Cloud Monitor：sample（隨機採樣）

適用情境

• 大規模資料的快速下採樣。

• 與 semantic-cluster 組合實現多樣性採樣。

• 按類別、標籤或簇 ID 等維度均勻抽樣。

• LLM 處理前控制資料量，降低調用成本。

ratio 與 n 的選擇

輸入要求

• 上遊節點輸出的任意列資料。

• 啟用 by 參數時，輸入資料中必須包含指定的分組列。

輸出說明

• 不產生擴充列，僅根據採樣規則過濾行。

• output 參數控制最終輸出的列。預設值 * 保留全部列，指定列名時僅輸出對應的列。

行數變化：M → N（M ≥ N），採樣後輸出行數小於或等於輸入行數。

處理前（6 條）

處理後（3 條）

配置 n = 1，by = "__cluster_id"，每個簇隨機取 1 條：

樣本 1：全域隨機採樣 10%

從整體資料中隨機採樣 10% 的記錄：

{
  "id": "n5",
  "type": "sample",
  "parameters": {
    "ratio": 0.1
  }
}

樣本 2：全域採樣固定條數

從整體資料中固定採樣 100 條記錄：

{
  "id": "n5",
  "type": "sample",
  "parameters": {
    "n": 100
  }
}

樣本 3：聚類 + 分組採樣（推薦）

先通過 semantic-cluster 聚為 100 簇，再每簇取 1 條，實現多樣性採樣：

{
  "nodes": [
    {
      "id": "n4",
      "type": "semantic-cluster",
      "parameters": {
        "field": "__dedup_emb",
        "n": 100
      }
    },
    {
      "id": "n5",
      "type": "sample",
      "parameters": {
        "by": "__cluster_id",
        "n": 1
      }
    }
  ]
}

先聚為 100 簇，每簇取 1 條，最終輸出約 100 條多樣性樣本。

樣本 4：按類別分組採樣

按 category 列分組，每組保留 20% 的記錄：

{
  "id": "n5",
  "type": "sample",
  "parameters": {
    "by": "category",
    "ratio": 0.2
  }
}

樣本 5：多維分組

按 category 和 difficulty 兩列組合分組，每組取 10 條：

{
  "id": "n5",
  "type": "sample",
  "parameters": {
    "by": "category,difficulty",
    "n": 10
  }
}

最佳實務

• 在 LLM 處理前使用 sample 節點降採樣，可控制 AI 調用成本。

• 多樣性採樣推薦組合：semantic-cluster → sample（按 by = "__cluster_id" 分組取樣）。

• 分層均勻採樣：使用 by 按類別或標籤列分組，每組獨立採樣。

邊界行為