# huggingface-tokenizers

Скилл помогает настроить быструю токенизацию текста на базе библиотеки Tokenizers от Hugging Face. Пригодится при подготовке датасетов и обучении собственных словарей.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 959 установок · ★ 13956
- Автор: Orchestra Research
- Лицензия: MIT · policy=mirror · начало файла — в конце страницы
- Исходник: https://github.com/Orchestra-Research/AI-Research-SKILLs/tree/HEAD/02-tokenization/huggingface-tokenizers/SKILL.md
- Обновлён: 2026-10-11
- HTML: https://affpapa.org/nevibecode/skills/huggingface-tokenizers

## Что делает

Скилл содержит инструкции и шаблоны кода для работы с библиотекой `tokenizers`. Ядро на Rust обрабатывает 1 ГБ текста менее чем за 20 секунд на CPU — это в 10–100 раз быстрее чистого Python. Поддерживаются BPE, WordPiece, а также алгоритм Unigram.

Внутри разобраны нормализация текста, пре-токенизация, обучение моделей и пакетная обработка с выравниванием (`padding`). Для запуска кода понадобятся установленные Python-пакеты `tokenizers`, `transformers` и `datasets`.

Если нужно только загрузить готовую модель в память, стандартного `AutoTokenizer` может хватить. Этот инструмент рассчитан на высокую скорость обработки больших корпусов и сборку кастомных словарей с нуля.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill huggingface-tokenizers -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/huggingface-tokenizers/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/huggingface-tokenizers/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill huggingface-tokenizers -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/huggingface-tokenizers/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill huggingface-tokenizers -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/huggingface-tokenizers/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install Orchestra-Research/AI-Research-SKILLs huggingface-tokenizers
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/huggingface-tokenizers/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill huggingface-tokenizers -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/Orchestra-Research/AI-Research-SKILLs --path 02-tokenization/huggingface-tokenizers
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/huggingface-tokenizers/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill huggingface-tokenizers -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/Orchestra-Research/AI-Research-SKILLs/tree/HEAD/02-tokenization/huggingface-tokenizers/SKILL.md

## Когда брать
- обучить собственный BPE или WordPiece токенизатор на текстовых файлах
- ускорить токенизацию гигабайтных текстовых корпусов перед обучением моделей
- настроить конвейер нормализации и предварительного разбиения строк
- отслеживать соответствие токенов позициям в исходном тексте

## Примеры запросов агенту
- Покажи, как обучить BPE-токенизатор на моих файлах с размером словаря 30000
- Настрой пайплайн нормализации текста с Lowercase и StripAccents через библиотеку tokenizers
- Напиши код для пакетного кодирования текстов с добавлением паддинга

## Похожие
- [huggingface-datasets](https://affpapa.org/nevibecode/skills/huggingface-datasets.md) — скилл · 2400 установок
- [huggingface-papers](https://affpapa.org/nevibecode/skills/huggingface-papers.md) — скилл · 2200 установок
- [tao-finetune-huggingface-model](https://affpapa.org/nevibecode/skills/tao-finetune-huggingface-model.md) — скилл · 1700 установок
- [transformers-huggingface](https://affpapa.org/nevibecode/skills/transformers-huggingface.md) — скилл · 758 установок
- [context-window-management](https://affpapa.org/nevibecode/skills/sickn33-context-window-management.md) — скилл · 1600 установок
- [nemo-automodel-model-onboarding](https://affpapa.org/nevibecode/skills/nemo-automodel-model-onboarding.md) — скилл · 1900 установок

Из того же набора: [orchestra-research/ai-research-skills](https://affpapa.org/nevibecode/by/orchestra-research/ai-research-skills.md) — 66 карточек

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md