data-formats — скилл для Claude Code: форматы данных
Скилл data-formats для Claude Code исследует неизвестные файлы и выбирает способ их разбора. Определяет подход к чтению, даже если тип и структура данных заранее неясны.
MIT ★ 1 125 обновлён 2026-10-27
npx skills add vstorm-co/pydantic-deepagents --skill data-formats -a claude-codeЧто делает data-formats
Сначала скилл предлагает проверить сигнатуру файла и посмотреть его содержимое, а уже потом выбирать парсер. Для этого в инструкциях есть команды file, xxd, head и пример чтения первых байтов через Python.
Дальше описаны подходы к бинарным и структурированным текстовым файлам, базам SQLite, моделям и контрольным точкам PyTorch, TensorFlow, NumPy и ONNX. Для больших файлов советует сначала изучить образцы и проверить формат строк, типы, пропуски и кодировку. Бинарный файл, прочитанный как текст, может повредить данные — способ чтения здесь принципиален.
Для неизвестного бинарного формата скилл предлагает искать сигнатуру, версии и смещения, а затем проверять минимальный парсер на известных значениях. В примерах используются Python и системные команды; отдельные библиотеки нужны для разбора конкретных форматов, например torch, numpy и onnx.
Какие задачи решает
- определить формат файла по сигнатуре и содержимому
- разобрать CSV с необычным разделителем или кавычками
- изучить структуру неизвестного бинарного файла
- проверить набор файлов на пропуски и различия в формате
Примеры запросов агенту
- Определи формат файла
data.binи предложи способ его разобрать. - Проверь
records.csv: найди разделитель, заголовок и проблемы с кодировкой. - Исследуй файлы модели и подскажи, как их загрузить.
Как установить data-formats
1Через Skills CLI (Vercel)
npx skills add vstorm-co/pydantic-deepagents --skill data-formats -a claude-code2Вручную: положить файлы
~/.claude/skills/data-formats/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/data-formats/
1Через Skills CLI (Vercel)
npx skills add vstorm-co/pydantic-deepagents --skill data-formats -a codex2Вручную: положить файлы
.agents/skills/data-formats/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add vstorm-co/pydantic-deepagents --skill data-formats -a cursor2Вручную: положить файлы
.cursor/skills/data-formats/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install vstorm-co/pydantic-deepagents apps/cli/skills/data-formats2Вручную: положить файлы
.github/skills/data-formats/SKILL.md1Через Skills CLI (Vercel)
npx skills add vstorm-co/pydantic-deepagents --skill data-formats -a gemini-cli2Командой платформы
gemini skills install https://github.com/vstorm-co/pydantic-deepagents --path apps/cli/skills/data-formatsВручную: положить файлы
.devin/skills/data-formats/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Claude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Вопросы о data-formats
Как установить data-formats в Claude Code?
Выполните npx skills add vstorm-co/pydantic-deepagents --skill data-formats -a claude-code. Файл скилла находится по пути ~/.claude/skills/data-formats/SKILL.md.
Что делает скилл data-formats?
Он подсказывает, как исследовать файлы разных форматов и выбрать способ их разбора. В инструкциях есть отдельные подходы к бинарным, текстовым, модельным и SQLite-файлам.
Как скилл предлагает разбирать неизвестный бинарный файл?
Сначала изучить первые байты и поискать сигнатуру, версию и таблицы строк. Затем проверить размер и протестировать простой парсер на известных значениях.
Исходный текст
SKILL.md · MIT
---
name: data-formats
description: "Working with diverse data formats: binary, text, structured, and custom"
tags: [data, parsing, formats, benchmark]
version: "1.0.0"
---
# Data Formats
How to work with diverse and unknown data formats.
## Format Detection
Always inspect before parsing:
```bash
file <filename> # MIME type detection
xxd <filename> | head -5 # hex dump (first bytes)
head -3 <filename> # text preview
python3 -c "
with open('<filename>', 'rb') as f:
h = f.read(16)
print(h, h.hex())
"
```
## Common Formats
### Binary
- **Magic bytes**: Most binary formats start with a signature (ELF: `\x7fELF`, PNG: `\x89PNG`)
- **Endianness**: Check if little-endian or big-endian (`struct.unpack('<I', ...)` vs `'>I'`)
- **Alignment**: Fields are often aligned to 4 or 8 bytes
- **Offsets**: Binary headers often contain offsets to other sections
### Structured text
- **CSV/TSV**: Check delimiter (comma, tab, pipe), quoting, header row
- **JSON**: `python3 -c "import json; json.load(open('f'))"`
- **YAML**: Check indentation, anchors/aliases
- **TOML**: `python3 -c "import tomllib; ..."`
- **XML**: Check encoding declaration, namespaces
### Checkpoints / Model files
- **PyTorch**: `.pt`, `.pth` → `torch.load(f, map_location='cpu')`
- **TensorFlow**: `.ckpt` → index + data files, use `tf.train.load_checkpoint()`
- **NumPy**: `.npy`, `.npz` → `numpy.load()`
- **HuggingFace**: `config.json` + `model.safetensors`
- **ONNX**: `onnx.load()`
### Database files
- **SQLite**: `file` says "SQLite 3.x database" → `sqlite3 <file> ".tables"`
- **WAL files**: SQLite write-ahead log — recover with `sqlite3` PRAGMA
- **CSV dumps**: Often need schema inference
## Parsing Strategies
### Unknown binary format
1. Hex dump first 256 bytes: `xxd file | head -16`
2. Look for magic bytes, version numbers, string tables
3. Check file size — does it suggest a pattern? (e.g., N * record_size)
4. Look for documentation of the format online
5. Write a minimal parser, test on known values
### Large structured files
1. Never load entirely — sample first: `head`, `tail`, `shuf -n 10`
2. Check consistency: are all lines the same format?
3. Count fields: `head -1 file | awk -F',' '{print NF}'`
4. Watch for: mixed types, missing values, encoding issues
### Multi-file datasets
1. List all files and sizes
2. Look for manifest/index files (often JSON or CSV)
3. Check naming patterns — timestamps, sequence numbers, shards
4. Process one file first, then generalize
## Common Pitfalls
- Assuming UTF-8 when the file is Latin-1 or binary
- Assuming CSV when it's TSV (or vice versa)
- Ignoring the header row
- Not handling quoted fields with embedded delimiters
- Reading binary files as text (corrupts data)
- Endianness mismatch (x86 is little-endian, network byte order is big-endian)
© vstorm-co · MIT · vstorm-co/pydantic-deepagents