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。
日本語の概要は準備中です。原文の説明を表示しています。
cas-bigdatalab/piflow5412026年9月22日 更新
無料GitHub で公開
text_pair_similarity_filter
文本对相似度过滤器。过滤器将文本之间具有相似性的文本对保留在特定范围内。
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 当用户提到文本对相似度过滤、文本对过滤、双文本相似度、文本配对过滤等需求时使用此skill。
含まれるファイル（5）
- SKILL.md3.8 KB
- assets/icon.png33.5 KB
- scripts/example_input.json212 B
- scripts/run_text_pair_similarity_filter.py4.6 KB
- skill.json2.9 KB
SKILL.md（原文）
インストールする前に、エージェントに与えられる指示の中身を確認できます。
功能概述
该算子使用CLIP模型计算两个文本之间的相似度，过滤相似度在指定范围内的文本对。支持多种过滤策略：
any: 任意一个文本对符合条件即保留all: 所有文本对都符合条件才保留
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) |
| hf_clip | string | 否 | 'openai/clip-vit-base-patch32' | HuggingFace上的CLIP模型 |
| min_score | float | 否 | 0.1 | 最小相似度分数 |
| max_score | float | 否 | 1.0 | 最大相似度分数 |
| text_key_second | string | 是 | - | 第二个文本字段名 |
| any_or_all | string | 否 | 'any' | 过滤策略：'any' 或 'all' |
| num_proc | int | 否 | 1 | 并行处理的进程数 |
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，样本需包含两个文本字段：
{"text": "a lovely cat", "target_text": "a cute cat"}
输出数据格式
输出为 JSONL 格式，每行一个符合条件的样本。
使用示例
命令行调用
python scripts/run_text_pair_similarity_filter.py \
--input_path /path/to/input.jsonl \
--output_path /path/to/output.jsonl \
--text_key_second target_text \
--min_score 0.85 \
--max_score 0.99 \
--any_or_all any
参数说明
--input_path: 输入文件路径--output_path: 输出文件路径--hf_clip: CLIP模型（默认：openai/clip-vit-base-patch32）--min_score: 最小相似度分数（默认0.1）--max_score: 最大相似度分数（默认1.0）--text_key_second: 第二个文本字段名（必填）--any_or_all: 过滤策略，默认any--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CLIP模型计算文本对相似度，首次运行会下载模型
- 必须指定
text_key_second参数 - 依赖 torch 和 transformers，请确保已安装
レビュー
まだレビューはありません。使ってみた感想をお寄せください。
同じリポジトリのスキル
概要と使いどころ
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。
日本語の概要は準備中です。原文の説明を表示しています。
cas-bigdatalab/piflow5412026年9月22日 更新
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。
日本語の概要は準備中です。原文の説明を表示しています。
cas-bigdatalab/piflow5412026年9月22日 更新
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。
日本語の概要は準備中です。原文の説明を表示しています。
cas-bigdatalab/piflow5412026年9月22日 更新
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。
日本語の概要は準備中です。原文の説明を表示しています。
cas-bigdatalab/piflow5412026年9月22日 更新
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。
日本語の概要は準備中です。原文の説明を表示しています。
cas-bigdatalab/piflow5412026年9月22日 更新