云监控：sample（随机采样）

适用场景

• 大规模数据的快速下采样。

• 与 semantic-cluster 组合实现多样性采样。

• 按类别、标签或簇 ID 等维度均匀抽样。

• LLM 处理前控制数据量，降低调用成本。

ratio 与 n 的选择

输入要求

• 上游节点输出的任意列数据。

• 启用 by 参数时，输入数据中必须包含指定的分组列。

输出说明

• 不产生扩展列，仅根据采样规则过滤行。

• output 参数控制最终输出的列。默认值 * 保留全部列，指定列名时仅输出对应的列。

行数变化：M → N（M ≥ N），采样后输出行数小于或等于输入行数。

处理前（6 条）

处理后（3 条）

配置 n = 1，by = "__cluster_id"，每个簇随机取 1 条：

示例 1：全局随机采样 10%

从整体数据中随机采样 10% 的记录：

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

示例 2：全局采样固定条数

从整体数据中固定采样 100 条记录：

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

示例 3：聚类 + 分组采样（推荐）

先通过 semantic-cluster 聚为 100 簇，再每簇取 1 条，实现多样性采样：

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

先聚为 100 簇，每簇取 1 条，最终输出约 100 条多样性样本。

示例 4：按类别分组采样

按 category 列分组，每组保留 20% 的记录：

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

示例 5：多维分组

按 category 和 difficulty 两列组合分组，每组取 10 条：

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

最佳实践

• 在 LLM 处理前使用 sample 节点降采样，可控制 AI 调用成本。

• 多样性采样推荐组合：semantic-cluster → sample（按 by = "__cluster_id" 分组取样）。

• 分层均匀采样：使用 by 按类别或标签列分组，每组独立采样。

边界行为