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
duplicate_fragment_cleaner
文本内部重复片段模糊清理工具。读取 JSONL 文本数据，按文本字段删除近似重复的段落、句子或连续片段，保留首次出现内容并输出清理后的样本。当用户提到清理重复片段、删除重复段落、去掉近似重复内容等需求时使用此 skill。
即使用户没有明确说出 "duplicate_fragment_cleaner"，只要任务涉及同一文本内部的重复片段清理，就应该使用此 skill。不负责跨记录去重、摘要改写或语义重写。
The English summary is being prepared. Showing the original description.
See how to installFiles included (4)
- SKILL.md4.1 KB
- scripts/example_input.json263 B
- scripts/run_duplicate_fragment_cleaner.py9.9 KB
- skill.json3.6 KB
SKILL.md (original)
Review the instructions the agent will receive before you install.
Duplicate Fragment Cleaner 文本内部重复片段模糊清理 Skill
功能概述
本 skill 用于清理单条文本内部的近似重复内容：
- 删除重复段落、重复句子或连续重复片段
- 保留首次出现内容
- 支持按相似度阈值识别轻微改写、标点差异、空白差异造成的重复
触发条件
当用户请求以下任务时，应使用此 skill：
- 清理重复片段
- 删除重复段落
- 去掉近似重复内容
- 文本内部重复清理
核心参数说明
必需参数
--input：输入 JSONL 文件路径--output：输出 JSONL 文件路径
可选参数
--text_field：文本字段名，默认text--min_fragment_length：候选重复片段最小字符长度，默认30--max_fragment_length：候选重复片段最大字符长度，默认500--similarity_threshold：近似重复判定阈值，默认0.88--keep_first：保留第一次出现的重复片段，默认true--mark_cleaned：是否标记已清洗样本，默认true--log_file：删除片段日志文件路径
输入文件格式
支持以下结构化文件格式：
- JSONL
不支持的文件格式会直接报错拒绝，不会自动猜测格式；如需处理其他格式，请先转换为 JSONL 后再使用本 skill。
使用方法
python scripts/run_duplicate_fragment_cleaner.py \
--input data.jsonl \
--output cleaned.jsonl \
--text_field text \
--min_fragment_length 30 \
--max_fragment_length 500 \
--similarity_threshold 0.88 \
--keep_first true \
--mark_cleaned true \
--log_file removed_fragments.json
输出示例
[OK] Duplicate fragment fuzzy cleaning completed
Input: data.jsonl
Output: cleaned.jsonl
Total samples: 8
Samples cleaned: 3
Fragments removed: 4
Unique fragments: 3
注意事项
- 仅处理单条文本内部重复片段，不做跨记录去重。
- 模糊匹配会受阈值影响，建议先用较高阈值验证。
- 输出会保留原始记录的其他字段。
min_fragment_length用于避免误删过短短语。
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