数据与分析 synthetic-data data-augmentation python sql-validation llm-as-judge statistical-sampling mcp

NeMo Data Designer

从零或基于种子数据生成高质量合成数据集。

源仓库: NVIDIA-NeMo/DataDesigner
Star 数: ★ 2.3k
最近更新: 2 天前
License: Apache-2.0
主语言: Python
FA 评分: 49/100 · 缺口较多

30 秒速览

运行形态: 代码库 / SDK命令行工具Agent 插件 / 技能
可在哪里用: 通用 · 跨平台OpenAI API · Claude APIClaude Code（部分支持）
费用: 软件免费，模型调用费用自付
上手难度: 低 · 几分钟可跑通
开始前需要: Python 3.10+API 密钥（NVIDIA Build、OpenAI 或 OpenRouter）Shell / 命令行网络访问本地文件系统
典型场景: 需要为机器学习模型生成多样化训练数据的数据科学家，当真实数据稀缺或敏感时。
不适合: 计划将 NVIDIA Build 端点用于生产环境的团队
需要稳定 API 与完善文档的生产项目
源码审查: 49/100 · 缺口较多 1 项安全控制未见

这个 Agent 能做什么，适合哪些场景？

NeMo Data Designer 是 NVIDIA 推出的合成数据生成框架，可用于从零生成或基于现有种子数据扩充数据集。它提供统计采样器、LLM 文本列、依赖感知生成、内置验证器（Python、SQL 及自定义远程验证器）以及 LLM-as-a-judge 评分功能。支持预览模式，可在全规模生成前快速迭代。它可通过 pip 安装，并支持多个模型提供商（NVIDIA Build、OpenAI、OpenRouter）。该框架提供 Python 接口和 CLI 工具，并包含一个面向编码智能体的技能，可与 Claude Code 等工具集成。

NeMo Data Designer 通过列配置生成合成数据。用户使用 SamplerColumnConfig 和 LLMTextColumnConfig 定义列，指定采样器类型（如 CATEGORY）和提示模板。它使用异步引擎并行处理列，并支持依赖感知生成以控制字段间关系。内置验证器（Python、SQL 或远程）可确保数据质量，LLM-as-a-judge 可对输出进行评分。用户可通过 DataDesigner 类的 preview 方法预览数据集，并使用 data-designer config 命令配置模型提供商。该框架还提供 CLI 工具和技能集成，使编码智能体（如 Claude Code）能根据自然语言描述自动生成数据集。

需要为机器学习模型生成多样化训练数据的数据科学家，当真实数据稀缺或敏感时。
需要生成符合特定字段相关性的合成数据集的工程师，例如用于测试数据库查询的客户数据。
需要快速创建带注释的数据集以评估 LLM 输出的研究人员。
需要为基准测试生成多语言文本数据的开发者，可使用 LLM 提示模板。
希望在数据进入生产环境前验证数据完整性和业务规则的质量保证团队。

如何安装或部署这个 Agent？

通过 pip 安装：pip install data-designer。或从源代码安装：git clone https://github.com/NVIDIA-NeMo/DataDesigner.git && cd DataDesigner && make install。需要 Python 3.10 至 3.14。

如何使用这个 Agent？

设置 API 密钥之一：export NVIDIA_API_KEY="..." 或 export OPENAI_API_KEY="..." 或 export OPENROUTER_API_KEY="..."。在 Python 中导入 data_designer.config 和 DataDesigner，创建 DataDesignerConfigBuilder，添加列配置（如 SamplerColumnConfig 或 LLMTextColumnConfig），然后调用 data_designer.preview(config_builder=config_builder) 并预览样本。

这个 Agent 有哪些优点和局限？

优点

无缝支持多种模型提供商（NVIDIA Build、OpenAI、OpenRouter），无需更改代码即可切换。
内置验证器（Python、SQL、远程）确保生成数据的质量和业务规则合规。
异步引擎通过并行处理列和动态调整并发，提升大型数据集的性能。
提供预览模式和 LLM-as-a-judge 评分，便于在全面生成前快速迭代。

局限

需要有效的 API 密钥（NVIDIA Build、OpenAI 或 OpenRouter），可能产生费用。
使用 NVIDIA Build 端点时有数据隐私问题，其服务条款可能限制生产使用。
框架仍处于早期阶段，可能缺少某些文档或稳定 API。
技能集成目前主要针对 Claude Code，其他编码智能体支持有限。

这个 Agent 与同类方案有什么区别？

与相关度最高的同类 agent 并排比较关键指标。

Agent	源码审查	形态 / 费用	Star	最近更新	主语言	完整支持的平台
NeMo Data Designer 当前	49 · 缺口较多	代码库 / SDK免费 + 模型费	★ 2.3k	2 天前	Python	OpenAI API · Claude API
OpenBB 开放数据平台	37 · 缺口较多	代码库 / SDK免费版 + 付费版	★ 74k	今天	Python	—
Wisp Science	71 · 存在缺口	桌面应用免费 + 模型费	★ 1k	今天	Rust	Codex · Claude Code · OpenAI API · Claude API
EDSL（Expected Parrot 领域特定语言）	63 · 存在缺口	代码库 / SDK免费 + 模型费	★ 507	1 天前	Python	OpenAI API · Claude API

FollowAgents 如何评估这个 Agent？

FollowAgents 源码审查 · FARS-2.1

缺口较多

49/ 100 五分制 2.5 / 5

本评测基于 2026年8月11日的源码；此后该项目发布了 5 个正式版本，尚未复审。分数与结论只代表评测时的版本。最近版本 ↓

信任安全 11/29

可靠稳定 8/14

适用触发 10/18

规范维护 10/18

有效结果 7/13

证据核验 3/8

查看各维度的扣分理由

信任安全11 / 29 · 1.9/5

证据显示：README 明确说明遥测功能可禁用（NEMO_TELEMETRY_ENABLED=false），并说明收集的数据类型（模型名称和 token 计数），这体现了数据流透明性。但未发现权限最小化、用户确认或回滚机制的明确证据。依赖安全方面，pyproject.toml 中注释了多个安全修复版本（如 aiohttp、jupyter-server 等），表明对依赖安全有一定关注。外部影响方面，README 提到可配置第三方端点，但未详细说明其影响。来源归属方面，README 提供了引用信息，但发布者身份未验证。扣分原因：缺少权限最小化、用户确认、回滚和敏感数据处理的具体实现细节。

可靠稳定8 / 14 · 2.9/5

证据显示：项目结构清晰，有多个测试文件（如 fern/scripts/tests/），表明自洽性较好。依赖可用性方面，pyproject.toml 定义了依赖组，但未提供完整的依赖锁定文件（如 uv.lock）的细节。失败消息方面，测试中未发现明确的错误处理或用户友好的失败消息。扣分原因：失败消息和依赖可用性的证据不足。

适用触发10 / 18 · 2.8/5

证据显示：README 描述了多种使用场景（生成多样数据、控制关系、验证质量等），并提供了快速入门示例，表明受众和场景覆盖较好。能力边界方面，文档提到了异步引擎和模型配置，但未明确说明限制。触发精度方面，CLI 命令和技能安装说明提供了触发方式，但未详细说明触发条件。环境适配方面，支持 Python 3.10-3.14，并提供了安装说明。扣分原因：触发精度和能力边界的细节不足。

规范维护10 / 18 · 2.8/5

证据显示：README 提供了清晰的信息架构，包括快速入门、文档链接和贡献指南。安装说明详细（pip 和源码安装）。命名稳定性方面，未发现重大命名变化，但未提供版本历史。示例和 FAQ 方面，提供了代码示例和文档链接，但未提供 FAQ。已知限制方面，README 提到了异步引擎的注意事项，但未全面列出。许可证为 Apache-2.0，完整。版本控制和变更日志方面，未发现 CHANGELOG 文件。维护责任方面，README 提供了贡献指南和问题跟踪。扣分原因：缺少 FAQ、已知限制和变更日志。

有效结果7 / 13 · 2.7/5

证据显示：输出可用性方面，README 描述了生成的数据集可用于生产级合成数据，并提供了预览模式。边际价值方面，提供了多种生成方式（统计采样、LLM、种子数据），但未与其他工具对比。成本效益方面，未提供性能或成本数据。扣分原因：成本效益和边际价值的证据不足。

证据核验3 / 8 · 1.9/5

证据显示：README 中的声明（如“20T+ Tokens Processed”）未提供具体数据来源，但提供了文档链接。跨来源佐证方面，未发现独立验证。事实与推断分离方面，README 区分了功能描述和遥测数据，但未明确区分事实和推断。扣分原因：声明缺乏可追溯性，且无独立验证。

风险与缓解建议

源码中未见：回滚或恢复路径运行前先备份，或在 git 分支、快照上操作，确保改动可以撤销。
发布者身份未验证，需谨慎对待来源。
遥测功能默认启用，需注意隐私影响，可设置 NEMO_TELEMETRY_ENABLED=false 禁用。
依赖安全注释表明部分依赖有已知漏洞，但未提供完整的依赖锁定文件，建议使用 uv.lock 确保可复现性。
README 中的性能声明（如 20T+ tokens）缺乏可验证的数据来源。

证据充分度：低评估于 2026年8月11日审查版本 4b18f5645e5c 评估后仓库已有新提交，评分可能未覆盖最新改动

评估证据 README.md LICENSE SECURITY.md pyproject.toml workflows/agentic-ci-authorized-checks.yml workflows/agentic-ci-daily.yml tests/test_check_internal_links.py tests/test_serve_local_docs_preview.py analysis/conftest.py

查看完整评分方法 →

常见问题

使用 NeMo Data Designer 需要付费吗？

框架本身是开源的（Apache 2.0），但生成数据需要 API 密钥，这可能会产生费用，具体取决于提供商。如果使用 NVIDIA Build，它仅用于评估和测试，不应在生产环境中使用。

我可以在自己的公司数据上训练吗？

可以，您可以使用自己的种子数据，但请注意，该过程可能涉及调用第三方 API，请确保您的数据符合提供商的服务条款和隐私政策。

生成的合成数据会包含个人信息吗？

框架提供人员采样功能，可生成人口统计属性，但您应谨慎处理此类数据，并确保符合相关法规。

我如何确保数据质量？

使用内置的验证器（Python、SQL、远程）对生成的数据进行验证，并使用 LLM-as-a-judge 评分。

如果遇到性能问题怎么办？

如果您在自托管端点上遇到较慢的延迟，可以调整 inference_parameters.timeout 以匹配实际的请求延迟。

NeMo Data Designer

30 秒速览

这个 Agent 能做什么，适合哪些场景？

如何安装或部署这个 Agent？

如何使用这个 Agent？

这个 Agent 有哪些优点和局限？

这个 Agent 与同类方案有什么区别？

FollowAgents 如何评估这个 Agent？

最近版本

常见问题

对比同类 Agent

MCP Agent 横向对比

相关 Agents

OpenBB 开放数据平台

Wisp Science

EDSL（Expected Parrot 领域特定语言）

ktx — 数据代理的上下文层