sentencepiece

Orchestra-Research/AI-Research-SKILLs/02-tokenization/sentencepiece

实现语言无关分词器处理 Unicode 文本支持 BPE Unigram 算法 50k 句 / 秒处理确定性词表

Language-independent tokenizer treating text as raw Unicode. Supports BPE and Unigram algorithms. Fast (50k sentences/sec), lightweight (6MB memory), deterministic vocabulary. Used by T5, ALBERT, XLNet, mBART. Train on raw text without pre-tokenization. Use when you need multilingual support, CJK languages, or reproducible tokenization.

把下面的话发给 Claude Code、Codex 或 Cursor。智能体会先检查内容，经你确认再安装。

请帮我安装这个 Agent Skill：https://github.com/Orchestra-Research/AI-Research-SKILLs/tree/main/02-tokenization/sentencepiece

1. 先读取该目录下的 SKILL.md 和其他文件，检查是否有可疑内容（执行未知脚本、读取密钥、向外发送数据等），用中文告诉我它会做什么、需要哪些权限；
2. 等我确认后，再把整个目录安装到 ~/.claude/skills/sentencepiece/（如果你不是 Claude Code，安装到你自己约定的 skills 目录）；
3. 安装后告诉我怎么触发它。

安装到个人 Skill 目录（对所有项目生效）。只想在当前项目用，改为 .claude/skills/。

git clone --depth 1 --filter=blob:none --sparse https://github.com/Orchestra-Research/AI-Research-SKILLs.git /tmp/sentencepiece-src
cd /tmp/sentencepiece-src && git sparse-checkout set "02-tokenization/sentencepiece"
mkdir -p ~/.claude/skills && cp -r "02-tokenization/sentencepiece" ~/.claude/skills/sentencepiece

Skill 可以让智能体执行脚本。安装第三方 Skill 前务必看一遍内容，详见「安全」一课。

SKILL.md

在 GitHub 查看

正在从 GitHub 读取……