SKILLEMALL.ai
GitHub ↗ EN Войти

BC AgentDB Vector Search

Реализует семантический векторный поиск с помощью AgentDB для интеллектуального извлечения документов, сопоставления по сходству и запросов с учетом контекста. Используется при создании RAG-систем, поисковых систем по семантике или интеллектуальных баз знаний.

машинный переводПоказать оригиналСкрыть оригинал«Implement semantic vector search with AgentDB for intelligent document…»

Implement semantic vector search with AgentDB for intelligent document retrieval, similarity matching, and context-aware querying. Use when building RAG systems, semantic search engines, or intelligent knowledge bases.

ruvnet/wifi-densepose Agent Skills автор: ruvnet MIT 1 файл тело ≈ 2 168 токенов Открыть источникgithub.com↗ проанализирован 5 ч назад

Реализует семантический векторный поиск с помощью AgentDB для интеллектуального извлечения документов, сопоставления по сходству и запросов с учетом контекста.

Как процесс C 63/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, согласованность

ИнтеграцияИИ и агентытип и темы размечены автоматически по тексту скилла
Запускается в: Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) OpenClaw Goose OpenCode
JSON
Технический рейтинг
B
92/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
79
Прогон на моделях
не было
Процессный рейтинг
C
63/100
Есть пробелы
Результат и критерий готовности вес 14
0
Когда включается вес 12
20
Согласованность вес 8
40
три самых слабых из десяти параметров · все десять

Такой же скилл встречается ещё в 2 местах: claude-flow, claude-flow

Как улучшить

    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: 1. 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)

    Процессный рейтинг: все десять параметров 63/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 20Когда включается. Не сказано, при каком запросе скилл включается
    • 40Согласованность. Имя во frontmatter (AgentDB Vector Search) не совпадает с папкой (agentdb-vector-search)
    • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 30
    • 100Стоимость исполнения. Тело инструкции 2168 токенов
    • 100Повторный запуск. Изменяющих операций нет
    • 100Отчётность по ходу. Скилл сообщает о ходе работы
    • low Разделов верхнего уровня: 16. Похоже на несколько доменов в одном скилле

    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)
    • +3Формат ответа не описан: модель каждый раз решает сама
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 218 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 35 заголовков
    • +3Пошаговые инструкции: 30 пунктов
    • +4Есть примеры (20 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 79.