[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M7307SWZENSZ71PE3VA59B1J":3,"skill-same:01M7307SWZENSZ71PE3VA59B1J":71},{"skillNo":4,"name":5,"nameZh":6,"description":7,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":16,"categories":17,"keywords":18,"publishedAt":19,"linkOnly":20,"markdownContent":21,"markdownBody":22,"frontMatter":23,"refName":39,"commitSha":40,"skillDirectory":41,"forksCount":42,"repositoryHtmlUrl":43,"repositoryHomepageUrl":6,"ownerHtmlUrl":44,"ownerBlogUrl":6,"ownerDescription":45,"updatedAt":46,"install":47,"resources":60},"01M7307SWZENSZ71PE3VA59B1J","sentencepiece",null,"Tokenizador agnóstico de linguagem que trata texto como Unicode bruto. Suporta algoritmos BPE e Unigram. Rápido (50k sentenças\u002Fseg), leve (6MB de memória), vocabulário determinístico. Usado por T5, ALBERT, XLNet, mBART. Treina em texto bruto sem pré-tokenização. Use quando você precisar de suporte multilíngue, linguagens CJK ou tokenização reproduzível.","artubss\u002FSKILLS-CLAUDE-CODE","artubss","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F205203215?v=4","01M72YSJPDWM2V6S5PB6XP6PM9","Arthur Bezerra ","01M72YSJPZKPKRBGXNG8K6QFA8",12,"MIT","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fai-research\u002Ftokenization-sentencepiece\u002FSKILL.md",[],[],"2026-11-11 15:11:14",false,"---\nname: sentencepiece\ndescription: Tokenizador agnóstico de linguagem que trata texto como Unicode bruto. Suporta algoritmos BPE e Unigram. Rápido (50k sentenças\u002Fseg), leve (6MB de memória), vocabulário determinístico. Usado por T5, ALBERT, XLNet, mBART. Treina em texto bruto sem pré-tokenização. Use quando você precisar de suporte multilíngue, linguagens CJK ou tokenização reproduzível.\nversion: 1.0.0\nauthor: Orchestra Research\nlicense: MIT\ntags: [Tokenization, SentencePiece, Language-Independent, BPE, Unigram, Multilingual, CJK Languages, Unicode, Deterministic, Google]\ndependencies: [sentencepiece, transformers]\n---\n\n# SentencePiece - Tokenização Agnóstica de Linguagem\n\nTokenizador não supervisionado que funciona em texto bruto sem pré-processamento específico de linguagem.\n\n## Quando usar SentencePiece\n\n**Use SentencePiece quando:**\n- Construir modelos multilíngues (sem regras específicas de linguagem)\n- Trabalhar com linguagens CJK (Chinês, Japonês, Coreano)\n- Precisar de tokenização reproduzível (vocabulário determinístico)\n- Quiser treinar em texto bruto (sem pré-tokenização necessária)\n- Exigir deployment leve (6MB de memória, 50k sentenças\u002Fseg)\n\n**Performance**:\n- **Velocidade**: 50.000 sentenças\u002Fseg\n- **Memória**: ~6MB para modelo carregado\n- **Linguagens**: Todas (agnóstico de linguagem)\n\n**Use alternativas em vez disso**:\n- **HuggingFace Tokenizers**: Treinamento mais rápido, mais flexibilidade\n- **tiktoken**: Modelos OpenAI (GPT-3.5\u002F4)\n- **BERT WordPiece**: Tarefas centradas em inglês\n\n## Início rápido\n\n### Instalação\n\n```bash\n# Python\npip install sentencepiece\n\n# C++ (requer CMake)\ngit clone https:\u002F\u002Fgithub.com\u002Fgoogle\u002Fsentencepiece.git\ncd sentencepiece\nmkdir build && cd build\ncmake .. && make -j $(nproc)\nsudo make install\n```\n\n### Treinar modelo\n\n```bash\n# Command-line (BPE com vocab de 8000)\nspm_train --input=data.txt --model_prefix=m --vocab_size=8000 --model_type=bpe\n\n# Python API\nimport sentencepiece as spm\n\nspm.SentencePieceTrainer.train(\n    input='data.txt',\n    model_prefix='m',\n    vocab_size=8000,\n    model_type='bpe'\n)\n```\n\n**Tempo de treinamento**: ~1-2 minutos para corpus de 100MB\n\n### Codificar e decodificar\n\n```python\nimport sentencepiece as spm\n\n# Carregar modelo\nsp = spm.SentencePieceProcessor(model_file='m.model')\n\n# Codificar para pieces\npieces = sp.encode('This is a test', out_type=str)\nprint(pieces)  # ['▁This', '▁is', '▁a', '▁test']\n\n# Codificar para IDs\nids = sp.encode('This is a test', out_type=int)\nprint(ids)  # [284, 47, 11, 1243]\n\n# Decodificar\ntext = sp.decode(ids)\nprint(text)  # \"This is a test\"\n```\n\n## Design agnóstico de linguagem\n\n### Espaço em branco como símbolo (▁)\n\n```python\ntext = \"Hello world\"\npieces = sp.encode(text, out_type=str)\nprint(pieces)  # ['▁Hello', '▁world']\n\n# Decodificar preserva espaços\ndecoded = sp.decode_pieces(pieces)\nprint(decoded)  # \"Hello world\"\n```\n\n**Princípio-chave**: Tratar texto como Unicode bruto, espaço em branco = ▁ (símbolo meta)\n\n## Algoritmos de tokenização\n\n### BPE (Byte-Pair Encoding)\n\n```python\nspm.SentencePieceTrainer.train(\n    input='data.txt',\n    model_prefix='bpe_model',\n    vocab_size=16000,\n    model_type='bpe'\n)\n```\n\n**Usado por**: mBART\n\n### Unigram (padrão)\n\n```python\nspm.SentencePieceTrainer.train(\n    input='data.txt',\n    model_prefix='unigram_model',\n    vocab_size=8000,\n    model_type='unigram'\n)\n```\n\n**Usado por**: T5, ALBERT, XLNet\n\n## Configuração de treinamento\n\n### Parâmetros essenciais\n\n```python\nspm.SentencePieceTrainer.train(\n    input='corpus.txt',\n    model_prefix='m',\n    vocab_size=32000,\n    model_type='unigram',\n    character_coverage=0.9995,  # 1.0 para CJK\n    user_defined_symbols=['[SEP]', '[CLS]'],\n    unk_piece='\u003Cunk>',\n    num_threads=16\n)\n```\n\n### Cobertura de caracteres\n\n| Tipo de Linguagem | Cobertura | Justificativa |\n|-------------------|-----------|---------------|\n| Inglês            | 0.9995    | Caracteres mais comuns |\n| CJK (Chinês)      | 1.0       | Todos os caracteres necessários |\n| Multilíngue       | 0.9995    | Equilíbrio |\n\n## Opções de codificação\n\n### Regularização de subword\n\n```python\n# Amostrar diferentes tokenizações\nfor _ in range(3):\n    pieces = sp.encode('tokenization', out_type=str, enable_sampling=True, alpha=0.1)\n    print(pieces)\n\n# Output (diferente a cada vez):\n# ['▁token', 'ization']\n# ['▁tok', 'en', 'ization']\n```\n\n**Caso de uso**: Aumento de dados para robustez.\n\n## Padrões comuns\n\n### Treinamento no estilo T5\n\n```python\nspm.SentencePieceTrainer.train(\n    input='c4_corpus.txt',\n    model_prefix='t5',\n    vocab_size=32000,\n    model_type='unigram',\n    user_defined_symbols=[f'\u003Cextra_id_{i}>' for i in range(100)],\n    unk_id=2,\n    eos_id=1,\n    pad_id=0\n)\n```\n\n### Integração com transformers\n\n```python\nfrom transformers import T5Tokenizer\n\n# T5 usa SentencePiece internamente\ntokenizer = T5Tokenizer.from_pretrained('t5-base')\ninputs = tokenizer('translate English to French: Hello', return_tensors='pt')\n```\n\n## Benchmarks de performance\n\n### Velocidade de treinamento\n\n| Corpus | BPE (16k)  | Unigram (8k) |\n|--------|------------|--------------|\n| 100 MB | 1-2 min    | 3-4 min      |\n| 1 GB   | 10-15 min  | 30-40 min    |\n\n### Velocidade de tokenização\n\n- **SentencePiece**: 50.000 sentenças\u002Fseg\n- **HF Tokenizers**: 200.000 sentenças\u002Fseg (4× mais rápido)\n\n## Modelos suportados\n\n**Família T5**: `t5-base`, `t5-large` (vocab de 32k, Unigram)\n**ALBERT**: `albert-base-v2` (vocab de 30k, Unigram)\n**XLNet**: `xlnet-base-cased` (vocab de 32k, Unigram)\n**mBART**: `facebook\u002Fmbart-large-50` (vocab de 250k, BPE)\n\n## Referências\n\n- **[Guia de Treinamento](references\u002Ftraining.md)** - Opções detalhadas, preparação de corpus\n- **[Algoritmos](references\u002Falgorithms.md)** - BPE vs Unigram, regularização de subword\n\n## Recursos\n\n- **GitHub**: https:\u002F\u002Fgithub.com\u002Fgoogle\u002Fsentencepiece ⭐ 10.000+\n- **Paper**: https:\u002F\u002Farxiv.org\u002Fabs\u002F1808.06226 (EMNLP 2018)\n- **Versão**: 0.2.0+","# SentencePiece - Tokenização Agnóstica de Linguagem\n\nTokenizador não supervisionado que funciona em texto bruto sem pré-processamento específico de linguagem.\n\n## Quando usar SentencePiece\n\n**Use SentencePiece quando:**\n- Construir modelos multilíngues (sem regras específicas de linguagem)\n- Trabalhar com linguagens CJK (Chinês, Japonês, Coreano)\n- Precisar de tokenização reproduzível (vocabulário determinístico)\n- Quiser treinar em texto bruto (sem pré-tokenização necessária)\n- Exigir deployment leve (6MB de memória, 50k sentenças\u002Fseg)\n\n**Performance**:\n- **Velocidade**: 50.000 sentenças\u002Fseg\n- **Memória**: ~6MB para modelo carregado\n- **Linguagens**: Todas (agnóstico de linguagem)\n\n**Use alternativas em vez disso**:\n- **HuggingFace Tokenizers**: Treinamento mais rápido, mais flexibilidade\n- **tiktoken**: Modelos OpenAI (GPT-3.5\u002F4)\n- **BERT WordPiece**: Tarefas centradas em inglês\n\n## Início rápido\n\n### Instalação\n\n```bash\n# Python\npip install sentencepiece\n\n# C++ (requer CMake)\ngit clone https:\u002F\u002Fgithub.com\u002Fgoogle\u002Fsentencepiece.git\ncd sentencepiece\nmkdir build && cd build\ncmake .. && make -j $(nproc)\nsudo make install\n```\n\n### Treinar modelo\n\n```bash\n# Command-line (BPE com vocab de 8000)\nspm_train --input=data.txt --model_prefix=m --vocab_size=8000 --model_type=bpe\n\n# Python API\nimport sentencepiece as spm\n\nspm.SentencePieceTrainer.train(\n    input='data.txt',\n    model_prefix='m',\n    vocab_size=8000,\n    model_type='bpe'\n)\n```\n\n**Tempo de treinamento**: ~1-2 minutos para corpus de 100MB\n\n### Codificar e decodificar\n\n```python\nimport sentencepiece as spm\n\n# Carregar modelo\nsp = spm.SentencePieceProcessor(model_file='m.model')\n\n# Codificar para pieces\npieces = sp.encode('This is a test', out_type=str)\nprint(pieces)  # ['▁This', '▁is', '▁a', '▁test']\n\n# Codificar para IDs\nids = sp.encode('This is a test', out_type=int)\nprint(ids)  # [284, 47, 11, 1243]\n\n# Decodificar\ntext = sp.decode(ids)\nprint(text)  # \"This is a test\"\n```\n\n## Design agnóstico de linguagem\n\n### Espaço em branco como símbolo (▁)\n\n```python\ntext = \"Hello world\"\npieces = sp.encode(text, out_type=str)\nprint(pieces)  # ['▁Hello', '▁world']\n\n# Decodificar preserva espaços\ndecoded = sp.decode_pieces(pieces)\nprint(decoded)  # \"Hello world\"\n```\n\n**Princípio-chave**: Tratar texto como Unicode bruto, espaço em branco = ▁ (símbolo meta)\n\n## Algoritmos de tokenização\n\n### BPE (Byte-Pair Encoding)\n\n```python\nspm.SentencePieceTrainer.train(\n    input='data.txt',\n    model_prefix='bpe_model',\n    vocab_size=16000,\n    model_type='bpe'\n)\n```\n\n**Usado por**: mBART\n\n### Unigram (padrão)\n\n```python\nspm.SentencePieceTrainer.train(\n    input='data.txt',\n    model_prefix='unigram_model',\n    vocab_size=8000,\n    model_type='unigram'\n)\n```\n\n**Usado por**: T5, ALBERT, XLNet\n\n## Configuração de treinamento\n\n### Parâmetros essenciais\n\n```python\nspm.SentencePieceTrainer.train(\n    input='corpus.txt',\n    model_prefix='m',\n    vocab_size=32000,\n    model_type='unigram',\n    character_coverage=0.9995,  # 1.0 para CJK\n    user_defined_symbols=['[SEP]', '[CLS]'],\n    unk_piece='\u003Cunk>',\n    num_threads=16\n)\n```\n\n### Cobertura de caracteres\n\n| Tipo de Linguagem | Cobertura | Justificativa |\n|-------------------|-----------|---------------|\n| Inglês            | 0.9995    | Caracteres mais comuns |\n| CJK (Chinês)      | 1.0       | Todos os caracteres necessários |\n| Multilíngue       | 0.9995    | Equilíbrio |\n\n## Opções de codificação\n\n### Regularização de subword\n\n```python\n# Amostrar diferentes tokenizações\nfor _ in range(3):\n    pieces = sp.encode('tokenization', out_type=str, enable_sampling=True, alpha=0.1)\n    print(pieces)\n\n# Output (diferente a cada vez):\n# ['▁token', 'ization']\n# ['▁tok', 'en', 'ization']\n```\n\n**Caso de uso**: Aumento de dados para robustez.\n\n## Padrões comuns\n\n### Treinamento no estilo T5\n\n```python\nspm.SentencePieceTrainer.train(\n    input='c4_corpus.txt',\n    model_prefix='t5',\n    vocab_size=32000,\n    model_type='unigram',\n    user_defined_symbols=[f'\u003Cextra_id_{i}>' for i in range(100)],\n    unk_id=2,\n    eos_id=1,\n    pad_id=0\n)\n```\n\n### Integração com transformers\n\n```python\nfrom transformers import T5Tokenizer\n\n# T5 usa SentencePiece internamente\ntokenizer = T5Tokenizer.from_pretrained('t5-base')\ninputs = tokenizer('translate English to French: Hello', return_tensors='pt')\n```\n\n## Benchmarks de performance\n\n### Velocidade de treinamento\n\n| Corpus | BPE (16k)  | Unigram (8k) |\n|--------|------------|--------------|\n| 100 MB | 1-2 min    | 3-4 min      |\n| 1 GB   | 10-15 min  | 30-40 min    |\n\n### Velocidade de tokenização\n\n- **SentencePiece**: 50.000 sentenças\u002Fseg\n- **HF Tokenizers**: 200.000 sentenças\u002Fseg (4× mais rápido)\n\n## Modelos suportados\n\n**Família T5**: `t5-base`, `t5-large` (vocab de 32k, Unigram)\n**ALBERT**: `albert-base-v2` (vocab de 30k, Unigram)\n**XLNet**: `xlnet-base-cased` (vocab de 32k, Unigram)\n**mBART**: `facebook\u002Fmbart-large-50` (vocab de 250k, BPE)\n\n## Referências\n\n- **[Guia de Treinamento](references\u002Ftraining.md)** - Opções detalhadas, preparação de corpus\n- **[Algoritmos](references\u002Falgorithms.md)** - BPE vs Unigram, regularização de subword\n\n## Recursos\n\n- **GitHub**: https:\u002F\u002Fgithub.com\u002Fgoogle\u002Fsentencepiece ⭐ 10.000+\n- **Paper**: https:\u002F\u002Farxiv.org\u002Fabs\u002F1808.06226 (EMNLP 2018)\n- **Versão**: 0.2.0+",{"name":5,"tags":24,"author":35,"license":15,"version":36,"description":7,"dependencies":37},[25,26,27,28,29,30,31,32,33,34],"Tokenization","SentencePiece","Language-Independent","BPE","Unigram","Multilingual","CJK Languages","Unicode","Deterministic","Google","Orchestra Research","1.0.0",[5,38],"transformers","master","ac67ed85889b15fa9e784e2a93a83f8916870698","skills\u002Fskills\u002Fai-research\u002Ftokenization-sentencepiece",3,"https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE","https:\u002F\u002Fgithub.com\u002Fartubss","Especialista em Automação N8N | Desenvolvedor Full Stack | Integrações & APIs | Soluções para Clínicas e Vendas High-Ticket","2026-05-16 23:21:14",{"source":8,"skillName":5,"commands":48,"prompt":58,"zipAvailable":59},[49,52,55],{"tool":50,"command":51},"npx","npx skills add artubss\u002FSKILLS-CLAUDE-CODE --skill sentencepiece",{"tool":53,"command":54},"bunx","bunx skills add artubss\u002FSKILLS-CLAUDE-CODE --skill sentencepiece",{"tool":56,"command":57},"pnpm","pnpm dlx skills add artubss\u002FSKILLS-CLAUDE-CODE --skill sentencepiece","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fai-research\u002Ftokenization-sentencepiece\u002FSKILL.md",true,[61,67],{"path":62,"resourceType":63,"resourceTypeDesc":64,"sizeBytes":65,"sourceHtmlUrl":66},"references\u002Falgorithms.md","REFERENCE","参考文档",4212,"https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fai-research\u002Ftokenization-sentencepiece\u002Freferences\u002Falgorithms.md",{"path":68,"resourceType":63,"resourceTypeDesc":64,"sizeBytes":69,"sourceHtmlUrl":70},"references\u002Ftraining.md",6240,"https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fai-research\u002Ftokenization-sentencepiece\u002Freferences\u002Ftraining.md",[72,81,88,95,102,109],{"skillNo":73,"name":74,"nameZh":6,"description":75,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":76,"licenseFileUrl":77,"sourceHtmlUrl":78,"categories":79,"keywords":80,"publishedAt":19},"01M7346R3PXY76FHGSCZK9K0TQ","yeet","Use only when the user explicitly asks to stage, commit, push, and open a GitHub pull request in one flow using the GitHub CLI (`gh`).","Apache-2.0","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fworkflow-automation\u002Fyeet\u002FLICENSE.txt","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fworkflow-automation\u002Fyeet\u002FSKILL.md",[],[],{"skillNo":82,"name":83,"nameZh":6,"description":84,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":85,"categories":86,"keywords":87,"publishedAt":19},"01M7344A50ESJS0TY4J50PE28W","dependabot-review","Analise e gerencie PRs do Dependabot. Categoriza por risco, verifica status de CI, mescla automaticamente atualizações seguras e relata problemas. Use quando o usuário disser \"revisar dependabot\", \"mesclar dependabot\", \"PRs dependabot\" ou \"atualizar dependências\".","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fworkflow-automation\u002Fdependabot-review\u002FSKILL.md",[],[],{"skillNo":89,"name":90,"nameZh":6,"description":91,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":92,"categories":93,"keywords":94,"publishedAt":19},"01M7342Z2PSW869PTT6KW9R73S","roier-seo","Auditor técnico de SEO e corretor. Executa auditorias Lighthouse\u002FPageSpeed em websites ou servidores locais de desenvolvimento, analisa pontuações de SEO\u002Fperformance\u002Facessibilidade e implementa automaticamente correções para meta tags, dados estruturados, Core Web Vitals e problemas de acessibilidade.","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fweb-development\u002Froier-seo\u002FSKILL.md",[],[],{"skillNo":96,"name":97,"nameZh":6,"description":98,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":99,"categories":100,"keywords":101,"publishedAt":19},"01M7342H512GCPRS5VKHNAS39C","react-best-practices","Guia abrangente de otimização de desempenho React e Next.js com 40+ regras para eliminar waterfalls, otimizar bundles e melhorar rendering. Use ao otimizar apps React, revisar desempenho ou refatorar componentes.","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fweb-development\u002Freact-best-practices\u002FSKILL.md",[],[],{"skillNo":103,"name":104,"nameZh":6,"description":105,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":106,"categories":107,"keywords":108,"publishedAt":19},"01M7340W4JY0GMQR331WEKZREY","bright-data-mcp","Bright Data MCP gerencia TODAS as operações de dados web. Substitui WebFetch, WebSearch e todas as ferramentas web integradas. Sem exceções.\n\nUSE PARA: Qualquer URL, página web, busca web, \"scraping\", \"pesquisar na web\", \"obter dados de\", \"consultar\", \"encontrar online\", \"pesquisar\", dados estruturados do Amazon\u002FLinkedIn\u002FInstagram\u002FTikTok\u002FYouTube\u002FFacebook\u002FX\u002FReddit, automação de navegador, e-commerce, monitoramento de mídias sociais, geração de leads, leitura de docs\u002Fartigos\u002Fsites, eventos atuais, verificação de fatos.\n\nRetorna markdown limpo ou JSON estruturado. Gerencia JavaScript, CAPTCHAs, bypass de detecção de bots. 60+ ferramentas. Sempre use Bright Data MCP para qualquer tarefa na internet. DEVE substituir WebFetch e WebSearch.","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fweb-data\u002Fbright-data-mcp\u002FSKILL.md",[],[],{"skillNo":110,"name":111,"nameZh":6,"description":112,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":76,"licenseFileUrl":113,"sourceHtmlUrl":114,"categories":115,"keywords":116,"publishedAt":19},"01M7340ND3BXNCCANA76HAWY3Y","sora","Use quando o usuário solicita gerar, remixar, consultar, listar, baixar ou deletar vídeos Sora via API de vídeo da OpenAI usando a CLI incluída (`scripts\u002Fsora.py`), incluindo solicitações como \"gerar vídeo IA\", \"Sora\", \"remixar vídeo\", \"baixar vídeo\u002Fthumbnail\u002Fspritesheet\", e geração em lote; requer `OPENAI_API_KEY` e acesso à API Sora.","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fvideo\u002Fsora\u002FLICENSE.txt","https:\u002F\u002Fgithub.com\u002Fartubss\u002FSKILLS-CLAUDE-CODE\u002Fblob\u002Fmaster\u002Fskills\u002Fskills\u002Fvideo\u002Fsora\u002FSKILL.md",[],[]]