Token导航 LogoToken导航TokenDH.com
研究检索权限需确认github未标认证来源可访问许可证需确认审计通过

large-document-processing大文档处理

Agent Skill

large-document-processing 用于查找、检索和筛选相关信息,适合在 Codex、Claude、Cursor、Gemini CLI 中需要根据关键词、任务场景或来源线索快速定位候选结果时使用。可结合来源仓库、安装命令和原始 README 继续核验具体用法。安装前建议确认权限范围、维护状态,以及是否会触发联网、命令执行或文件读写。

总安装

606

周安装

25

GitHub Stars

公开资料未说明

下载量

198
CodexClaudeCursorGemini CLI

安装说明

本站只整理中文说明和来源信息,不托管安装包,也不代用户安装。

GitHub

来源数

2

许可证

unknown

最后核验

2026-05-01

来源状态

来源可访问

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:large-document-processing(大文档处理)
来源仓库:https://github.com/findinfinitelabs/chuuk
仓库路径:skills/large-document-processing
安装命令:
npx skills add https://github.com/findinfinitelabs/chuuk --skill large-document-processing
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/findinfinitelabs/chuuk --skill large-document-processing

简介

large-document-processing 用于查找、检索和筛选相关信息,适合在 Codex、Claude、Cursor、Gemini CLI 中需要根据关键词、任务场景或来源线索快速定位候选结果时使用。

  • 它可结合来源仓库、安装命令和原始 README 继续核验具体用法。
  • 安装前建议确认权限范围、维护状态,以及是否会触发联网、命令执行或文件读写。
  • 安装命令为 npx skills add https://github.com/findinfinitelabs/chuuk --skill large-document-processing。
  • 适用宿主包括 Codex、Claude、Cursor、Gemini CLI,分类属于研究检索。

SKILL.md

Large Document Processing & Intelligent Text Chunking

Overview

Two tightly related concerns combined here:

  1. Large document parsing — DOCX/PDF/EPUB ingestion with structure preservation
  2. Intelligent text chunking — splitting parsed text into semantically coherent pieces for AI training or RAG

Source Files

FilePurpose
src/utils/nwt_epub_parser.pyEPUB parser for NWT Bible (English + Chuukese)
scripts/extract_jwpub.pyExtract JW publication .jwpub archives
scripts/setup_large_document_processing.pyOne-time document pipeline setup
output/processed_document/Output directory for processed content

Document Processing

Supported Formats

  • DOCX via python-docx
  • PDF via PyMuPDF (import as fitz) — note: fitz==0.0.1.dev2 is NOT in requirements; use PyMuPDF only
  • EPUB via ebooklib + NWTEpubParser
  • Plain text / CSV — direct read

EPUB Pattern (NWT Bible)

from src.utils.nwt_epub_parser import NWTEpubParser

parser = NWTEpubParser('data/bible/nwt_E.epub')
verse_text = parser.get_verse('John', 3, 16)
chapter_verses = parser.get_chapter('Genesis', 1)

PDF/DOCX Pattern

import fitz  # PyMuPDF — installed as PyMuPDF, exposed as fitz

doc = fitz.open('large_document.pdf')
for page_num, page in enumerate(doc):
    text = page.get_text()
    # process text...

Intelligent Text Chunking

Strategy Selection

StrategyUse case
SemanticAI training data — respect topic/paragraph boundaries
StructuralDocuments with clear headings/sections
Fixed-sizeRAG systems needing predictable chunk sizes
Sliding windowQA tasks needing context overlap

Implementation Pattern

# Sentence-boundary-aware chunking
def chunk_text(text: str, max_chars: int = 1024, overlap: int = 100) -> list[str]:
    sentences = re.split(r'(?<=[.!?])\s+', text)
    chunks, current = [], ''
    for sent in sentences:
        if len(current) + len(sent) > max_chars and current:
            chunks.append(current.strip())
            current = current[-overlap:] + ' ' + sent  # overlap
        else:
            current += ' ' + sent
    if current.strip():
        chunks.append(current.strip())
    return chunks

Chuukese-aware chunking

# Chuukese uses the same sentence terminators as English
SENTENCE_ENDINGS = re.compile(r'(?<=[.!?])\s+')

def detect_language(text: str) -> str:
    has_accents = bool(re.search(r'[áéíóú]', text))
    return 'chuukese' if has_accents else 'english'

Memory Efficiency

  • Process large PDFs page-by-page, not loading the full DOM into memory
  • Stream EPUB chapters — do not load the entire book at once
  • Write chunk output incrementally to JSONL files rather than accumulating in RAM

Output Formats

  • JSONL: one JSON object per line — best for large training datasets
  • JSON array: for smaller batches consumed by the frontend
  • Plain text: cleaned extracted text for inspection

Dependencies

  • PyMuPDF==1.23.8 — PDF processing (do NOT add fitz==0.0.1.dev2)
  • python-docx>=1.2.0
  • ebooklib>=0.18
  • beautifulsoup4>=4.12.0

适合场景

01

用户想查找某类 Agent Skill 时

02

需要根据任务场景推荐可安装能力包时

03

需要对比不同来源的安装命令和来源信息时

能力概览

能力 1

按任务关键词查找相关 Skills

能力 2

展示可复制的安装命令

能力 3

保留来源站点、仓库和原始说明,方便继续核验

能力 4

展示第三方安全扫描或审计结果

安装后应在对应宿主中按原始 README 的触发条件使用;具体调用方式请以来源页面和 README 为准。

平台分布

Codex

35.4%
按下载量换算70

Claude

28.7%
按下载量换算57

Cursor

18.64%
按下载量换算37

Gemini CLI

9.32%
按下载量换算18

安全审计

Gen Agent Trust Hub

通过

Socket

通过

Snyk

通过

权限和风险

权限需确认

当前来源未能明确判断权限范围,默认进入异常复核队列。

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。当前只有一个来源,正式发布前建议补源仓库或其他目录站核验。

来源信息

继续浏览同类 Skills