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。
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
cas-bigdatalab/piflow5412026년 10월 17일 업데이트
무료GitHub에 공개
perplexity_filter
困惑度过滤器。过滤以保留困惑度分数小于特定最大值的样本。本SKILL使用依赖data_juicer，请在调用前安装好python环境并安装data_juicer，你可用以下指令进行安装： pip install py-data-juicer 当用户提到困惑度过滤、文本困惑度检测、语言模型分数过滤、文本质量过滤等需求时使用此skill。
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
설치 방법 보기포함된 파일(5)
- SKILL.md3.6 KB
- assets/icon.png33.5 KB
- scripts/example_input.json244 B
- scripts/run_perplexity_filter.py3.7 KB
- skill.json2.4 KB
SKILL.md(원문)
설치하기 전에 에이전트에게 전달되는 지시 내용을 확인할 수 있습니다.
功能概述
该算子使用语言模型（KenLM）计算文本的困惑度分数，过滤保留困惑度在指定范围内的样本。低困惑度表示文本流畅自然。
核心参数
| 参数 | 类型 | 必填 | 默认值 | 说明 |
|---|---|---|---|---|
| input_path | string | 是 | - | 输入数据文件路径 (JSON/JSONL格式) |
| output_path | string | 是 | - | 输出数据文件路径 (JSONL格式) |
| lang | string | 否 | 'en' | 语言代码（影响分词和语言模型） |
| max_ppl | float | 否 | 1500 | 最大困惑度阈值（低于此值保留） |
| batch_size | int | 否 | 1 | 批处理大小 |
| num_proc | int | 否 | 1 | 并行处理的进程数 |
| text_key | string | 否 | text | 要操作的文本字段名 |
输入数据格式
输入文件应为 JSON 或 JSONL 格式，每行包含一个样本，样本需包含 text_key 指定的字段（默认 text）：
{"<text_key>": "这是一段需要检测困惑度的文本内容"}
输出数据格式
输出为 JSONL 格式，每行一个符合条件的样本，仅包含 text 字段。
使用示例
命令行调用
# 英语文本困惑度过滤
python scripts/run_perplexity_filter.py \
--input_path /path/to/input.jsonl \
--output_path /path/to/output.jsonl \
--lang en \
--max_ppl 900
# 中文文本困惑度过滤
python scripts/run_perplexity_filter.py \
--input_path /path/to/input.jsonl \
--output_path /path/to/output.jsonl \
--lang zh \
--max_ppl 1500
参数说明
--input_path: 输入文件路径--output_path: 输出文件路径--lang: 语言代码（默认 en，支持 en, zh 等）--max_ppl: 最大困惑度阈值（默认1500）--batch_size: 批处理大小（默认1）--num_proc: 并行进程数，默认1--text_key: 要操作的文本字段名（默认text）
注意事项
- 该算子使用 sentencepiece 进行分词，kenlm 计算困惑度
- 低困惑度表示文本流畅自然，高困惑度可能表示文本混乱或随机
- 支持的语言包括：en, zh 等
- 处理大量数据时可适当增加 batch_size 和 num_proc 提高效率
리뷰
아직 리뷰가 없습니다. 사용해 본 소감을 남겨 주세요.
댓글
로그인 없이 쓸 수 있습니다. 사용 후기, 질문, 작동하지 않은 환경 등을 편하게 남겨 주세요.
아직 댓글이 없습니다. 첫 댓글을 남겨 보세요.
같은 저장소의 스킬
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。
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
cas-bigdatalab/piflow5412026년 10월 17일 업데이트
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。
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
cas-bigdatalab/piflow5412026년 10월 17일 업데이트
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。
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
cas-bigdatalab/piflow5412026년 10월 17일 업데이트
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。
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
cas-bigdatalab/piflow5412026년 10월 17일 업데이트
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。
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
cas-bigdatalab/piflow5412026년 10월 17일 업데이트