# Administrar conjuntos de datos
En este tema se describe la creación, la recuperación, la lista, la actualización y la eliminación de conjuntos de datos.
## Crear conjunto de datos
La `CreateDataset` API crea un nuevo conjunto de datos de evaluación. Se trata de una operación asíncrona (HTTP 202): el conjunto de datos pasa de `CREATING` a `ACTIVE` una vez que se completa la ingestión.
**Parámetros obligatorios:** `datasetName` (solo alfanuméricos y guiones bajos`^[a-zA-Z][a-zA-Z0-9_]{0,47}$`) y `source` (ejemplos en línea o `schemaType` URI de S3).
**Parámetros opcionales: `description`**[, `kmsKeyArn` (clave de cifrado gestionada por el cliente, inmutable tras la creación; consulte Cifrado del conjunto de datos),.](datasets-encryption.md) `tags`
Los siguientes ejemplos muestran cómo crear un conjunto de datos:
**Example**
1.
```
# Add a dataset to your project
agentcore add dataset --name my_eval_dataset \
--schema-type AGENTCORE_EVALUATION_PREDEFINED_V1
# Edit the generated JSONL file with your scenarios
# File location: agentcore/datasets/my_eval_dataset.jsonl
# Deploy to create the dataset in your AWS account
agentcore deploy
```
Esto crea un archivo JSONL local y registra el conjunto de datos en la configuración del proyecto. Ejecute `agentcore deploy` para crear el recurso del conjunto de datos y sincronizar los ejemplos con el servicio.
**nota**
Ejecútelo desde el interior de un directorio de AgentCore proyecto (creado con`agentcore create`).
1.
```
from bedrock_agentcore.evaluation import DatasetClient
client = DatasetClient(region_name="us-west-2")
# Create with inline examples (polls until ACTIVE)
ds = client.create_dataset_and_wait(
datasetName="customer_support_scenarios",
schemaType="AGENTCORE_EVALUATION_PREDEFINED_V1",
source={
"inlineExamples": {
"examples": [
{
"scenario_id": "TC-01",
"turns": [{"input": "What is my balance?", "expected_response": "Your balance is $50."}],
"assertions": ["Response includes a dollar amount"],
}
]
}
},
)
print(f"Dataset ID: {ds['datasetId']}, Status: {ds['status']}")
# Create with S3 source
ds = client.create_dataset_and_wait(
datasetName="my_s3_dataset",
schemaType="AGENTCORE_EVALUATION_PREDEFINED_V1",
source={"s3Source": {"s3Uri": "s3://my-bucket/scenarios.jsonl"}},
)
```
**nota**
Para la ingesta de S3, cada línea del archivo JSONL debe incluir un campo. `exampleId` Se debe poder acceder al bucket de S3 con las credenciales de la persona que llama.
1.
```
import boto3
import time
client = boto3.client('bedrock-agentcore-control')
response = client.create_dataset(
datasetName='customer_support_scenarios',
schemaType='AGENTCORE_EVALUATION_PREDEFINED_V1',
source={
'inlineExamples': {
'examples': [
{
'scenario_id': 'TC-01',
'turns': [{'input': 'What is my balance?', 'expected_response': 'Your balance is $50.'}],
'assertions': ['Response includes a dollar amount'],
}
]
}
}
)
dataset_id = response['datasetId']
# Create with S3 source
response = client.create_dataset(
datasetName='my_s3_dataset',
schemaType='AGENTCORE_EVALUATION_PREDEFINED_V1',
source={
's3Source': {'s3Uri': 's3://my-bucket/scenarios.jsonl'}
}
)
# Poll until ACTIVE
while True:
ds = client.get_dataset(datasetId=dataset_id)
if ds['status'] in ('ACTIVE', 'CREATE_FAILED'):
break
time.sleep(2)
```
1.
```
# Create with inline examples
aws bedrock-agentcore-control create-dataset \
--dataset-name "customer_support_scenarios" \
--schema-type AGENTCORE_EVALUATION_PREDEFINED_V1 \
--source '{"inlineExamples": {"examples": [{"scenario_id": "TC-01", "turns": [{"input": "What is my balance?", "expected_response": "Your balance is $50."}], "assertions": ["Response includes a dollar amount"]}]}}'
# Create with S3 source
aws bedrock-agentcore-control create-dataset \
--dataset-name "my_s3_dataset" \
--schema-type AGENTCORE_EVALUATION_PREDEFINED_V1 \
--source '{"s3Source": {"s3Uri": "s3://my-bucket/scenarios.jsonl"}}'
# Poll until ACTIVE
aws bedrock-agentcore-control get-dataset \
--dataset-id my-dataset-id
```
## Obtenga el conjunto de datos
La `GetDataset` API recupera los metadatos del conjunto de datos, el estado, el recuento de ejemplos y una URL de descarga prefirmada para el contenido del conjunto de datos. De forma predeterminada, lee el borrador; se especifica si se trata `datasetVersion` de una versión publicada.
`downloadUrl`Es una URL S3 prefirmada para el `dataset.jsonl` archivo completo. Puede descargarlo con una simple solicitud HTTP GET sin encabezados de autenticación.
Los siguientes ejemplos muestran cómo obtener un conjunto de datos:
**Example**
1.
```
# Show dataset deployment status and metadata
agentcore status --type dataset
# Download dataset content to your local JSONL file (default: Draft)
agentcore dataset download --name my_eval_dataset
# Download a specific published version
agentcore dataset download --name my_eval_dataset --version 1
```
1.
```
from bedrock_agentcore.evaluation import DatasetClient
client = DatasetClient(region_name="us-west-2")
# Get dataset (default: Draft)
ds = client.get_dataset(datasetId="my-dataset-id")
print(f"Status: {ds['status']}, Examples: {ds['exampleCount']}")
print(f"Download URL: {ds['downloadUrl']}")
# Get a specific published version
ds_v1 = client.get_dataset(datasetId="my-dataset-id", datasetVersion="1")
```
1.
```
import boto3
client = boto3.client('bedrock-agentcore-control')
response = client.get_dataset(datasetId='my-dataset-id')
print(f"Status: {response['status']}, Examples: {response['exampleCount']}")
# Download the dataset content via presigned URL
if 'downloadUrl' in response:
import requests
data = requests.get(response['downloadUrl'])
print(data.text)
# Get a specific published version
response = client.get_dataset(datasetId='my-dataset-id', datasetVersion='1')
```
1.
```
# Get dataset (default: Draft)
aws bedrock-agentcore-control get-dataset \
--dataset-id my-dataset-id
# Get a specific published version
aws bedrock-agentcore-control get-dataset \
--dataset-id my-dataset-id \
--dataset-version 1
```
## Enumere los conjuntos de datos
La `ListDatasets` API devuelve una lista paginada de los conjuntos de datos de tu cuenta y región.
En los siguientes ejemplos, se muestra cómo enumerar los conjuntos de datos:
**Example**
1.
```
agentcore status --type dataset
```
1.
```
from bedrock_agentcore.evaluation import DatasetClient
client = DatasetClient(region_name="us-west-2")
response = client.list_datasets()
for dataset in response["datasets"]:
print(f" {dataset['datasetName']} ({dataset['status']})")
```
1.
```
import boto3
client = boto3.client('bedrock-agentcore-control')
response = client.list_datasets()
for dataset in response['datasets']:
print(f" {dataset['datasetName']} ({dataset['status']})")
```
1.
```
aws bedrock-agentcore-control list-datasets
```
## Actualizar el conjunto de datos
La `UpdateDataset` API actualiza los metadatos del conjunto de datos. Se trata de una operación sincrónica (HTTP 200). Solo `description` y `tags` se puede actualizar. `datasetName`,`schemaType`, y `kmsKeyArn` son inmutables tras su creación.
El conjunto de datos debe estar en `ACTIVE``UPDATE_FAILED`, o `CREATE_FAILED` estado.
Los siguientes ejemplos muestran cómo actualizar los metadatos del conjunto de datos:
**Example**
1. Para actualizar un conjunto de datos con la AgentCore CLI, edite directamente la configuración del conjunto de datos en su `agentcore.json` archivo y, a continuación, vuelva a implementar:
```
agentcore deploy
```
Abre`agentcore.json`, busca el conjunto de datos en la `datasets` matriz, modifícalo y `description` ejecútalo. `agentcore deploy` Los cambios surten efecto después de la implementación.
**nota**
Ejecútelo desde el interior de un directorio de AgentCore proyecto (creado con`agentcore create`).
1.
```
from bedrock_agentcore.evaluation import DatasetClient
client = DatasetClient(region_name="us-west-2")
client.update_dataset(datasetId="my-dataset-id", description="Updated description")
```
1.
```
import boto3
client = boto3.client('bedrock-agentcore-control')
client.update_dataset(datasetId='my-dataset-id', description='Updated description')
```
1.
```
aws bedrock-agentcore-control update-dataset \
--dataset-id my-dataset-id \
--description "Updated description"
```
## Eliminar conjunto de datos
La `DeleteDataset` API elimina un conjunto de datos. Se trata de una operación asíncrona (HTTP 202).
+ **Eliminar por completo** (omitir`datasetVersion`): elimina todas las versiones, el borrador y el registro del conjunto de datos.
+ **Version-specific eliminar** (especificar `datasetVersion` como un número entero): elimina solo la versión publicada.
El conjunto de datos debe estar en `DELETE_FAILED` estado `ACTIVE``CREATE_FAILED`,`UPDATE_FAILED`, o.
**nota**
Solo se aceptan números de versión enteros para la eliminación de versiones específicas.
Los siguientes ejemplos muestran cómo eliminar un conjunto de datos:
**Example**
1.
```
# Delete a specific published version
agentcore dataset remove-version 1 --name my_eval_dataset
# Delete entire dataset
agentcore remove dataset --name my_eval_dataset
agentcore deploy
```
1.
```
from bedrock_agentcore.evaluation import DatasetClient
client = DatasetClient(region_name="us-west-2")
# Delete a specific published version
client.delete_dataset_and_wait(datasetId="my-dataset-id", datasetVersion="1")
# Delete entire dataset (polls until complete)
client.delete_dataset_and_wait(datasetId="my-dataset-id")
```
1.
```
import boto3
client = boto3.client('bedrock-agentcore-control')
# Delete a specific published version
client.delete_dataset(datasetId='my-dataset-id', datasetVersion='1')
# Delete entire dataset
client.delete_dataset(datasetId='my-dataset-id')
```
1.
```
# Delete a specific published version
aws bedrock-agentcore-control delete-dataset \
--dataset-id my-dataset-id \
--dataset-version 1
# Delete entire dataset
aws bedrock-agentcore-control delete-dataset \
--dataset-id my-dataset-id
```