Bevor Sie beginnen

Erkunden Sie den Arbeitsbereich nicht zuerst. Der Learn-Schritt des Workflows bietet Ihnen alles, was Sie benötigen.

Ziel

Erstellen Sie einen synthetischen Datensatz mit der Data-Designer-Bibliothek, der dieser Beschreibung entspricht:

$ARGUMENTS

Workflow

Verwenden Sie den Modus Autopilot, wenn der Benutzer andeutet, dass er keine Fragen beantworten möchte – z. B. sagt er etwas wie „nehmen Sie eine Entscheidung“, „Sie entscheiden“, „treffen Sie vernünftige Annahmen“, „bauen Sie es einfach“, „überraschen Sie mich“ usw. Andernfalls verwenden Sie den Modus Interaktiv (Standard).

Lesen Sie nur die Workflow-Datei, die dem ausgewählten Modus entspricht, und folgen Sie ihr:

• Interaktiv → lesen Sie workflows/interactive.md
• Autopilot → lesen Sie workflows/autopilot.md

Regeln

• Behalten Sie standardmäßig alle Spalten in der Ausgabe. Die einzigen Ausnahmen für das Entfernen einer Spalte sind: (1) der Benutzer fordert dies explizit an, oder (2) es handelt sich um eine Hilfsspalte, die ausschließlich dazu dient, andere Spalten abzuleiten (z. B. ein stichprobenhaftes Personobjekt, das verwendet wird, um Name, Stadt usw. zu extrahieren). Wenn Sie unsicher sind, behalten Sie die Spalte.
• Schlagen Sie keine Startdatensätze vor oder fragen Sie danach. Verwenden Sie nur einen, wenn der Benutzer explizit Startdaten bereitstellt oder bittet, aus vorhandenen Datensätzen zu erstellen. Wenn Sie einen Startdatensatz verwenden, lesen Sie references/seed-datasets.md.
• Wenn der Datensatz Personendaten (Namen, demografische Daten, Adressen) erfordert, lesen Sie references/person-sampling.md.
• Wenn ein Datensatzskript, das der Beschreibung des Datensatzes entspricht, bereits existiert, fragen Sie den Benutzer, ob er es bearbeiten oder ein neues erstellen möchte.
• Für Befehle und Kontext, die spezifisch für dieses NeMo-Platform-Plugin sind (z. B. das Beziehen von Modellkonfigurationen von IGW-Anbietern oder in-Skript-ModelConfigs, das Installieren oder Veröffentlichen von Nemotron-Persona-Lokalisierungen, plattformspezifische Ressourcenzeiger), lesen Sie references/nemo-platform-plugin-additions.md.

Nutzungshinweise und häufige Fallstricke

• Sampler- und Validierungsspalten benötigen sowohl einen Typ als auch Parameter. Z. B. sampler_type="category" mit params=dd.CategorySamplerParams(...).
• Jinja2-Vorlagen in den Feldern prompt, system_prompt und expr: Verweisen Sie auf Spalten mit {{ column_name }}, verschachtelte Felder mit {{ column_name.field }}.
• **SamplerColumnConfig:** Nimmt params entgegen, nicht sampler_params.
• LLM-Bewertungszugriff: LLMJudgeColumnConfig erzeugt ein verschachteltes Wörterbuch, in dem jeder Bewertungsnamen auf {reasoning: str, score: int} abbildet. Um den numerischen Wert zu erhalten, verwenden Sie das Attribut .score. Beispiel: Für eine Bewerterspalte namens quality mit einem Bewertungsnamen correctness verwenden Sie {{ quality.correctness.score }}. Die Verwendung von {{ quality.correctness }} gibt das vollständige Wörterbuch zurück, nicht den numerischen Wert.

Fehlerbehebung

• **nemo data-designer CLI nicht gefunden:** Teilen Sie dem Benutzer mit, dass nemo data-designer in dieser Umgebung nicht installiert ist (erfordert Python >= 3.11). Fragen Sie, ob Sie eine virtuelle Umgebung erstellen und sie installieren sollen, oder ob er es selbst vorziehen würde. Installieren Sie ohne Erlaubnis des Benutzers nichts.
• Netzwerkfehler während der Vorschau: Eine Sandbox-Umgebung könnte ausgehende Anfragen blockieren. Fragen Sie den Benutzer um Erlaubnis, den Befehl mit deaktivierter Sandbox erneut auszuführen. Nur als letztes Mittel, wenn das erneute Ausführen außerhalb der Sandbox ebenfalls fehlschlägt, teilen Sie dem Benutzer mit, dass er den Befehl selbst ausführen soll.

Ausgabevorlage

Schreiben Sie eine Python-Datei in das aktuelle Verzeichnis mit einer Funktion load_config_builder(), die einen DataDesignerConfigBuilder zurückgibt. Benennen Sie die Datei beschreibend (z. B. customer_reviews.py). Verwenden Sie PEP 723 Inline-Metadaten für Abhängigkeiten.

# /// script
# dependencies = [
#   "data-designer", # immer erforderlich
#   "pydantic", # nur wenn dieses Skript aus pydantic importiert
#   # weitere Abhängigkeiten hier hinzufügen
# ]
# ///
import data_designer.config as dd
from pydantic import BaseModel, Field


# Verwenden Sie Pydantic-Modelle, wenn die Ausgabe einem bestimmten Schema entsprechen muss
class MyStructuredOutput(BaseModel):
    field_one: str = Field(description="...")
    field_two: int = Field(description="...")


# Verwenden Sie benutzerdefinierte Generatoren, wenn integrierte Spaltentypen nicht ausreichen
@dd.custom_column_generator(
    required_columns=["col_a"],
    side_effect_columns=["extra_col"],
)
def generator_function(row: dict) -> dict:
    # fügen Sie hier benutzerdefinierte Logik hinzu, die von "col_a" abhängt, und aktualisieren Sie row in place
    row["name_in_custom_column_config"] = "custom value"
    row["extra_col"] = "extra value"
    return row


def load_config_builder() -> dd.DataDesignerConfigBuilder:
    config_builder = dd.DataDesignerConfigBuilder(
        # Die programmatische Deklaration von Modellkonfigurationen hier ist der tragfähige Weg:
        # er funktioniert sowohl für lokales `run` als auch für Cluster-`submit`, während die lokale
        # YAML-Registry-Alternative nur für `run` funktioniert. Der unten angegebene Anbieter
        # ist ein häufiger Standard, der während `nemo setup` erstellt wird – bestätigen Sie ihn (oder
        # entdecken Sie andere) mit `nemo inference providers list`. Siehe
        # references/nemo-platform-plugin-additions.md für die lokale-YAML-Alternative.
        model_configs=[
            dd.ModelConfig(
                alias="text",
                model="...",
                provider="default/nvidia-build",
                inference_parameters=dd.ChatCompletionInferenceParams(),
            ),
        ],
    )

    # Startdatensatz (nur wenn der Benutzer explizit einen Pfad zu einem Startdatensatz erwähnt)
    # config_builder.with_seed_dataset(dd.LocalFileSeedSource(path="path/to/seed.parquet"))

    # config_builder.add_column(...)
    # config_builder.add_processor(...)

    return config_builder

Fügen Sie nur dann Pydantic-Modelle, benutzerdefinierte Generatoren, Startdatensätze und zusätzliche Abhängigkeiten ein, wenn die Aufgabe dies erfordert. Ziehen Sie die Aufnahme von model_configs vor, wenn der Datensatz LLM-Spalten verwendet – die Deklaration im Skript hält die Konfiguration zwischen lokalem run und Cluster-submit tragfähig, während die lokale YAML-Registry-Alternative nur für run funktioniert.