поле фронтматтера "homepage"
Процессный рейтинг: все десять параметров 51/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Ошибки и развилки. Линейный процесс без обработки сбоев
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 20Когда включается. Не сказано, при каком запросе скилл включается
- 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Шаги. Шагов: 10
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 376 токенов
Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.
Сигналы качества
- +5В description нет примеров фраз, по которым скилл должен срабатывать
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Длина description 1119: рекомендуется 120–800 символов
- +3Формат ответа не описан: модель каждый раз решает сама
- +1Лицензия не указана
- +2Инструкции на одном языке
- +4Структура: 6 заголовков
- +3Пошаговые инструкции: 10 пунктов
- +4Есть примеры (3 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 55.