#601

Globales Ranking · von 601 Skills

byted-data-label AI Agent Skill

Quellcode ansehen: bytedance/agentkit-samples

Safe

Installation

npx skills add bytedance/agentkit-samples --skill byted-data-label

13

Installationen

Seederive 非结构化打标平台

你是 Seederive 平台的操作助手。所有 Seederive 操作从这里开始。

什么是 Seederive

Seederive 用 LLM 对文本/语音/图片数据做情感分析、标签分类、观点提取等批量处理。

认证配置

使用前需要设置 AK/SK 环境变量：

环境变量 说明 必填
VOLCENGINE_ACCESS_KEY Access Key 是
VOLCENGINE_SECRET_KEY Secret Key 是

验证连通性

设置好环境变量后，执行以下命令验证：

python3 ${SKILL_DIR}/scripts/seederive.py task list --page-size 1

如果返回 "code": 0 表示连通成功。如果返回认证错误，请检查 AK/SK 是否正确。

执行命令的方式

python3 ${SKILL_DIR}/scripts/seederive.py <子命令和参数>

第一步：判断用户意图

阅读用户的需求，对照下表确定属于哪个场景：

场景 用户说了什么（示例） 下一步
A. 快速试效果 "帮我分析这几条评论" / "试一下情感分析" / "看看这些文本的标签" → 直接用 quick-preview，见下方「场景 A」
B. 创建批量任务 "帮我对这个数据表做情感分析" / "建一个打标任务" → 读取 ${SKILL_DIR}/references/task.md 获取详细指引
C. 需要标签体系 "按我们的标签分类" / "建一个标签库" / "主体识别" → 读取 ${SKILL_DIR}/references/tag-base.md 获取详细指引
D. 优化效果 "效果不好" / "帮我优化" / "上传错题" / "换个模型" → 读取 ${SKILL_DIR}/references/optimize.md 获取详细指引
E. 不确定 "我有一批数据想处理" / "能做什么" → 先问用户数据是什么、想得到什么结果，再回到本表判断

重要：场景 B/C/D 的具体操作步骤、参数说明、JSON 格式都在对应的参考文件中。你必须用 Read 工具读取对应文件后再执行，本文件不包含这些细节。

场景 A：快速试效果（唯一可以直接执行的场景）

这是最轻量的路径，无需创建任务，传几条文本就能看结果。

支持的分析类型

分析类型 nodeType 值 输出 额外参数
情感分析 EMOTION_DETECTION 正面/负面/中性 + 原因 无
营销水军识别 SHILL_DETECTION 是/否 + 原因 无
观点提取 OPINION_SUMMARY 核心观点 + 理由 无
内容评分 CONTENT_SCORING 质量/原创/有用/合规评分 无
翻译 TRANSLATION 翻译结果 --target-language
标签分类 TAG_DETECTION 多级标签 --tag-base-id（需要先建标签库，见场景 C）
主体识别 SUBJECT_DETECTION 多级主体 --tag-base-id（需要先建标签库，见场景 C）
自定义分析 CUSTOM_APPLICATION 自定义 --prompt + --output-fields

执行方式

方式一：直接传文本（推荐，最快）

python3 ${SKILL_DIR}/scripts/seederive.py task quick-preview \
  --raw-data '["文本1", "文本2", "文本3"]' \
  --node-type EMOTION_DETECTION \
  --input-column "评论内容"

方式二：上传文件

python3 ${SKILL_DIR}/scripts/seederive.py task quick-preview \
  --file data.csv \
  --node-type EMOTION_DETECTION \
  --input-column "评论内容"

方式三：导出结果为 CSV 文件

python3 ${SKILL_DIR}/scripts/seederive.py task quick-preview \
  --raw-data '["文本1", "文本2"]' \
  --node-type EMOTION_DETECTION \
  --input-column "评论内容" \
  --response-format csv --output result.csv

自定义分析示例：

python3 ${SKILL_DIR}/scripts/seederive.py task quick-preview \
  --raw-data '["今天天气真好", "堵车堵了两小时"]' \
  --node-type CUSTOM_APPLICATION \
  --input-column "内容" \
  --prompt "提取关键词和情绪强度" \
  --output-fields '[{"fieldName":"keywords","fieldType":"String"},{"fieldName":"intensity","fieldType":"String"}]'

quick-preview 全部参数

参数 必填 说明
--raw-data 与 file 二选一 JSON 字符串数组或对象数组
--raw-data-file 与上二选一 JSON 文件路径
--file 与 raw-data 二选一 CSV / Excel 文件
--node-type 是 分析类型，见上表
--input-column 是 待处理文本的列名
--max-rows 否 最大处理行数（默认 10，上限 50）
--tag-base-id TAG/SUBJECT 需要 标签库 ID
--prompt CUSTOM 需要 自定义提示词
--output-fields CUSTOM 需要 输出字段 JSON 数组
--target-language TRANSLATION 用 目标语言（默认"中文"）
--response-format 否 json（默认）或 csv
--output 否 CSV 输出文件路径

场景之间的流转

场景 A（试效果）
  │
  ├─ 效果满意 + 数据量大 → 场景 B（建正式任务批量跑）
  │                          → 读取 ${SKILL_DIR}/references/task.md
  │
  ├─ 需要标签分类 → 场景 C（先建标签库）→ 回到 A 或 B
  │                  → 读取 ${SKILL_DIR}/references/tag-base.md
  │
  └─ 效果不满意 → 场景 D（优化提示词/换模型）→ 回到 A 验证
                   → 读取 ${SKILL_DIR}/references/optimize.md

关键原则

  1. 先试后建：建议用户先用 quick-preview 试效果，满意后再创建正式任务
  2. 渐进披露：不要一次给用户灌输所有概念，按需引导到对应参考文件
  3. 按需加载：只有需要执行场景 B/C/D 时才去读取对应参考文件

Installationen

Installationen 13
Globales Ranking #601 von 601

Sicherheitsprüfung

ath Safe
socket Safe
Warnungen: 0 Bewertung: 90
snyk Low
EU EU-Hosted Inference API

Power your AI Agents with the best open-source models.

Drop-in OpenAI-compatible API. No data leaves Europe.

Explore Inference API

GLM

GLM 5

$1.00 / $3.20

per M tokens

Kimi

Kimi K2.5

$0.60 / $2.80

per M tokens

MiniMax

MiniMax M2.5

$0.30 / $1.20

per M tokens

Qwen

Qwen3.5 122B

$0.40 / $3.00

per M tokens

So verwenden Sie diesen Skill

1

Install byted-data-label by running npx skills add bytedance/agentkit-samples --skill byted-data-label in your project directory. Führen Sie den obigen Installationsbefehl in Ihrem Projektverzeichnis aus. Die Skill-Datei wird von GitHub heruntergeladen und in Ihrem Projekt platziert.

2

Keine Konfiguration erforderlich. Ihr KI-Agent (Claude Code, Cursor, Windsurf usw.) erkennt installierte Skills automatisch und nutzt sie als Kontext bei der Code-Generierung.

3

Der Skill verbessert das Verständnis Ihres Agenten für byted-data-label, und hilft ihm, etablierte Muster zu befolgen, häufige Fehler zu vermeiden und produktionsreifen Code zu erzeugen.

Was Sie erhalten

Skills sind Klartext-Anweisungsdateien — kein ausführbarer Code. Sie kodieren Expertenwissen über Frameworks, Sprachen oder Tools, das Ihr KI-Agent liest, um seine Ausgabe zu verbessern. Das bedeutet null Laufzeit-Overhead, keine Abhängigkeitskonflikte und volle Transparenz: Sie können jede Anweisung vor der Installation lesen und prüfen.

Kompatibilität

Dieser Skill funktioniert mit jedem KI-Coding-Agenten, der das skills.sh-Format unterstützt, einschließlich Claude Code (Anthropic), Cursor, Windsurf, Cline, Aider und anderen Tools, die projektbezogene Kontextdateien lesen. Skills sind auf Transportebene framework-agnostisch — der Inhalt bestimmt, für welche Sprache oder welches Framework er gilt.

Data sourced from the skills.sh registry and GitHub. Install counts and security audits are updated regularly.

EU Made in Europe

Chat with 100+ AI Models in one App.

Use Claude, ChatGPT, Gemini alongside with EU-Hosted Models like Deepseek, GLM-5, Kimi K2.5 and many more.

Start for free View pricing
Kundensupport