better-dsh 0.2.5-c → 0.2.5-e

package/docs/80_upstream-docs-and-skills/hermes-dev-skill/src/i18n/zh-Hans/user-guide/skills/optional/mlops/mlops-training-unsloth.md

@@ -1,98 +0,0 @@
----
-title: "Unsloth — Unsloth：2-5倍更快的 LoRA/QLoRA 微调，更少显存"
-sidebar_label: "Unsloth"
-description: "Unsloth：2-5倍更快的 LoRA/QLoRA 微调，更少显存"
----
-
-{/* This page is auto-generated from the skill's SKILL.md by website/scripts/generate-skill-docs.py. Edit the source SKILL.md, not this page. */}
-
-# Unsloth
-
-Unsloth：2-5倍更快的 LoRA/QLoRA 微调，更少显存。
-
-## Skill 元数据
-
-| | |
-|---|---|
-| 来源 | 可选 — 通过 `hermes skills install official/mlops/unsloth` 安装 |
-| 路径 | `optional-skills/mlops/training/unsloth` |
-| 版本 | `1.0.0` |
-| 作者 | Orchestra Research |
-| 许可证 | MIT |
-| 依赖项 | `unsloth`, `torch`, `transformers`, `trl`, `datasets`, `peft` |
-| 平台 | linux, macos |
-| 标签 | `Fine-Tuning`, `Unsloth`, `Fast Training`, `LoRA`, `QLoRA`, `Memory-Efficient`, `Optimization`, `Llama`, `Mistral`, `Gemma`, `Qwen` |
-
-## 参考：完整 SKILL.md
-
-:::info
-以下是 Hermes 在触发此 skill 时加载的完整 skill 定义。这是 skill 激活时 agent 所看到的指令内容。
-:::
-
-# Unsloth Skill
-
-基于官方文档生成的 unsloth 开发综合辅助。
-
-## 何时使用此 Skill
-
-以下情况应触发此 skill：
-- 使用 unsloth 进行开发
-- 询问 unsloth 功能或 API
-- 实现 unsloth 解决方案
-- 调试 unsloth 代码
-- 学习 unsloth 最佳实践
-
-## 快速参考
-
-### 常用模式
-
-*随着你使用此 skill，快速参考模式将逐步添加。*
-
-## 参考文件
-
-此 skill 在 `references/` 中包含完整文档：
-
-- **llms-txt.md** - Llms-Txt 文档
-
-需要详细信息时，使用 `view` 读取特定参考文件。
-
-## 使用此 Skill
-
-### 面向初学者
-从 getting_started 或 tutorials 参考文件入手，了解基础概念。
-
-### 针对特定功能
-使用相应分类的参考文件（api、guides 等）获取详细信息。
-
-### 获取代码示例
-上方快速参考部分包含从官方文档中提取的常用模式。
-
-## 资源
-
-### references/
-从官方来源提取的有组织文档，包含：
-- 详细说明
-- 带语言标注的代码示例
-- 原始文档链接
-- 便于快速导航的目录
-
-### scripts/
-在此添加用于常见自动化任务的辅助脚本。
-
-### assets/
-在此添加模板、样板代码或示例项目。
-
-## 说明
-
-- 此 skill 由官方文档自动生成
-- 参考文件保留了源文档的结构和示例
-- 代码示例包含语言检测以提供更好的语法高亮
-- 快速参考模式从文档中的常见用法示例中提取
-
-## 更新
-
-如需使用最新文档刷新此 skill：
-1. 使用相同配置重新运行爬取程序
-2. Skill 将以最新信息重新构建
-
-<!-- Trigger re-upload 1763621536 -->

package/docs/80_upstream-docs-and-skills/hermes-dev-skill/src/i18n/zh-Hans/user-guide/skills/optional/mlops/mlops-whisper.md

@@ -1,336 +0,0 @@
----
-title: "Whisper — OpenAI 的通用语音识别模型"
-sidebar_label: "Whisper"
-description: "OpenAI 的通用语音识别模型"
----
-
-{/* This page is auto-generated from the skill's SKILL.md by website/scripts/generate-skill-docs.py. Edit the source SKILL.md, not this page. */}
-
-# Whisper
-
-OpenAI 的通用语音识别模型。支持 99 种语言、转录、翻译为英语及语言识别。提供六种模型规格，从 tiny（3900 万参数）到 large（15.5 亿参数）。适用于语音转文字、播客转录或多语言音频处理。是鲁棒多语言 ASR（自动语音识别）的首选。
-
-## Skill 元数据
-
-| | |
-|---|---|
-| 来源 | 可选 — 通过 `hermes skills install official/mlops/whisper` 安装 |
-| 路径 | `optional-skills/mlops/whisper` |
-| 版本 | `1.0.0` |
-| 作者 | Orchestra Research |
-| 许可证 | MIT |
-| 依赖项 | `openai-whisper`, `transformers`, `torch` |
-| 平台 | linux, macos |
-| 标签 | `Whisper`, `Speech Recognition`, `ASR`, `Multimodal`, `Multilingual`, `OpenAI`, `Speech-To-Text`, `Transcription`, `Translation`, `Audio Processing` |
-
-## 参考：完整 SKILL.md
-
-:::info
-以下是 Hermes 在触发此 skill 时加载的完整 skill 定义。这是 agent 在 skill 激活时所看到的指令内容。
-:::
-
-# Whisper - 鲁棒语音识别
-
-OpenAI 的多语言语音识别模型。
-
-## 何时使用 Whisper
-
-**适用场景：**
-- 语音转文字转录（99 种语言）
-- 播客/视频转录
-- 会议记录自动化
-- 翻译为英语
-- 嘈杂音频转录
-- 多语言音频处理
-
-**指标**：
-- **GitHub 72,900+ 星**
-- 支持 99 种语言
-- 基于 68 万小时音频训练
-- MIT 许可证
-
-**改用其他替代方案的情况**：
-- **AssemblyAI**：托管 API，支持说话人分离
-- **Deepgram**：实时流式 ASR
-- **Google Speech-to-Text**：基于云端
-
-## 快速开始
-
-### 安装
-
-```bash
-# Requires Python 3.8-3.11
-pip install -U openai-whisper
-
-# Requires ffmpeg
-# macOS: brew install ffmpeg
-# Ubuntu: sudo apt install ffmpeg
-# Windows: choco install ffmpeg
-```
-
-### 基本转录
-
-```python
-import whisper
-
-# Load model
-model = whisper.load_model("base")
-
-# Transcribe
-result = model.transcribe("audio.mp3")
-
-# Print text
-print(result["text"])
-
-# Access segments
-for segment in result["segments"]:
-    print(f"[{segment['start']:.2f}s - {segment['end']:.2f}s] {segment['text']}")
-```
-
-## 模型规格
-
-```python
-# Available models
-models = ["tiny", "base", "small", "medium", "large", "turbo"]
-
-# Load specific model
-model = whisper.load_model("turbo")  # Fastest, good quality
-```
-
-| 模型 | 参数量 | 仅英语 | 多语言 | 速度 | 显存 |
-|-------|------------|--------------|--------------|-------|------|
-| tiny | 39M | ✓ | ✓ | ~32x | ~1 GB |
-| base | 74M | ✓ | ✓ | ~16x | ~1 GB |
-| small | 244M | ✓ | ✓ | ~6x | ~2 GB |
-| medium | 769M | ✓ | ✓ | ~2x | ~5 GB |
-| large | 1550M | ✗ | ✓ | 1x | ~10 GB |
-| turbo | 809M | ✗ | ✓ | ~8x | ~6 GB |
-
-**推荐**：追求最佳速度/质量比使用 `turbo`，原型开发使用 `base`
-
-## 转录选项
-
-### 语言指定
-
-```python
-# Auto-detect language
-result = model.transcribe("audio.mp3")
-
-# Specify language (faster)
-result = model.transcribe("audio.mp3", language="en")
-
-# Supported: en, es, fr, de, it, pt, ru, ja, ko, zh, and 89 more
-```
-
-### 任务选择
-
-```python
-# Transcription (default)
-result = model.transcribe("audio.mp3", task="transcribe")
-
-# Translation to English
-result = model.transcribe("spanish.mp3", task="translate")
-# Input: Spanish audio → Output: English text
-```
-
-### 初始 prompt（提示词）
-
-```python
-# Improve accuracy with context
-result = model.transcribe(
-    "audio.mp3",
-    initial_prompt="This is a technical podcast about machine learning and AI."
-)
-
-# Helps with:
-# - Technical terms
-# - Proper nouns
-# - Domain-specific vocabulary
-```
-
-### 时间戳
-
-```python
-# Word-level timestamps
-result = model.transcribe("audio.mp3", word_timestamps=True)
-
-for segment in result["segments"]:
-    for word in segment["words"]:
-        print(f"{word['word']} ({word['start']:.2f}s - {word['end']:.2f}s)")
-```
-
-### 温度回退
-
-```python
-# Retry with different temperatures if confidence low
-result = model.transcribe(
-    "audio.mp3",
-    temperature=(0.0, 0.2, 0.4, 0.6, 0.8, 1.0)
-)
-```
-
-## 命令行用法
-
-```bash
-# Basic transcription
-whisper audio.mp3
-
-# Specify model
-whisper audio.mp3 --model turbo
-
-# Output formats
-whisper audio.mp3 --output_format txt     # Plain text
-whisper audio.mp3 --output_format srt     # Subtitles
-whisper audio.mp3 --output_format vtt     # WebVTT
-whisper audio.mp3 --output_format json    # JSON with timestamps
-
-# Language
-whisper audio.mp3 --language Spanish
-
-# Translation
-whisper spanish.mp3 --task translate
-```
-
-## 批量处理
-
-```python
-import os
-
-audio_files = ["file1.mp3", "file2.mp3", "file3.mp3"]
-
-for audio_file in audio_files:
-    print(f"Transcribing {audio_file}...")
-    result = model.transcribe(audio_file)
-
-    # Save to file
-    output_file = audio_file.replace(".mp3", ".txt")
-    with open(output_file, "w") as f:
-        f.write(result["text"])
-```
-
-## 实时转录
-
-```python
-# For streaming audio, use faster-whisper
-# pip install faster-whisper
-
-from faster_whisper import WhisperModel
-
-model = WhisperModel("base", device="cuda", compute_type="float16")
-
-# Transcribe with streaming
-segments, info = model.transcribe("audio.mp3", beam_size=5)
-
-for segment in segments:
-    print(f"[{segment.start:.2f}s -> {segment.end:.2f}s] {segment.text}")
-```
-
-## GPU 加速
-
-```python
-import whisper
-
-# Automatically uses GPU if available
-model = whisper.load_model("turbo")
-
-# Force CPU
-model = whisper.load_model("turbo", device="cpu")
-
-# Force GPU
-model = whisper.load_model("turbo", device="cuda")
-
-# 10-20× faster on GPU
-```
-
-## 与其他工具集成
-
-### 字幕生成
-
-```bash
-# Generate SRT subtitles
-whisper video.mp4 --output_format srt --language English
-
-# Output: video.srt
-```
-
-### 与 LangChain 集成
-
-```python
-from langchain.document_loaders import WhisperTranscriptionLoader
-
-loader = WhisperTranscriptionLoader(file_path="audio.mp3")
-docs = loader.load()
-
-# Use transcription in RAG
-from langchain_chroma import Chroma
-from langchain_openai import OpenAIEmbeddings
-
-vectorstore = Chroma.from_documents(docs, OpenAIEmbeddings())
-```
-
-### 从视频中提取音频
-
-```bash
-# Use ffmpeg to extract audio
-ffmpeg -i video.mp4 -vn -acodec pcm_s16le audio.wav
-
-# Then transcribe
-whisper audio.wav
-```
-
-## 最佳实践
-
-1. **使用 turbo 模型** — 英语场景下速度/质量最优
-2. **指定语言** — 比自动检测更快
-3. **添加初始 prompt** — 提升专业术语识别准确率
-4. **使用 GPU** — 速度提升 10–20 倍
-5. **批量处理** — 效率更高
-6. **转换为 WAV** — 兼容性更好
-7. **切分长音频** — 每段不超过 30 分钟
-8. **确认语言支持情况** — 不同语言质量有差异
-9. **使用 faster-whisper** — 比 openai-whisper 快 4 倍
-10. **监控显存** — 根据硬件配置选择模型规格
-
-## 性能
-
-| 模型 | 实时倍率（CPU） | 实时倍率（GPU） |
-|-------|------------------------|------------------------|
-| tiny | ~0.32 | ~0.01 |
-| base | ~0.16 | ~0.01 |
-| turbo | ~0.08 | ~0.01 |
-| large | ~1.0 | ~0.05 |
-
-*实时倍率：0.1 表示比实时速度快 10 倍*
-
-## 语言支持
-
-主要支持语言：
-- 英语（en）
-- 西班牙语（es）
-- 法语（fr）
-- 德语（de）
-- 意大利语（it）
-- 葡萄牙语（pt）
-- 俄语（ru）
-- 日语（ja）
-- 韩语（ko）
-- 中文（zh）
-
-完整列表：共 99 种语言
-
-## 局限性
-
-1. **幻觉问题** — 可能重复或生成不存在的文本
-2. **长音频准确率** — 超过 30 分钟后质量下降
-3. **说话人识别** — 不支持说话人分离
-4. **口音** — 质量因口音而异
-5. **背景噪音** — 可能影响准确率
-6. **实时延迟** — 不适合实时字幕场景
-
-## 资源
-
-- **GitHub**：https://github.com/openai/whisper ⭐ 72,900+
-- **论文**：https://arxiv.org/abs/2212.04356
-- **模型卡片**：https://github.com/openai/whisper/blob/main/model-card.md
-- **Colab**：可在仓库中获取
-- **许可证**：MIT

package/docs/80_upstream-docs-and-skills/hermes-dev-skill/src/i18n/zh-Hans/user-guide/skills/optional/productivity/productivity-canvas.md

@@ -1,114 +0,0 @@
----
-title: "Canvas — Canvas LMS 集成 — 使用 API token 认证获取已注册课程和作业"
-sidebar_label: "Canvas"
-description: "Canvas LMS 集成 — 使用 API token 认证获取已注册课程和作业"
----
-
-{/* This page is auto-generated from the skill's SKILL.md by website/scripts/generate-skill-docs.py. Edit the source SKILL.md, not this page. */}
-
-# Canvas
-
-Canvas LMS 集成 — 使用 API token（令牌）认证获取已注册课程和作业。
-
-## Skill 元数据
-
-| | |
-|---|---|
-| 来源 | 可选 — 通过 `hermes skills install official/productivity/canvas` 安装 |
-| 路径 | `optional-skills/productivity/canvas` |
-| 版本 | `1.0.0` |
-| 作者 | community |
-| 许可证 | MIT |
-| 平台 | linux, macos, windows |
-| 标签 | `Canvas`, `LMS`, `Education`, `Courses`, `Assignments` |
-
-## 参考：完整 SKILL.md
-
-:::info
-以下是 Hermes 在触发此 skill 时加载的完整 skill 定义。这是 skill 激活时 agent 所看到的指令内容。
-:::
-
-# Canvas LMS — 课程与作业访问
-
-对 Canvas LMS 的只读访问，用于列出课程和作业。
-
-## 脚本
-
-- `scripts/canvas_api.py` — 用于 Canvas API 调用的 Python CLI
-
-## 配置
-
-1. 在浏览器中登录你的 Canvas 实例
-2. 进入 **Account → Settings**（点击个人头像，然后点击 Settings）
-3. 滚动到 **Approved Integrations**，点击 **+ New Access Token**
-4. 为 token 命名（例如 "Hermes Agent"），设置可选的过期时间，然后点击 **Generate Token**
-5. 复制 token 并添加到 `~/.hermes/.env`：
-
-```
-CANVAS_API_TOKEN=your_token_here
-CANVAS_BASE_URL=https://yourschool.instructure.com
-```
-
-base URL 即你登录 Canvas 后浏览器地址栏中显示的地址（末尾不加斜杠）。
-
-## 使用方法
-
-```bash
-CANVAS="python $HERMES_HOME/skills/productivity/canvas/scripts/canvas_api.py"
-
-# 列出所有已激活的课程
-$CANVAS list_courses --enrollment-state active
-
-# 列出所有课程（任意状态）
-$CANVAS list_courses
-
-# 列出指定课程的作业
-$CANVAS list_assignments 12345
-
-# 按截止日期排序列出作业
-$CANVAS list_assignments 12345 --order-by due_at
-```
-
-## 输出格式
-
-**list_courses** 返回：
-```json
-[{"id": 12345, "name": "Intro to CS", "course_code": "CS101", "workflow_state": "available", "start_at": "...", "end_at": "..."}]
-```
-
-**list_assignments** 返回：
-```json
-[{"id": 67890, "name": "Homework 1", "due_at": "2025-02-15T23:59:00Z", "points_possible": 100, "submission_types": ["online_upload"], "html_url": "...", "description": "...", "course_id": 12345}]
-```
-
-注意：作业描述截断为 500 个字符。`html_url` 字段链接到 Canvas 中完整的作业页面。
-
-## API 参考（curl）
-
-```bash
-# 列出课程
-curl -s -H "Authorization: Bearer $CANVAS_API_TOKEN" \
-  "$CANVAS_BASE_URL/api/v1/courses?enrollment_state=active&per_page=10"
-
-# 列出某课程的作业
-curl -s -H "Authorization: Bearer $CANVAS_API_TOKEN" \
-  "$CANVAS_BASE_URL/api/v1/courses/COURSE_ID/assignments?per_page=10&order_by=due_at"
-```
-
-Canvas 使用 `Link` 响应头进行分页。Python 脚本会自动处理分页。
-
-## 规则
-
-- 此 skill 为**只读** — 仅获取数据，不修改课程或作业
-- 首次使用时，运行 `$CANVAS list_courses` 验证认证 — 若返回 401 错误，请引导用户完成配置
-- Canvas 限速约为每 10 分钟 700 次请求；若触及限制，请检查 `X-Rate-Limit-Remaining` 响应头
-
-## 故障排查
-
-| 问题 | 解决方法 |
-|---------|-----|
-| 401 Unauthorized | Token 无效或已过期 — 在 Canvas Settings 中重新生成 |
-| 403 Forbidden | Token 无权访问此课程 |
-| 课程列表为空 | 尝试 `--enrollment-state active` 或省略该参数以查看所有状态 |
-| 机构错误 | 确认 `CANVAS_BASE_URL` 与浏览器中的地址一致 |
-| 超时错误 | 检查与 Canvas 实例的网络连接 |