Antes de Começar

Não explore o espaço de trabalho primeiro. A etapa "Aprender" do fluxo de trabalho fornece tudo o que você precisa.

Objetivo

Crie um conjunto de dados sintético usando a biblioteca Data Designer que corresponda a esta descrição:

$ARGUMENTOS

Fluxo de Trabalho

Use o modo Autopilot se o usuário implicar que não deseja responder a perguntas — por exemplo, se ele disser algo como "tenha opinião própria", "você decide", "faça suposições razoáveis", "apenas construa", "surpreenda-me", etc. Caso contrário, use o modo Interativo (padrão).

Leia apenas o arquivo de fluxo de trabalho que corresponde ao modo selecionado, e então siga-o:

• Interativo → leia workflows/interactive.md
• Autopilot → leia workflows/autopilot.md

Regras

• Mantenha todas as colunas na saída por padrão. As únicas exceções para remover uma coluna são: (1) o usuário solicita explicitamente, ou (2) é uma coluna auxiliar que existe apenas para derivar outras colunas (por exemplo, um objeto de pessoa amostrada usado para extrair nome, cidade, etc.). Em caso de dúvida, mantenha a coluna.
• Não sugira nem pergunte sobre conjuntos de dados de semente. Use apenas um quando o usuário fornecer explicitamente dados de semente ou solicitar a construção a partir de registros existentes. Ao usar uma semente, leia references/seed-datasets.md.
• Quando o conjunto de dados requer dados de pessoas (nomes, dados demográficos, endereços), leia references/person-sampling.md.
• Se já existir um script de conjunto de dados que corresponda à descrição do conjunto de dados, pergunte ao usuário se deseja editá-lo ou criar um novo.
• Para comandos e contexto específicos deste plugin da plataforma NeMo (por exemplo, obtenção de configurações de modelo de provedores IGW ou ModelConfigs no script, instalação ou publicação de locais de Personas Nemotron, ponteiros de recursos do lado da plataforma), leia references/nemo-platform-plugin-additions.md.

Dicas de Uso e Armadilhas Comuns

• Colunas de amostragem e validação precisam de um tipo e parâmetros. Por exemplo, sampler_type="category" com params=dd.CategorySamplerParams(...).
• Modelos Jinja2 nos campos prompt, system_prompt e expr: referencie colunas com {{ column_name }}, campos aninhados com {{ column_name.field }}.
• **SamplerColumnConfig:** Recebe params, não sampler_params.
• Acesso à pontuação do juiz LLM: LLMJudgeColumnConfig produz um dicionário aninhado onde cada nome de pontuação mapeia para {reasoning: str, score: int}. Para obter a pontuação numérica, use o atributo .score. Por exemplo, para uma coluna de juiz chamada quality com uma pontuação chamada correctness, use {{ quality.correctness.score }}. Usar {{ quality.correctness }} retorna o dicionário completo, não a pontuação numérica.

Solução de Problemas

• **nemo data-designer CLI não encontrado:** Informe ao usuário que nemo data-designer não está instalado neste ambiente (requere Python >= 3.11). Pergunte se deseja que você crie um ambiente virtual e o instale, ou se ele prefere fazer isso sozinho. Não instale nada sem a permissão do usuário.
• Erros de rede durante a visualização: Um ambiente de sandbox pode estar bloqueando solicitações de saída. Peça permissão ao usuário para tentar novamente o comando com a sandbox desativada. Apenas como último recurso, se tentar novamente fora da sandbox também falhar, informe ao usuário para executar o comando ele mesmo.

Modelo de Saída

Escreva um arquivo Python no diretório atual com uma função load_config_builder() que retorne um DataDesignerConfigBuilder. Nomeie o arquivo de forma descritiva (por exemplo, customer_reviews.py). Use metadados inline PEP 723 para dependências.

# /// script
# dependencies = [
#   "data-designer", # sempre obrigatório
#   "pydantic", # apenas se este script importar do pydantic
#   # adicione dependências adicionais aqui
# ]
# ///
import data_designer.config as dd
from pydantic import BaseModel, Field


# Use modelos Pydantic quando a saída precisar conformar-se a um esquema específico
class MyStructuredOutput(BaseModel):
    field_one: str = Field(description="...")
    field_two: int = Field(description="...")


# Use geradores personalizados quando os tipos de coluna integrados não forem suficientes
@dd.custom_column_generator(
    required_columns=["col_a"],
    side_effect_columns=["extra_col"],
)
def generator_function(row: dict) -> dict:
    # adicione lógica personalizada aqui que depende de "col_a" e atualize row in-place
    row["name_in_custom_column_config"] = "valor personalizado"
    row["extra_col"] = "valor extra"
    return row


def load_config_builder() -> dd.DataDesignerConfigBuilder:
    config_builder = dd.DataDesignerConfigBuilder(
        # Declarar configurações de modelo programaticamente aqui é o caminho portátil:
        # funciona tanto para `run` local quanto para `submit` em cluster, enquanto a alternativa
        # de registro YAML local só funciona para `run`. O provedor abaixo
        # é um padrão comum criado durante `nemo setup` — confirme-o (ou
        # descubra outros) com `nemo inference providers list`. Veja
        # references/nemo-platform-plugin-additions.md para a alternativa YAML local.
        model_configs=[
            dd.ModelConfig(
                alias="text",
                model="...",
                provider="default/nvidia-build",
                inference_parameters=dd.ChatCompletionInferenceParams(),
            ),
        ],
    )

    # Conjunto de dados de semente (apenas se o usuário mencionar explicitamente um caminho de conjunto de dados de semente)
    # config_builder.with_seed_dataset(dd.LocalFileSeedSource(path="path/to/seed.parquet"))

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

    return config_builder

Inclua apenas modelos Pydantic, geradores personalizados, conjuntos de dados de semente e dependências extras quando a tarefa exigir. Prefira incluir model_configs quando o conjunto de dados usa colunas LLM — declará-lo no script mantém a configuração portátil entre run local e submit em cluster, enquanto a alternativa de registro YAML local só funciona para run.