Token Num Filter
Documentstoken_num_filterToken Num Filter is an Agent Skill for documents published in the cas-bigdatalab/piflow repository on GitHub: a SKILL.md instruction file an AI agent can load to do this task.
Token数量过滤器。筛选器将总令牌数的样本保留在特定范围内。 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token数量过滤、文本token数筛选、按token数过滤、文本分词过滤等需求时使用此skill。
QUICK START
How to use this skill
Bring this guide into your coding agent with a prompt tailored to the tool you use.
- Open your project in Codex.
- Copy and paste the prompt below.
- Review files and risks before approving any action.
Prompt to paste
Inspect the Agent Skill at https://github.com/cas-bigdatalab/piflow/blob/HEAD/workspace/skills/token_num_filter/SKILL.md and all supporting files. Report provenance, permissions, scripts, dependencies, and security risks. Propose an exact installation into .agents/skills/token-num-filter, but wait for my approval before writing files or running scripts.
Copying this prompt does not install or run the skill. Review third-party files before use.
功能概述
该算子使用 HuggingFace tokenizer 计算文本的 token 数量，过滤保留 token 数在指定范围内的样本。
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_tokenizer | string | 否 | 'EleutherAI/pythia-6.9b-deduped' | HuggingFace tokenizer 模型 |
| min_num | int | 否 | 10 | 最小 token 数量 |
| max_num | int | 否 | 2147483647 | 最大 token 数量 |
| 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>": "这是一段需要计算token数的文本内容"}
输出数据格式
输出为 JSONL 格式，每行一个符合条件的样本。
使用示例
命令行调用
python scripts/run_token_num_filter.py \
--input_path /path/to/input.jsonl \
--output_path /path/to/output.jsonl \
--min_num 10 \
--max_num 20
参数说明
--input_path: 输入文件路径--output_path: 输出文件路径--hf_tokenizer: HuggingFace tokenizer 模型--min_num: 最小 token 数量（默认10）--max_num: 最大 token 数量（默认不限制）--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 HuggingFace tokenizer 计算 token 数量
- 不同 tokenizer 对同一文本可能产生不同的 token 数
- 处理大量数据时可适当增加 num_proc 提高效率