# Unslothデータレシピ Unsloth Studio の Data Recipes では、PDF や CSV ファイルのような文書をアップロードし、それらを使える／合成データセットへ変換できます。グラフノードのワークフローを使って、データセットを視覚的に作成・編集します。このガイドでは、Unsloth Data Recipes に入る前に基本を学べるようにします。

### Data Recipes の仕組み Data Recipes は同じ基本的な流れに従います。レシピページを開き、レシピを作成または選択し、エディタでワークフローを構築し、検証してプレビューを実行し、出力が適切であればフルデータセットを実行します。シードデータと生成ブロックを追加し、ワークフローを検証し、サンプル出力をプレビューしてから、フルデータセットのビルドを実行します。Unsloth Data Recipes は **NVIDIA Nemo** [**Data Designer**](https://github.com/NVIDIA-NeMo/DataDesigner).

全体を見ると、通常のワークフローは次のようになります: 1. レシピページを開きます。 2. 新しいレシピを作成するか、既存のものを開きます。 3. ブロックを追加して、データセットのワークフローを定義します。 4. をクリックします **検証** して、設定の問題を早期に見つけます。 5. プレビューを実行して、サンプル行をすばやく確認します。 6. レシピの準備ができたら、フルデータセットのビルドを実行します。 7. 進捗と出力をグラフ上、または **実行** ビューでリアルタイムに確認し、詳細を見ます。 8. 結果のデータセットを **Studio** で選択し、モデルをファインチューニングします。 ### 始めるレシピページが主な入口です。レシピはブラウザ内にローカル保存されるため、保存した作業に後で戻れます。ここから、空のレシピを作成するか、ガイド付きの学習用レシピを開けます。 {% hint style="info" %} レシピはエクスポートとインポートができるので、他の Unsloth ユーザーとワークフローを簡単に共有できます :tada:。特定のデータセットパターンを作りたい場合は、Unsloth Discord で質問してください。すでに共有できるレシピを持っている人がいるかもしれません。 {% endhint %}

ワークフローの概念に慣れていないなら、学習用レシピが、シードデータ、プロンプト、式、バリデーターが 1 つの動く例でどう組み合わさるかを最速で理解できます。すでに欲しいデータセットの形が分かっているなら、最初から空で始める方が通常は早いです。 #### 開始方法を選ぶ

もし次のことをしたいなら:	開始は:
_{カスタムワークフローをすばやく構築する}	_{空から開始}
_{例を通して製品を学ぶ}	_{学習用レシピから開始}
_{前回の作業を続ける}	_{保存済みレシピを開く}

### エディタで作るものエディタはレシピが形になる場所です。ブロックシートからブロックを追加し、ダイアログで設定し、キャンバス上で接続してから、ワークフローを検証または実行します。

{% columns %} {% column %} エディタにはいくつかの主要部分があります: * レシピヘッダー。ここでレシピ名を変更し、 **エディタ** と **実行** * キャンバス。レシピのグラフが表示されます * ブロックシート。新しいブロックを追加します * 設定ダイアログ。プロンプト、参照、モデルエイリアス、バリデーター、シード設定を定義します。 * フローティング **実行** と **検証** コントロール * ここにさらに追加する必要があります {% endcolumn %} {% column %} レシピで最も一般的なブロックは次のとおりです: * **シード** Hugging Face の入力データ、ローカルの構造化ファイル、または行に分割される非構造化文書用。 * **LLM + モデル** プロバイダー、モデル設定、LLM 生成ブロック、共有ツールプロファイル用。 * **式** LLM 呼び出しを必要としない、Jinja2 ベースの変換用。 * **バリデーター** Python、SQL、JavaScript/TypeScript 用の組み込みリンターで、生成された不正なコードをフィルタリングするため。 * **サンプラー** カテゴリやサブカテゴリのような決定的な列用。 {% endcolumn %} {% endcolumns %} ### 参照の仕組みデータを生成するほとんどのブロックは（いくつかの例外を除き）後続ブロックの参照になります。これが Data Recipes の中心的な考え方の 1 つです。値を一度作成し、それをプロンプト、式、構造化出力、検証ステップで再利用します。 {% hint style="info" %} Jinja の式を使うと、すでにレシピ内に存在する値を扱えます。のようなネストしたフィールドを参照できます `{{customer.first_name}}` 、のように値を結合できます `{{customer.first_name}} {{customer.last_name}}` さらに、次のようなパターンで条件分岐ロジックを追加できます `{% if condition %}...{% endif %}` {% endhint %}

たとえば: * というカテゴリブロック `domain` は次のように参照できます `{{ domain }}` * シード列は LLM プロンプトに直接使えます。シードデータ内の列（例: HF データセット列、csv） * 構造化された LLM 出力は、後続のプロンプト用のフィールドを公開できます * 式ブロックは、別のモデル呼び出しなしで前段の値を組み合わせられます ### その後は？プレビュー実行は、素早く反復するためのものです。サンプル行と分析結果をエディタに返すので、完全な実行に進む前に生成データを確認できます。フル実行は、永続化されたローカルデータセットの成果物を作成します。その出力は後で Studio のローカルデータセットピッカーに表示され、再確認やファインチューニングに使えます。必要に応じて、データセットを Hugging Face リポジトリに公開することもできます。 ### 基本構成要素 {% columns %} {% column %}

{% endcolumn %} {% column %}

{% endcolumn %} {% endcolumns %} #### モデル設定は 2 つの使いやすい層に分かれています: * **モデルプロバイダー** エンドポイントと認証を定義します * **モデル設定** モデル名と推論設定を定義しますこの構成は、ホスト型プロバイダー、セルフホストのエンドポイント、 `vLLM` , `llama.cpp` 、または Studio の外で実行する OpenAI 互換 API ならどれでも使えます。 {% hint style="info" %} レシピは 1 つのモデルに限定されません。複数の **モデルプロバイダー** と **モデル設定** ブロックを追加し、コーディング用と一般テキスト用のように、異なるステップで異なるモデルを使えます。 {% endhint %} モデル設定の後は、4 種類の LLM ブロックを使えます: | ブロック | 出力 | 最適用途 | | -------- | -------- | ---------------------------------- | | LLM テキスト | 自由形式テキスト | 指示、説明、会話、記述 | | LLM 構造化 | JSON | 固定フィールドと予測可能な構造が必要な出力 | | LLM コード | コード | Python、SQL、TypeScript、その他のコード生成タスク | | LLM ジャッジ | スコア付き評価 | 1 つ以上のユーザー定義スコアで出力を採点する | #### ツールプロファイル {% columns %} {% column %} ツールプロファイルブロックは、1 つ以上の LLM ブロック向けに共有される MCP ベースのツールアクセスを定義します。たとえば、 `Context7`. 左の画像は、Tool Profile ブロックのダイアログで Context7 MCP が追加・設定されている様子を示しています: {% endcolumn %} {% column %}

{% endcolumn %} {% endcolumns %} #### バリデーター {% columns %} {% column %} バリデーターブロックは、生成されたコード出力をリンターと構文検証に通すことで、主に LLM コードブロックを対象にします。これにより、無効または不正なコード行を最終データセットから除外できるため、品質を保てます。組み込みオプションは Python、SQL、JavaScript/TypeScript の検証をカバーします。 {% endcolumn %} {% column %}

{% endcolumn %} {% endcolumns %} ### 検証、プレビュー、実行レシピのワークフローが整ったら、次は実行です。推奨パターンは、まず検証し、次に素早いフィードバックのためにプレビューし、実行ビューで生成データを確認し、その後、出力が計画に合っていると感じたらフルデータセットを実行することです。実行コントロールは次の順序で使います: {% stepper %} {% step %} #### 検証をクリックします **検証** 設定の問題を見つけるために。 {% endstep %} {% step %} #### プレビューサンプル行と分析を確認するためにプレビューを実行します {% endstep %} {% step %} #### 改善プロンプト、参照、シード設定、またはバリデーターを改善します。生成されたデータに満足できるまで反復します {% endstep %} {% step %} #### フルデータセットのビルドを実行します {% endstep %} {% endstepper %}