name: data-labeling description: 使用人工标注工具、半自动化流水线、主动学习和编程式弱监督，建立并管理数据标注工作流。 license: MIT metadata: author: AI Agent Skills version: 1.0.0

数据标注

本技能让 AI Agent 为机器学习项目设计并执行数据标注工作流。涵盖使用 Label Studio 等工具的人工标注、使用模型辅助预标注的半自动标注、优先标注信息量最大样本的主动学习循环，以及使用标注函数的编程式弱监督。Agent 处理标签 schema 设计、标注员指南、通过标注者间一致性进行质量控制，以及导出为 ML 可用格式。

工作流

1. 定义标注 schema 与指南： 设计标签分类体系——分类的类别、NER 的实体类型、目标检测的边界框类别，或语义分割的分割标签。为每个标签编写清晰的标注员指南，包含正例与反例，覆盖边界情况与歧义场景。

2. 搭建标注环境： 配置标注工具（Label Studio、Labelbox 或 Prodigy），载入 schema，导入原始数据，并设置具有适当权限的用户账户。定义与任务类型匹配的标注界面模板——文本分类、跨度标注、图像边界框，或多轮对话标注。

3. 用模型预测预标注： 使用现有模型或启发式规则为数据集生成初步标签。标注员随后审查并修正这些预测，而非从零开始标注，这可将标注时间减少 40–60%。当已存在不错的基线模型时，此方式尤其有价值。

4. 带质量控制地执行标注： 将标注任务分配给标注员时内置冗余——让 2–3 名标注员标注相同条目，以衡量标注者间一致性（Cohen's kappa 或 Fleiss' kappa）。将一致性低的条目标记出来，交由资深标注员审查。对照嵌入任务队列中的黄金标准集跟踪标注员准确率。

5. 运行主动学习迭代： 在创建初始标注集后，训练一个模型，并使用不确定性采样或委员会查询（query-by-committee）选择信息量最大的未标注样本，进入下一轮标注。这能最大化每个标注样本带来的模型提升，在标注预算有限时尤为关键。

6. 导出与验证： 以训练流水线所需的格式（JSONL、COCO、CoNLL、CSV）导出标注数据。运行校验检查以确保标签一致性、检查缺失标注，并验证类别分布满足要求。记录标注过程与数据集统计以便复现。

支持技术

• 标注工具： Label Studio、Labelbox、Prodigy（spaCy）、Amazon SageMaker Ground Truth、CVAT
• 弱监督： Snorkel、Flyingsquid、Skweak
• 主动学习： modAL、ALiPy、Prodigy 主动学习配方
• 一致性指标： Cohen's kappa、Fleiss' kappa、Krippendorff's alpha
• 导出格式： COCO JSON、Pascal VOC XML、CoNLL、JSONL、Hugging Face Datasets

使用方式

为 Agent 提供原始数据集、任务类型（分类、NER、目标检测等）和标签类别。可选择指定标注工具偏好和质量要求（最小标注者间一致性）。Agent 将配置标注环境、建立质量控制并管理标注工作流。

示例

示例 1：文本分类的 Label Studio 流水线

Label Studio 标注界面配置（config.xml）：

<View>
  <Header value="Classify the customer review sentiment:" />
  <Text name="text" value="$text" />
  <Choices name="sentiment" toName="text" choice="single-column" showInline="true">
    <Choice value="positive" />
    <Choice value="negative" />
    <Choice value="neutral" />
  </Choices>
  <Textarea name="notes" toName="text" placeholder="Optional: explain ambiguous cases"
            maxSubmissions="1" editable="true" />
</View>
小葱技能站7w4.net，专业的AI技能分享平台。

用于建立项目并导入数据的 Python 脚本：

from label_studio_sdk import Client

ls = Client(url="http://localhost:8080", api_key="your-api-key")

project = ls.start_project(
    title="Customer Review Sentiment",
    label_config=open("config.xml").read(),
    description="Label customer reviews as positive, negative, or neutral.",
)

# Import tasks from a CSV file
import csv
tasks = []
with open("reviews.csv") as f:
    for row in csv.DictReader(f):
        tasks.append({"data": {"text": row["review_text"]}, "meta": {"source_id": row["id"]}})

project.import_tasks(tasks)

# Configure inter-annotator overlap: each task gets 2 annotators
project.set_params(maximum_annotations=2, overlap_cohort_percentage=100)
print(f"Created project with {len(tasks)} tasks, 2 annotators per task")

# After annotation, export results
annotations = project.export_tasks(export_type="JSON")
# Compute agreement
from sklearn.metrics import cohen_kappa_score
labels_a1 = [a["annotations"][0]["result"][0]["value"]["choices"][0] for a in annotations if len(a["annotations"]) >= 2]
labels_a2 = [a["annotations"][1]["result"][0]["value"]["choices"][0] for a in annotations if len(a["annotations"]) >= 2]
print(f"Cohen's kappa: {cohen_kappa_score(labels_a1, labels_a2):.3f}")

示例 2：使用 Snorkel 标注函数的弱监督

import pandas as pd
import numpy as np
from snorkel.labeling import labeling_function, PandasLFApplier, LFAnalysis
from snorkel.labeling.model import LabelModel

SPAM = 1
HAM = 0
ABSTAIN = -1

df = pd.DataFrame({
    "text": [
        "Congratulations! You've won a free iPhone!", "Meeting at 3pm tomorrow",
        "URGENT: claim your prize now!!!", "Can you review the Q3 report?",
        "Buy cheap meds online fast", "Lunch plans for Thursday?",
        "Click here for a free vacation", "Project deadline is next Friday",
    ]
})

@labeling_function()
def lf_contains_free(x):
    return SPAM if "free" in x.text.lower() else ABSTAIN

@labeling_function()
def lf_contains_urgent(x):
    return SPAM if "urgent" in x.text.lower() else ABSTAIN

@labeling_function()
def lf_contains_click(x):
    return SPAM if "click" in x.text.lower() else ABSTAIN

@labeling_function()
def lf_excessive_punctuation(x):
    return SPAM if x.text.count("!") >= 3 else ABSTAIN

@labeling_function()
def lf_contains_meeting(x):
    return HAM if any(w in x.text.lower() for w in ["meeting", "project", "report", "deadline"]) else ABSTAIN

@labeling_function()
def lf_short_and_casual(x):
    return HAM if len(x.text.split()) < 8 and "?" in x.text else ABSTAIN

lfs = [lf_contains_free, lf_contains_urgent, lf_contains_click,
       lf_excessive_punctuation, lf_contains_meeting, lf_short_and_casual]

applier = PandasLFApplier(lfs=lfs)
L_train = applier.apply(df=df)

print(LFAnalysis(L=L_train, lfs=lfs).lf_summary())

# Train the label model to combine noisy labeling functions
label_model = LabelModel(cardinality=2, verbose=True)
label_model.fit(L_train=L_train, n_epochs=500, log_freq=100, seed=42)

# Get probabilistic labels
probs = label_model.predict_proba(L=L_train)
df["label"] = label_model.predict(L=L_train)
df["confidence"] = np.max(probs, axis=1)

# Filter out low-confidence samples for manual review
confident = df[df["confidence"] > 0.8]
needs_review = df[df["confidence"] <= 0.8]
print(f"Confidently labeled: {len(confident)}, needs manual review: {len(needs_review)}")

最佳实践

• 编写详细的标注指南，每个标签至少含 3 个正例和 3 个反例，覆盖边界情况。随着标注员在工作过程中暴露出歧义案例，持续更新指南。
• 嵌入黄金标准条目（任务的 5–10%）到标注队列中，持续监控标注员质量，捕捉疲劳或困惑。
• 用 Cohen's kappa（2 名标注员）或 Fleiss' kappa（3 名及以上）衡量标注者间一致性。 kappa 低于 0.6 表明在继续之前需要修订指南或 schema。
• 当标注预算有限时使用主动学习——通过把标注精力集中在最不确定或信息量最大的样本上，它能以少 30–50% 的标注样本达到相同的模型性能。
• 为标注数据集打版本，附清晰的元数据（标注员 ID、时间戳、指南版本），以便将标签追溯到特定的标注活动并复现结果。
• 在扩展规模前先做一轮 50–100 个样本的试点。 用试点来校准指南、估算标注速度，并尽早发现 schema 问题。

边缘情况

• 标注员高度分歧： 当 kappa 降至 0.4 以下时，任务定义很可能含糊。将问题标签拆分为更具体的子标签，向指南中添加更多示例，或召开标注员校准会议以统一理解。
• 原始数据中严重的类别不平衡： 如果目标类别稀有（< 5%），随机抽样会产生很少的正例。使用关键词过滤、基于模型的预选，或分层抽样，用可能的正例丰富标注队列。
• 弱监督中的标注函数冲突： 当多个标注函数对同一样本意见不一致时，标签模型可能产生低置信度预测。编写更具体的函数来增加标注函数覆盖率，或将冲突样本交由人工标注。
• 大批量下的标注员疲劳： 连续标注 2–3 小时后质量下降。将工作拆成 100–200 条一组的会话，随机化任务顺序，并对照黄金标准跟踪每会话的准确率以检测质量下滑。
• 项目中的 schema 演进： 如果在标注开始后新增标签类别，所有先前已标注的数据都必须针对新类别重新审查。使用版本化 schema 和重新标注队列，而非追溯性地编辑现有标注。

这个技能质量不错，内容专业且实用。它完整覆盖了数据标注的各种场景和方法，从基础的人工标注到进阶的主动学习和弱监督都有涉及。代码示例丰富，最佳实践建议很有参考价值。美中不足的是README过于简略，缺少直观的使用引导，且没有配套的示例数据文件供用户快速上手体验。