- name
SKILL.md
Die Skill-Datei bleibt im Repository des Herausgebers.
Fügen Sie den kopierten Befehl in ein Terminal ein. Er installiert diese SKILL.md in dem jeweiligen Agenten.
npx skills add awslabs/agent-plugins --skill dataset-evaluation -a cursor -yFügen Sie den kopierten Befehl in ein Terminal ein. Er installiert diese SKILL.md in dem jeweiligen Agenten.
npx skills add awslabs/agent-plugins --skill dataset-evaluation -a claude-code -yFügen Sie den kopierten Befehl in ein Terminal ein. Er installiert diese SKILL.md in dem jeweiligen Agenten.
npx skills add awslabs/agent-plugins --skill dataset-evaluation -a codex -yFügen Sie den kopierten Befehl in ein Terminal ein. Er installiert diese SKILL.md in dem jeweiligen Agenten.
npx skills add awslabs/agent-plugins --skill dataset-evaluation -a grok -ySenden Sie die kopierte Nachricht in einem Grok Bot-Chat. Der Bot ruft diese SKILL.md von GitHub ab und fügt sie den Skills hinzu, die alle Ihre Bots gemeinsam nutzen.
Install this skill: https://github.com/awslabs/agent-plugins/tree/HEAD/plugins/sagemaker-ai/skills/dataset-evaluationVom Herausgeber
Follow the workflow shown below. Locate the dataset, check the file type, and resolve any issues with missing files or wrong file types. Determine the fine-tuning model and fine-tuning strategy. Run the appropriate validation based on the model family. Summarize the results: is the dataset ready for fine-tuning?
sdk-getting-started skill first.Locate Dataset:
Determine strategy and model:
Check File Formatting: Run the tool format_detector.py to make sure the file conforms to formatting requirements.
Summarize Results: Tell the user if their data is ready
references/strategy_data_requirements.mdreferences/custom-scorer-evaluation-dataset-formats.md and validate against the scorer-specific schema. The scorer type should be known from conversation context (determined in the model-evaluation skill).# With the file path argument identified in workflow step 1
python scripts/format_detector.py local_path/to/dataset
scripts/format_detector.py — Self-contained format validation scriptreferences/strategy_data_requirements.md — Data format requirements per strategyValidates dataset formatting and quality for SageMaker model fine-tuning (SFT, DPO, or RLVR). Use when the user says "is my dataset okay", "evaluate my data", "check my training data", "I have my own
---name: dataset-evaluationdescription: Validates dataset formatting and quality for SageMaker model fine-tuning (SFT, DPO, or RLVR). Use when the…---# plugins/sagemaker-ai/skills/dataset-evaluation/SKILL.mdÜbersicht
Validates dataset formatting and quality for SageMaker model fine-tuning (SFT, DPO, or RLVR). Use when the user says "is my dataset okay", "evaluate my data", "check my training data", "I have my own data", or before starting any fine-tuning job. Detects file format, checks schema compliance against the selected model and technique, and reports whether the data is ready for training or evaluation.
FAQ
Laden Sie plugins/sagemaker-ai/skills/dataset-evaluation/SKILL.md vom Herausgeber herunter oder kopieren Sie den Pfad und öffnen Sie das Repository. PlugMCP listet den Skill und hostet die Datei nicht.
Der Herausgeber pflegt es unter https://github.com/awslabs/agent-plugins.
Claude, Cursor, Codex und Grok Build können eine SKILL.md lesen, die Sie aus dem Repository des Herausgebers hinzufügen. Grok Bot installiert sie, wenn Sie den Link zum GitHub-Ordner des Skills in einem Chat senden.