DDC Skills for Construction
DDC Skills for AI Agents in Construction
238 скиллов для строительных компаний: выгрузка из BIM в Excel, поиск расценок, сметы, отчеты по объекту и генерация документов
- 375 ★ репозитория
- Последний коммит
- MIT
Расширенный доступ
Почему такой уровень
- Сгенерированные по скиллам скрипты читают и пишут файлы проекта: модели, сметы, таблицы Excel и PDF
- Часть скиллов подключается к внешним сервисам: Qdrant по адресу из `QDRANT_URL`, n8n, API OpenAI
- Скилл пакетной конвертации запускает исполняемые файлы конвертеров CAD и BIM
datadrivenconstruction/ddc_skills_for_ai_agents_in_construction
Установка
- Работает в
В терминале, через SkillFoxx CLI
npx skillfoxx add skills/ddc-skills-for-ai-agents-in-constructionОпределит агенты на машине, покажет уровень доступа и зафиксирует версию.
Другие способы установки
Доступ и проверки
Как мы проверяемРасширенный доступИнструмент запускает код или ходит в сеть, а внешние данные только читает.
- Сгенерированные по скиллам скрипты читают и пишут файлы проекта: модели, сметы, таблицы Excel и PDF
- Часть скиллов подключается к внешним сервисам: Qdrant по адресу из `QDRANT_URL`, n8n, API OpenAI
- Скилл пакетной конвертации запускает исполняемые файлы конвертеров CAD и BIM
Это чужой код. Посмотрите файлы в репозитории перед установкой.
Что делает
DDC Skills — коллекция из 238 папок со `SKILL.md` для строительной отрасли. Каждый скилл описывает одну задачу, например перенос количеств из модели IFC в Excel, поиск расценок в базе сметных работ, ежедневный отчет по объекту или сравнение бюджета с фактом, и содержит инструкцию вместе с примером кода на Python. Порядок работы такой: вы открываете папку скилла в ассистенте, он читает `SKILL.md`, генерирует код под ваши данные, а вы проверяете результат и запускаете его. Скиллы разложены по шести папкам. В `1_DDC_Toolkit` лежат 85 готовых инструментов: база расценок CWICR, конвертеры CAD и BIM, аналитика. В `2_DDC_Book` собраны 67 скиллов по главам книги автора о данных в строительстве. В `3_DDC_Insights` 20 сценариев автоматизации на n8n, агентов и полевых инструментов, включая бота для Telegram. В `4_DDC_Curated` 20 скиллов для создания документов PDF, Excel, DOCX и PPTX и проверок качества. В `5_DDC_Innovative` 34 экспериментальных скилла: поиск дефектов по фото, цифровые двойники, углеродный след, требования EU AI Act. В `6_OpenConstructionERP` 12 скиллов для работы с открытой ERP-платформой для строительства. Часть скиллов опирается на внешние программы и сервисы. Например, `semantic-search-cwicr` ищет расценки по смыслу в векторной базе Qdrant и требует переменную `QDRANT_URL`, а `batch-cad-converter` вызывает конвертеры `RvtExporter`, `DwgExporter` и `DgnExporter` и рассчитан на Windows.
Для кого. Для сметчиков, BIM-координаторов, руководителей проектов и ИТ-специалистов строительных компаний, которые хотят отдать ассистенту отчеты, сметы и обработку моделей.
Подходит, если
- Количества и свойства элементов надо вытащить из модели IFC или Revit в таблицу Excel
- Сметчику нужен поиск расценок по описанию работы своими словами на одном из 26 языков
- Руководитель проекта хочет собирать ежедневный отчет по объекту и сверять бюджет с фактом
- Компания не знает, с чего начать цифровизацию, и ищет разрозненные источники данных: для этого есть скиллы `data-silo-detection` и `data-source-audit`
- Нужны шаблоны генерации документов PDF, Excel, DOCX и PPTX для проекта
Не подходит, если
- Нужен коммерческий продукт на базе CWICR: база распространяется под CC BY-NC 4.0, для коммерческого использования автор требует отдельную лицензию
- Нужна готовая программа с интерфейсом: скиллы дают инструкции и примеры кода, а запускать и дорабатывать результат придется вам
- Вы работаете в macOS или Linux, а нужный скилл вызывает конвертеры RVT, DWG и DGN для Windows
- Агент должен управлять открытой моделью Revit напрямую: для этого в каталоге есть Revit MCP
Пример запроса к агенту
Открой скилл ifc-qto-extraction и напиши скрипт, который выгрузит объемы стен и перекрытий из нашей модели IFC в ExcelОграничения
- Скиллы сами ничего не запускают: ассистент получает инструкции и примеры кода, поэтому результат надо проверять на ваших данных и дорабатывать.
- Лицензия MIT действует на код и инструкции скиллов. База расценок CWICR лежит в отдельном репозитории под CC BY-NC 4.0, коммерческое использование требует лицензии DDC. Книга автора в папке `Books` защищена авторским правом: ее можно скачать бесплатно, распространять нужно с обложкой и указанием автора.
- Большинству скиллов нужен Python 3.9 или новее, часть требует Docker для n8n, PostgreSQL или SQLite, ключ OpenAI.
- Автор проверял структуру папок, формат `SKILL.md` и актуальность данных. Запуск скиллов на конкретных агентах в его отчете не описан.
- Счетчики расходятся: в описании репозитория указан 221 скилл, в таблицах 238, а перечень по папкам дает 85, 67, 20, 20, 34 и 12.
Как отключить. Удалите склонированную папку `DDC_Skills_for_AI_Agents_in_Construction` или скопированную папку отдельного скилла из папки скиллов вашего ассистента. Файлы, которые создал сгенерированный код, остаются там, куда вы их сохранили.
Частые вопросы
С какой из шести папок начинать?
Автор советует по задаче. Нужен рабочий инструмент сразу — берите `1_DDC_Toolkit`. Хотите учиться по порядку — идите по главам из `2_DDC_Book`. Нужна автоматизация процессов — смотрите `3_DDC_Insights`. Для документов и отчетов подойдет `4_DDC_Curated`. Папка `5_DDC_Innovative` рассчитана на опыты с ИИ и машинным обучением, `6_OpenConstructionERP` — на тех, кто строит на открытой ERP-платформе.
Какие пакеты Python нужны для скиллов?
Для общего набора автор называет `pandas`, `openpyxl`, `ifcopenshell` и `pdfplumber`, их ставит команда `pip install pandas openpyxl ifcopenshell pdfplumber`. Для скилла `semantic-search-cwicr` дополнительно нужны `qdrant-client`, `pandas` и `sentence-transformers`.
Можно ли использовать базу расценок CWICR в коммерческом проекте?
Только по отдельной лицензии. Сборка DDC выпущена под CC BY-NC 4.0, то есть для некоммерческого использования. Для коммерческого использования автор предлагает свою лицензию и пишет в `NOTICE.md`, что базу нельзя считать выпущенной под CC BY 4.0. Исходные национальные данные доступны у официальных издателей на их условиях.
Как работает поиск расценок в semantic-search-cwicr?
Скилл кодирует запрос моделью `BAAI/bge-m3` (1024 измерения) и ищет ближайшие записи в Qdrant. Для каждого языка своя коллекция вида `cwicr_{LANG}_v3`. База включает 8 национальных справочников на 78 228 позиций и общую базу из 30 рынков на 26 языках. На небольших серверах автор использует вариант модели ONNX int8 размером около 700 МБ.
Что за файл claw.json рядом со SKILL.md?
Это манифест для OpenClaw. В папке `batch-cad-converter` он задает имя, версию 2.0.0, лицензию MIT, разрешение `filesystem`, файл инструкций `instructions.md` и минимальную версию OpenClaw 0.8.0. Для работы по `SKILL.md` в других ассистентах он не нужен.
Что делают скиллы из папки 6_OpenConstructionERP?
Они работают с платформой OpenConstructionERP: загружают базы расценок, ведут ведомости объемов и сметы, делают обмер по BIM, планирование 4D и 5D, работают с интеграцией MCP, тендерами, проверками и геокоординацией. Всего в папке 12 скиллов.
Обсуждение
Вопросов и отзывов пока нет.
Похожие
Скиллыdbt Agent Skills
dbt-agent-skills
Официальные скиллы dbt Labs: агент понимает проекты dbt, выполняет рабочие процессы и помогает с миграцией
Набор скиллов Google DeepMind для научных задач: доступ к биологическим и химическим базам, поиск литературы и структурная биология
Набор Databricks Field Engineering для агентов: установщик скиллов Databricks, MCP-сервер и визуальный Builder App
Hehe — пакет скиллов для отраслевых и корпоративных исследований
Hehe Industry Research Skill Pack
Пакет из 14 скиллов для исследований по открытым данным на китайском: главный скилл ведет проект, 13 профильных считают рынок, конкурентов и стоимость
High-Stakes Analytics Lab
High-Stakes Analytics & Decision Lab
Скилл доказательной аналитики для решений с высокой ценой ошибки: профилирует данные, выбирает метод под них, может ответить отказом или запросом данных
Два скилла для конкурсов по математическому моделированию CUMCM и MCM/ICM: разбор задачи, выбор модели, код и статья
Сравнение с похожими
Записи с тем же главным запросом: чем они отличаются.
| Запись | Официальный | Авторизация | Звезды репозитория | Главное отличие |
|---|---|---|---|---|
| DDC Skills for Construction (эта запись) | нет | 375 | ||
| Revit MCP | нет | не нужна | 411 | MCP-сервер для Autodesk Revit: агент читает модель, создает элементы, сетки и помещения и считает объемы материалов |
| OpenTakeoff | нет | не нужна | 716 | MCP-сервер обмера строительных чертежей |
Коротко о README
В описании репозитория есть таблица шести папок с числом скиллов в каждой, список типовых задач с названиями скиллов (`semantic-search-cwicr`, `estimate-builder`, `n8n-daily-report`), этапы внедрения от аудита данных до прогнозов на машинном обучении и схемы потоков данных. Дальше идут требования, структура папок и ссылки на `GETTING_STARTED.md`, `OPTIMIZER_GUIDE.md` и книгу автора Data-Driven Construction. Рядом лежат `NOTICE.md` с лицензиями и товарными знаками, `REVIEW_2026.md` с итогами десяти проверок и сама книга в PDF.
Бейдж для README
Исходный SKILL.md
---
name: "semantic-search-cwicr"
description: "Semantic search in the DDC CWICR construction cost database using vector embeddings (BGE-M3, 1024-dim, per-language Qdrant collections). Find similar work items and resources for cost estimation across 8 national bases and 30 markets in 26 languages."
homepage: "https://datadrivenconstruction.io"
metadata: {"openclaw": {"emoji": "🗄️", "os": ["darwin", "linux", "win32"], "homepage": "https://datadrivenconstruction.io", "requires": {"bins": ["python3"], "env": ["QDRANT_URL"]}, "primaryEnv": "QDRANT_URL"}}
---
# Semantic Search in DDC CWICR Database
## Business Case
### Problem Statement
Construction cost estimation requires finding relevant work items from large databases. Traditional keyword search fails when:
- Users describe work in natural language
- Terminology varies across regions and languages
- Similar work items have different naming conventions
### Solution
DDC CWICR provides pre-computed embeddings (BAAI/bge-m3, 1024 dimensions) enabling multilingual semantic search across **8 national bases (78,228 positions)** plus the **30-market global base** in **26 languages**, with 48 PPP-repriced market catalogs per national base.
### Business Value
- **90% faster** work item lookup compared to manual search
- **Multi-language**: Arabic, Bulgarian, Chinese, Croatian, Czech, Danish, Dutch, English, Finnish, French, German, Hindi, Indonesian, Italian, Japanese, Korean, Mongolian, Norwegian, Polish, Portuguese, Romanian, Russian, Spanish, Swedish, Thai, Turkish, Vietnamese
- **Higher accuracy** by finding semantically similar items, not just keyword matches
## Data landscape (2026)
| National base | Region id | Positions |
|---|---|---|
| Turkey (Birim Fiyat) | `TR_NATIONAL` | 22,704 |
| China (Beijing Dinge + Bole) | `ZH_CHINA` | 11,312 |
| Brazil (SINAPI) | `BR_NATIONAL` | 9,723 |
| Spain (BCCA Andalucía) | `ES_ANDALUCIA` | 6,453 |
| Italy (Prezzario Toscana) | `IT_TOSCANA` | 5,836 |
| Vietnam (Dinh Muc) | `VN_NATIONAL` | 4,299 |
| Indonesia (AHSP) | `ID_NATIONAL` | 2,784 |
| Greece (GGDE) | `GR_NATIONAL` | 2,647 |
Each base ships the **95-column CWICR master schema** (`rate_code`, `rate_original_name`, `rate_final_name`, `rate_unit`, `total_cost_per_position`, classification hierarchy `collection/department/section/subsection/category`, `resource_*` component lines with `is_material/is_machine/is_labor` flags) plus 26 language editions and 48 `markets/*.csv` catalogs.
Latest data release: **v0.4.0** (see [releases](https://github.com/datadrivenconstruction/OpenConstructionEstimate-DDC-CWICR/releases)).
## Technical Implementation
### Prerequisites