Token导航 LogoToken导航

Agent Skill · 待分类

training-data-curation(训练数据管理)

用于辅助数据整理、表格处理、CSV/Excel 分析、指标计算和图表准备。它适合让 Agent 清洗字段、汇总数据、发现异常、生成统计口径或把分析结果转成可读说明。使用时需要确认数据来源、字段含义和时间范围,避免把样本数据当全量事实;涉及敏感数据、导出文件或批量写回时,应先确认权限和脱敏边界。

training-data-curation 是待分类类 Agent Skill,可用宿主为 Codex、Claude、Cursor、Gemini CLI,通过GitHub 仓库获取,权限为执行命令;许可证信息还不明确,第三方扫描已通过,按安装量在待分类类的 11,209 个 Skill 里排第 2,815。

总安装 1,368周安装 57GitHub Stars 149下载 456核验 2026-05-01

安装说明

本站只整理中文说明,不托管安装包,也不代用户安装。
GitHub
许可证
unknown

安装方式

通过对话安装

复制提示词发给支持本地命令或 Skills 的 AI 助手,先确认命令和权限,再让它执行。

请帮我安装这个 Agent Skill:training-data-curation(训练数据管理)
来源仓库:https://github.com/sundial-org/skills
仓库路径:skills/training-data-curation
安装命令:
npx skills add https://github.com/sundial-org/skills --skill training-data-curation
安装前请先检查当前环境是否支持对应 CLI,并向我确认将要执行的命令、安装目录、联网范围和文件读写权限;确认后再执行。

命令行安装

复制命令到本机终端执行。该命令会通过 npx skills 从第三方来源获取 Skill;本站只展示命令,不托管安装包,也不自动执行。

skills.shnpx skills
npx skills add https://github.com/sundial-org/skills --skill training-data-curation

这个 Skill 是做什么的

这个 Skill 的分类还没最终确定,用法以来源仓库的说明为准。

用于清洗、标注与增强训练数据集,提升机器学习模型泛化能力。可自动去除重复项、纠正标签错误或生成合成样本,减少人工干预。支持 CSV、JSON 等格式输入输出,兼容主流数据处理流水线。处理敏感字段时应启用匿名化选项,遵守 GDPR 等相关法规要求。当前介绍较清晰,但仍需确认是否支持在线标注与多人协作功能。

来源仓库内路径:skills/training-data-curation

上手步骤

4 步
  1. 1

    确认自己的宿主工具

    公开资料标注支持 Codex、Claude、Cursor、Gemini CLI;先确认自己用的是其中之一,再按对应工具的 Skills 目录放置。

  2. 2

    拿到安装命令

    可以直接复制的命令是 npx skills add https://github.com/sundial-org/skills --skill training-data-curat…;命令里的占位符换成自己的路径或密钥再执行。

  3. 3

    安装后重启宿主

    命令执行完要完全退出宿主工具再打开,让新装的 Skill 被重新扫描到,否则列表里可能看不到。

  4. 4

    按最小权限试用

    它需要执行命令,先在测试目录或测试账号里跑,确认没问题再放到正式项目。

常见问题

6 条

training-data-curation 怎么安装?

在终端执行 npx skills add https://github.com/sundial-org/skills --skill training-data-curation。装完完全退出宿主工具再打开,让它重新扫描本地 Skill。

training-data-curation 支持哪些 AI 工具?

公开资料标注支持 Codex、Claude、Cursor、Gemini CLI。其他工具只要能读取本地 Skill 目录,一般也能手动放进去,但要自己确认触发方式是否一致。

training-data-curation 需要什么权限?

权限级别是执行命令。安装流程涉及命令执行,可能通过 npx skills add https://github.com/sundial-org/skills --skill training-data-curation 联网下载 Skill 或依赖。用户安装前应确认命令来源、仓库内容和执行环境。

training-data-curation 是免费的吗?

公开资料没有标注明确许可证,收费和商用限制都无法确认。正式使用前请到来源仓库核对授权说明。

training-data-curation 用的人多吗?

公开数据是累计安装 1,368 次,近一周安装 57 次,下载 456 次,GitHub 149 星。这些数字来自第三方目录统计,只能当作热度参考,不代表质量或安全性。

training-data-curation 安全吗?

第三方扫描结果为通过,但这只覆盖已知的静态检查项,不能替代自己读一遍源码和安装命令。

值得选的地方和要先想清楚的地方

值得选的地方

  • 同时适配 4 种工具,换客户端不用重新找替代品。
  • 第三方扫描已通过,常见的高风险行为没有命中。

先想清楚的地方

  • 需要执行命令,装到常用环境前要先评估影响面。
  • 许可证没有明确标注,能不能商用、能不能再分发都不确定。
  • 第三方目录整理,版本更新和行为细节以来源仓库为准。

适不适合你

更适合

  • 已经在用 Codex,想直接扩展它能力的人。
  • 需要处理待分类类任务、又不想每次都手写提示词的人。

不太适合

  • 不能接受 Skill 在你机器上执行命令的人。
  • 需要明确授权才能用到公司项目里的场景。
  • 需要厂商级技术支持和 SLA 的生产系统。

待分类类 Skill 对比

6 个同类
Skill总安装GitHub 星权限许可证扫描
infsh-cli

infsh CLI · Codex、Claude

4,374,576382权限未标注未明确未收录
ai-video-generation

AI 视频生成 · Codex、Claude

4,313,376382调用外部服务未明确有提醒
lark-openapi-explorer

云雀 OpenAPI 浏览器 · Codex、Claude

2,064,1209,011需要联网未明确有提醒
lark-workflow-standup-report

Lark 工作流程站立报告 · Codex、Claude

2,041,6328,978需要联网未明确通过
use-my-browser

使用我的浏览器 · Codex、Claude

1,848,49140操作浏览器未明确未通过
training-data-curation

训练数据管理 · 本页

1,368149执行命令未明确通过

按安装量取同分类前几名;数字来自第三方目录统计,只作热度参考,不代表质量结论。

SKILL.md 原文

Training Data Curation Guidelines

Best practices for gathering and preparing training data for LLM fine-tuning.

Data Quality Principles

Quality over quantity. Llama 2 used only 27,540 high-quality SFT examples and outperformed models trained on larger noisy datasets [[1]](#references). Focus on clean, diverse, well-formatted data.

Garbage in, garbage out. The model will learn patterns from your data—including errors, biases, and formatting issues. Inspect samples manually before training.

Match the target distribution. Training data should reflect the tasks and style you want the model to perform. If you want formal responses, don't train on casual chat data.

Format Requirements

Supervised Fine-Tuning (SFT)

Use the messages format (OpenAI/Anthropic/Tinker standard) [[5]](#references):

{"messages": [{"role": "user", "content": "..."}, {"role": "assistant", "content": "..."}]}
  • Each sample is a complete conversation
  • Multi-turn: alternate user/assistant messages
  • System prompts optional: {"role": "system", "content": "..."}
  • JSONL format, one sample per line

Preference Learning (DPO/ORPO/KTO)

Requires paired comparisons [[2]](#references):

{"prompt": "...", "chosen": "...", "rejected": "..."}
  • chosen and rejected must respond to the same prompt
  • Quality difference should be clear and consistent
  • Annotator agreement >70% indicates usable samples [[1]](#references)

For KTO, pairs aren't required—just binary labels on completions [[7]](#references):

{"prompt": "...", "completion": "...", "label": true/false}

Reward Modeling (RLHF)

Needs ranked responses [[1]](#references):

{"prompt": "...", "responses": ["best", "second", "worst"]}

Quality Checklist

Before training, verify:

  • No duplicates — exact and near-duplicate removal [[3]](#references)
  • No empty fields — all required fields populated
  • Consistent format — schema matches throughout
  • Appropriate length — not too short (noise) or too long (truncation)
  • Clean text — proper encoding, no HTML/boilerplate artifacts [[8]](#references)
  • Manual inspection — reviewed random sample of 50-100 examples
  • No PII/sensitive data — unless intentionally included
  • License verified — legal to use for training

Common Quality Issues

IssueDetectionFixSource
DuplicatesHash-based dedupRemove exact matches, MinHash for near-dupes[[3]](#references)
BoilerplateKeyword filterRemove "subscribe", "cookie policy", etc.[[8]](#references)
Repetitive textN-gram analysisFlag if <30% unique trigrams[[4]](#references)
Low-quality textAlpha ratioRemove if <50% alphabetic characters[[8]](#references)
Wrong languageLanguage detectionfastText classifier, filter to target[[3]](#references)
Too shortLength checkMinimum 3-5 sentences, 100+ words for documents[[8]](#references)

Data Sources

High quality:

  • Curated human annotations [[1]](#references)
  • Expert-written examples
  • Filtered high-quality web data [[3]](#references)

Medium quality:

  • Synthetic data from stronger models (distillation)
  • Community Q&A with voting signals
  • Filtered user-generated content

Use with caution:

  • Raw web scrapes
  • Unfiltered synthetic data
  • Data without clear provenance [[6]](#references)

Sizing Guidelines

Dataset SizeUse CaseSource
100-1KQuick experiments, specific behaviors—
1K-10KProduction SFT, domain adaptation—
10K-100KComprehensive instruction tuning[[1]](#references)
1M+ preference pairsLarge-scale RLHF[[1]](#references)

Llama 2 used ~27K SFT examples and 1M+ preference comparisons [[1]](#references).

File Format

  • JSONL — one JSON object per line, human-readable
  • Parquet — efficient for large datasets, built-in compression [[3]](#references)
  • Sharding — split files >500MB into chunks

References

  1. Llama 2 Paper — Touvron et al. (2023). SFT/RLHF data quality practices, 27K SFT examples, >70% annotator agreement threshold
  2. TRL Library — HuggingFace trainer implementations for SFT, DPO, KTO, ORPO
  3. FineWeb Paper — Penedo et al. (2024). Large-scale filtering: MinHash dedup, language detection, quality classifiers
  4. Data-Juicer — Alibaba's quality filtering toolkit with repetition filters, n-gram analysis
  5. Tinker API — Training API using messages format for SFT, DPO/RLHF support
  6. Data Provenance Initiative — Longpre et al. (2023). Dataset licensing and attribution audit
  7. KTO Paper — Ethayarajh et al. (2024). Binary preference learning without pairs
  8. C4/T5 Paper — Raffel et al. (2020). Foundational filtering: terminal punctuation, min sentences, alpha ratio, boilerplate removal

平台分布

Codex

37.85%
按下载量换算173

Claude

27.51%
按下载量换算125

Cursor

19.81%
按下载量换算90

Gemini CLI

8.83%
按下载量换算40

安全审计

Gen Agent Trust Hub

通过

Socket

通过

Snyk

通过

权限和风险

执行命令

安装流程涉及命令执行,可能通过 npx skills add https://github.com/sundial-org/skills --skill training-data-curation 联网下载 Skill 或依赖。用户安装前应确认命令来源、仓库内容和执行环境。

安装前确认

本站仅展示第三方公开信息,不托管安装包,不提供自动安装或运行环境。安装前应自行审查源码、依赖和命令行为。目前只有一个公开来源,建议同时核对源仓库。

继续浏览同类 Skills