data-designer

始める前に

最初にワークスペースを調べないでください。ワークフローの「学習」ステップで、必要な情報がすべて得られます。

目標

Data Designer ライブラリを使って、次の説明に合う合成データセットを作成します。

$ARGUMENTS

ワークフロー

ユーザーが質問に答えたくない意向を示している場合（「判断は任せます」「あなたが決めてください」「妥当な仮定を置いてください」「とにかく作成してください」「お任せします」など）、オートパイロットモードを使用します。それ以外の場合は、デフォルトの対話型モードを使用します。

選択したモードに対応するワークフローファイルのみを読み、その指示に従います。

• 対話型 → workflows/interactive.md を読みます
• オートパイロット → workflows/autopilot.md を読みます

ルール

• デフォルトでは、出力にすべての列を残します。列を削除できるのは、（1）ユーザーが明示的に依頼した場合、または（2）他の列の導出だけに使われるヘルパー列（名前や都市などの抽出に使う、サンプリングされた人物オブジェクトなど）の場合のみです。判断に迷った場合は、列を残してください。
• シードデータセットを提案したり、ユーザーに尋ねたりしないでください。ユーザーがシードデータを明示的に提供した場合、または既存のレコードを基に作成するよう依頼した場合にのみ使用します。シードを使用する場合は、references/seed-datasets.md を読みます。
• データセットに人物データ（名前、人口統計、住所）が必要な場合は、references/person-sampling.md を読みます。
• データセットの説明に合致するスクリプトがすでに存在する場合は、それを編集するか、新しく作成するかをユーザーに尋ねます。

使用上のヒントとよくある問題

• サンプラー列と検証列には、型とパラメーターの両方が必要です。 例：sampler_type="category" と params=dd.CategorySamplerParams(...)。
• prompt、system_prompt、expr フィールド内の Jinja2 テンプレート： {{ column_name }} で列を参照し、{{ column_name.field }} でネストされたフィールドを参照します。
• SamplerColumnConfig： sampler_params ではなく params を取ります。
• LLM ジャッジのスコアへのアクセス： LLMJudgeColumnConfig は、各スコア名が {reasoning: str, score: int} に対応するネストされた辞書を生成します。数値スコアを取得するには、.score 属性を使用します。たとえば、quality という名前のジャッジ列で、correctness という名前のスコアを使う場合は、{{ quality.correctness.score }} を使用します。{{ quality.correctness }} を使用すると、数値ではなく辞書全体が返されます。

トラブルシューティング

• data-designer CLI が見つからない： この環境には data-designer がインストールされていない（Python >= 3.11 が必要）ことをユーザーに伝えます。仮想環境を作成してインストールするか、自分で行うかを尋ねます。ユーザーの許可なくインストールしないでください。
• プレビュー中のネットワークエラー： サンドボックス環境によって、外部へのリクエストがブロックされている可能性があります。サンドボックスを無効にしてコマンドを再試行する許可をユーザーに求めます。サンドボックス外でも再試行に失敗した場合に限り、ユーザー自身でコマンドを実行するよう伝えてください。

出力テンプレート

load_config_builder() 関数を含む Python ファイルを現在のディレクトリに作成し、DataDesignerConfigBuilder を返すようにします。ファイル名は内容が分かるものにします（例：customer_reviews.py）。依存関係には PEP 723 のインラインメタデータを使用します。

# /// script
# dependencies = [
#   "data-designer", # always required
#   "pydantic", # only if this script imports from pydantic
#   # add additional dependencies here
# ]
# ///
import data_designer.config as dd
from pydantic import BaseModel, Field


# Use Pydantic models when the output needs to conform to a specific schema
class MyStructuredOutput(BaseModel):
    field_one: str = Field(description="...")
    field_two: int = Field(description="...")


# Use custom generators when built-in column types aren't enough
@dd.custom_column_generator(
    required_columns=["col_a"],
    side_effect_columns=["extra_col"],
)
def generator_function(row: dict) -> dict:
    # add custom logic here that depends on "col_a" and update 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()

    # Seed dataset (only if the user explicitly mentions a seed dataset path)
    # config_builder.with_seed_dataset(dd.LocalFileSeedSource(path="path/to/seed.parquet"))

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

    return config_builder

タスクで必要な場合に限り、Pydantic モデル、カスタムジェネレーター、シードデータセット、追加の依存関係を含めます。