abbrev_expander
Free领域缩略语展开 Skill：按内置或外部词典将独立缩略语替换为全称，可选在全称后保留原缩写。 适用于技术文本、论文摘要和业务记录中的缩写清洗；不负责模糊缩写消歧或大小写无关替换。
The English summary is being prepared. Showing the original description.
cas-bigdatalab/piflow541Updated Oct 17, 2026
FreePublished on GitHub
document_deduplicator
文档去重工具。使用精确匹配（MD5哈希）在文档级别删除重复的样本。当用户提到文档去重、删除重复文档、样本去重、文本去重、去除重复内容、 清洗重复数据、整理文档集合等需求时使用此skill。
即使用户没有明确说出"去重"，只要任务涉及从多个文档中识别和删除重复内容， 就应该使用此skill。
The English summary is being prepared. Showing the original description.
See how to installFiles included (10)
- SKILL.md4.1 KB
- __init__.py0 B
- assets/icon.png23.6 KB
- scripts/__init__.py0 B
- scripts/data_io.py3.7 KB
- scripts/document_deduplicator.py5.8 KB
- scripts/example_input.json319 B
- scripts/example_input.txt215 B
- scripts/run_document_deduplicator.py2.9 KB
- skill.json2.0 KB
SKILL.md (original)
Review the instructions the agent will receive before you install.
Document Deduplicator 文档去重 Skill
功能概述
本skill使用MD5哈希算法进行文档级别的精确匹配去重。 通过计算每个文档内容的哈希值，快速识别并删除完全相同或指定条件下相同的重复文档。
触发条件
当用户请求以下任务时，应使用此skill：
- 文档去重
- 删除重复文档
- 样本去重
- 文本去重
- 去除重复内容
- 清洗重复数据
- 整理文档集合
核心参数说明
必需参数
| 参数 | 说明 |
|---|---|
--input | 输入文件路径 (支持 json, txt) |
--output | 输出文件路径 (支持 json, txt) |
可选参数
| 参数 | 说明 | 默认值 |
|---|---|---|
--text_key | 文本字段的键名 | text |
--lowercase | 是否将文本转为小写进行比对 | False |
--ignore_non_character | 是否忽略非字母字符（空格、数字、标点） | False |
支持的文件格式
JSON 格式
{
"data": [
{"text": "文档内容1"},
{"text": "文档内容2"},
{"text": "文档内容1"}
]
}
TXT 格式
文档内容1
文档内容2
文档内容1
使用方法
# JSON 去重
python scripts/run_document_deduplicator.py \
--input ./input.json \
--output ./output.json
# TXT 去重
python scripts/run_document_deduplicator.py \
--input ./documents.txt \
--output ./deduplicated.txt
# 忽略大小写去重
python scripts/run_document_deduplicator.py \
--input ./input.json \
--output ./output.json \
--lowercase True
输出示例
命令行输出：
[OK] Document deduplication completed!
Original documents: 5
Deduplicated documents: 4
Removed duplicates: 1
Input file: ./input.json
Output file: ./output.json
去重模式说明
| 模式 | 参数组合 | 说明 |
|---|---|---|
| 精确匹配 | lowercase=False<br>ignore_non_character=False | 完全相同的文本才会被去重 |
| 忽略大小写 | lowercase=True<br>ignore_non_character=False | "Hello" 和 "hello" 会被视为重复 |
| 忽略格式 | lowercase=False<br>ignore_non_character=True | 去除空格、数字、标点后比对 |
| 综合 | lowercase=True<br>ignore_non_character=True | 转小写且去除非字母字符后比对 |
环境要求
安装依赖： 本SKILL使用依赖 data_juicer，请在调用前安装好python环境并安装data_juicer，可用以下指令进行安装：
pip install py-data-juicer
注意事项
- 文件格式：输入输出自动根据文件扩展名判断格式（json 或 txt）
- 默认字段：默认使用
text字段作为文本内容，可通过--text_key修改 - 处理逻辑：保留首次出现的文档，删除后续重复项
- 编码检测：自动检测文件编码（utf-8, gbk, gb2312, gb18030等）
Reviews
No reviews yet. Tell others what you thought.
Comments
No login needed. Share how it worked for you, ask a question, or note where it did not run.
No comments yet. Be the first to write one.
More skills from this repository
字母数字比例过滤器。过滤文本中字母/数字比例不在指定范围内的样本。 当用户提到文本过滤、比例筛选、字母比例、数字比例、清理乱码文本等需求时使用此skill。 即使用户没有明确说出"过滤"，只要任务涉及根据文本中字母或数字的比例来筛选数据， 就应该使用此skill。
The English summary is being prepared. Showing the original description.
cas-bigdatalab/piflow541Updated Oct 17, 2026
平均行长度过滤器。过滤文本平均行长度不在指定范围内的样本。 当用户提到行长度过滤、平均行长度、文本行长度筛选、按行筛选等需求时使用此skill。 即使用户没有明确说出"平均行长度"，只要任务涉及根据文本中每行的平均长度来筛选数据， 就应该使用此skill。
The English summary is being prepared. Showing the original description.
cas-bigdatalab/piflow541Updated Oct 17, 2026
batch_collector
Free批量文件清单采集器。扫描一个或多个本地文件/目录，或从任务列表加载路径， 按支持的扩展名生成文件元信息清单，供后续文本、表格、文档、图像等采集流程继续处理。 当用户需要批量盘点待采集文件、生成本地文件 manifest、统计输入文件类型或为后续采集算子准备文件清单时使用此 skill。
The English summary is being prepared. Showing the original description.
cas-bigdatalab/piflow541Updated Oct 17, 2026
批量数据均匀分片工具。读取json/jsonl/csv输入，按份数或固定条数切成多个子文件，输出一个清单JSON供下游节点消费。 当用户提到数据分割、批量拆分、数据分片、均匀分块等需求时使用此skill。 即使用户没有明确说出"分片"，只要任务是把整份批量数据均匀拆成多个文件，就应该使用此skill。 不负责按字段分组导出或随机采样。
The English summary is being prepared. Showing the original description.
cas-bigdatalab/piflow541Updated Oct 17, 2026
bdbe_cellanno
Free本skill是用于单细胞测序数据分析的专用技能，首先需要用户上传需要处理的单细胞测序数据，再对经过预处理的单细胞表达数据进行自动化细胞类型注释。它通过基因比对、数据标准化、降维等一系列流程，将细胞聚类结果与已知参考数据库进行匹配，从而为每个细胞分配生物学功能标签。
The English summary is being prepared. Showing the original description.
cas-bigdatalab/piflow541Updated Oct 17, 2026