SKILLEMALL.ai

BD PDF和图片文字提取

Распознает и извлекает текстовое содержимое из изображений или PDF-документов, поддерживает различные форматы изображений и PDF-файлы, автоматически определяет наличие текста и выводит структурированные результаты с сохранением исходного форматирования; используется, когда пользователю требуется извлечь текст из изображений или PDF, выполнить OCR-распознавание, обработать документы с текстом или преобразовать его в редактируемый текст.

машинный переводПоказать оригиналСкрыть оригинал«从图片或 PDF 文档中识别并提取文字内容,支持多种图片格式和 PDF 文件,自动判断是否包含文字并保留原始格式输出结构化结果;当用户需要从…»

从图片或 PDF 文档中识别并提取文字内容,支持多种图片格式和 PDF 文件,自动判断是否包含文字并保留原始格式输出结构化结果;当用户需要从图片或 PDF 提取文字、进行 OCR 识别、处理含文字的文档或转换为可编辑文本时使用

ClawHub Agent Skills автор: RedFox v1.0.1 MIT-0 5 файлов тело ≈ 579 токенов Открыть источникclawhub.ai проанализирован 20 ч назад

Распознает и извлекает текстовое содержимое из изображений или PDF-документов, поддерживает различные форматы изображений и PDF-файлы, автоматически…

Как процесс D 41/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураРазработкаИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
86/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
66
Прогон на моделях
не было
Процессный рейтинг
D
41/100
Процесс не доведён
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
Для прогона на моделях — необязательно
  • 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: 5. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение name-format name должен быть в kebab-case (строчные буквы, цифры, дефисы)
  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")
  • заметка frontmatter-key неизвестное поле фронтматтера "dependency"

Процессный рейтинг: все десять параметров 41/100

  • 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
  • 40Согласованность. Имя во frontmatter (PDF和图片文字提取) не совпадает с папкой (pdf-image-text-extractor)
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 64
  • 100Стоимость исполнения. Тело инструкции 579 токенов
  • 100Повторный запуск. Изменяющих операций нет

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 113: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +4Структура: 20 заголовков
  • +3Пошаговые инструкции: 64 пунктов
  • +4Есть примеры (2 блоков кода)
  • +3Все 1 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 66.

Внешние проверки

ClawHub: clean
This is a normal OCR/text-extraction skill, with minor documentation gaps around when extracted text may be saved.
LLM: benign (high) · VirusTotal: · 9 июл. 2026 г.