Skills
收录 101,174 个为 Agent 打包的专项能力与操作指引,复制一行命令即可安装。
全部
提供 HuggingFace Tokenizers 库(Rust 核心,带 Python 和 Node.js 绑定),用于训练和使用 BPE、WordPiece 和 Unigram 分词器。涵盖标准化器、预分词器、模型、后处理器和解码器组成的处理流水线、填充和截断、批量编码、对齐跟踪,以及转换为 transformers PreTrainedTokenizerFast。在新语料上训练自定义分词器或词汇表、快速分词大型文本语料、为 NER 或问答将 token 映射回字符偏移,或配置标准化和特殊 token 时使用。将自定义分词器封装以供 transformers 使用时也可使用。SentencePiece 模型或 tiktoken 请使用相应工具;仅加载预训练分词器时,AutoTokenizer 即可满足需求。
在保留含义、具体细节和真实人类特质的前提下,让听起来像 AI 的散文人类化、去 AI 味。当有声音样本或风格档案时,以该作者真实的语气改写。移除反复出现的 AI 特征,如被夸大的重要性、套话词汇、一律的节奏、过度模糊措辞、公式化结构和格式痕迹。同时保守地清理可疑的不可见 Unicode 和复制粘贴残留,但不将其视为作者身份的证明。适用于用户想要人类化、去 AI 味、去机器味文本时;修复听起来像企业腔、泛泛而谈、像 ChatGPT 或其他不对劲的散文;让草稿匹配某位写作者或具名作者;为真实语气和节奏而编辑;或清理零宽字符、特殊空格、双向控制符及类似隐藏文本残留时。
把一个粗略的语言构想变成完整、可实现的规范——DSL、查询语言、配置/数据语言、模板语言或协议语言——通过逐个维度采访作者,直到另一位开发者仅凭文档就能构建出符合规范的实现。它会追问作者常常跳过的决策:词法规则(空白、大小写、注释、字面量)、带优先级与歧义消解的语法、语义/类型模型、带反例的校验规则、执行算法与错误模型、输出/序列化格式,以及 RFC 2119 符合性。完整性标准与形式化记法(词法语法与句法语法、函数式算法)提炼自 GraphQL 规范。触发场景:"spec out my language"、"design a DSL / query language"、"write a language or grammar spec"、"formalize this syntax",或当某人有一个需要变成可实现规范的语言构想时——即使他们只说 "spec" 或 "grammar"。
阻塞性要求。在撰写或编辑任何 PR 标题/正文、issue 正文、GitHub Discussion 帖子/评论/回答、PR 评审评论、README/文档散文、行内代码注释、设计文档/RFC/回顾,或需求/验收标准之前,包括对上述任何产物进行编辑、文字校对、修订、改写、重述、重做、润色或重构的请求,以及在调用 create_pull_request、update_pull_request、add_pr_review_comment、edit_pr_review_comment、reply_to_comment、reply_to_review_thread 或 reply_and_resolve_review_thread 之前,都必须先调用本 Skill。
一个开放协议,规定了 AI 应用如何以统一方式连接外部工具与数据源。客户端负责与模型对话,MCP 服务负责提供工具、资源和提示模板,两者通过标准消息通信,同一个服务可以被不同客户端复用。
