# Gerenciar conjuntos de dados
<a name="datasets-manage"></a>

Este tópico aborda a criação, recuperação, listagem, atualização e exclusão de conjuntos de dados.

## Criar conjunto de dados
<a name="datasets-create"></a>

A `CreateDataset` API cria um novo conjunto de dados de avaliação. Essa é uma operação assíncrona (HTTP 202) — o conjunto de dados muda de para quando a ingestão é concluída. `CREATING` `ACTIVE`

 **Parâmetros obrigatórios:** `datasetName` (somente alfanuméricos e sublinhados`^[a-zA-Z][a-zA-Z0-9_]{0,47}$`) e `source` (exemplos embutidos ou URI do S3). `schemaType`

 **Parâmetros opcionais:**`description`, `kmsKeyArn` (chave de criptografia gerenciada pelo cliente, imutável após a criação — consulte [Criptografia do conjunto de dados)](datasets-encryption.md),. `tags`

Os exemplos a seguir mostram como criar um conjunto de dados:

**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
   ```

   Isso cria um arquivo JSONL local e registra o conjunto de dados na configuração do seu projeto. Execute `agentcore deploy` para criar o recurso do conjunto de dados e sincronizar exemplos com o serviço.
**nota**  
Execute isso de dentro de um diretório de AgentCore projeto (criado com`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 a ingestão do S3, cada linha no arquivo JSONL deve incluir um campo. `exampleId` O bucket do S3 deve estar acessível usando as credenciais do chamador.

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
   ```

## Obtenha o conjunto de dados
<a name="datasets-get"></a>

A `GetDataset` API recupera metadados do conjunto de dados, status, contagem de exemplos e um URL de download pré-assinado para o conteúdo do conjunto de dados. Por padrão, lê o Rascunho; especifique `datasetVersion` para uma versão publicada.

`downloadUrl`É um URL S3 pré-assinado para o arquivo completo`dataset.jsonl`. Você pode baixá-lo com uma solicitação HTTP GET simples sem cabeçalhos de autenticação.

Os exemplos a seguir mostram como obter um conjunto de dados:

**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
   ```

## Listar conjuntos de dados
<a name="datasets-list"></a>

A `ListDatasets` API retorna uma lista paginada de conjuntos de dados em sua conta e região.

Os exemplos a seguir mostram como listar conjuntos de dados:

**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
   ```

## Atualizar conjunto de dados
<a name="datasets-update"></a>

A `UpdateDataset` API atualiza os metadados do conjunto de dados. Essa é uma operação síncrona (HTTP 200). Somente `description` e `tags` pode ser atualizado. `datasetName`,`schemaType`, e `kmsKeyArn` são imutáveis após a criação.

O conjunto de dados deve estar em `ACTIVE``UPDATE_FAILED`, ou `CREATE_FAILED` status.

Os exemplos a seguir mostram como atualizar os metadados do conjunto de dados:

**Example**  

1. Para atualizar um conjunto de dados com a AgentCore CLI, edite a configuração do conjunto de dados diretamente no `agentcore.json` seu arquivo e reimplante:

   ```
   agentcore deploy
   ```

   Abra`agentcore.json`, encontre o conjunto de dados na `datasets` matriz, modifique-o `description` e execute`agentcore deploy`. As alterações entram em vigor após a implantação.
**nota**  
Execute isso de dentro de um diretório de AgentCore projeto (criado com`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"
   ```

## Excluir conjunto de dados
<a name="datasets-delete"></a>

A `DeleteDataset` API exclui um conjunto de dados. Essa é uma operação assíncrona (HTTP 202).
+  **Exclusão completa** (omissão`datasetVersion`): exclui todas as versões, o rascunho e o registro do conjunto de dados.
+  **Version-specific delete** (especifique `datasetVersion` como um número inteiro): exclui somente a versão publicada.

O conjunto de dados deve estar em`ACTIVE`, `CREATE_FAILED``UPDATE_FAILED`, ou `DELETE_FAILED` status.

**nota**  
Somente números de versão inteiros são aceitos para exclusão específica da versão.

Os exemplos a seguir mostram como excluir um conjunto de dados:

**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
   ```