数据

/data 分为三个标签页：数据集固定输入版本，数据卷读取目录的当前内容，治理规则管理检测定义。 数据集和数据卷都可以供训练、评估和预处理作业使用。 旧的 /datasets 和 /volumes 链接都落到这里。 两种详情页都会展示可复制的 作业引用 和 使用指南。数据集指南跟随所选版本和文件， 数据卷指南跟随当前目录。代码示例按需展开，日常浏览时保持简洁。

​

你会看到什么

​

治理规则

打开 数据 → 治理规则，输入项目标识（例如 @alice/support），选择训练或评测用途， 然后点击 打开规则。此标签页需要数据治理功能授权和项目管理权限。 项目设为公开，不代表词库和测试输入也公开。

1. 使用 创建词库草稿 填写类别标识、具体字段路径，以及每行一个的词条。 正例填写一个词条，反例填写不包含词条的合成文本。生成文档 会开始一个新版本， 保存前请检查文档。多个类别、正则、限定范围的例外和更多样例可在文档编辑器中维护。 预期匹配范围使用 UTF-8 字节偏移。
2. 填写修改理由并 保存新版本。已保存版本不可变，后续修改会创建另一个版本。 运行样例测试 会在有资源限制的 CPU 子进程中执行真实 Rust 匹配器。 结果必须完全符合预期，每个类别均须有正例和反例，才能发布。
3. 另一位管理员打开已保存版本，检查定义、测试结果及与当前发布版本的比较， 填写复核理由后 发布规则。如果其他复核人先发布，须重新载入并再次复核。 原作者不能批准自己创建的版本。
4. 恢复历史发布时，打开对应的已保存版本；如果运行环境发生变化，先重新测试， 再点击 回滚到此版本。回滚保留中间所有发布历史，同样要求独立复核。

请使用合成样例：测试文档与私有规则一起保存，项目管理者可以读取。 每次测试最多 128 个样例、合计 256 KiB 文本，版本文档上限为 10 MiB。 每个 API 进程最多同时运行两个预览测试，繁忙时请等待其他测试结束后重试。 原生运行环境不可用时仍可编辑草稿，但不能测试和发布。

​

敏感数据扫描范围

扫描徽标描述的是文本抽样，不涵盖图片、OCR、音频或视频，也不能证明整个版本已通过 全量检查。API 将这类证据标记为 coverage: sampled，未读到内容时为 unknown， 并始终标明 satisfies_full_coverage: false。这些字段不会将现有部署级报告策略变成严格治理。 发现数量优先于与其矛盾的“干净”标签，缺失的检查范围会明确展示。在权限允许时，规则命中 数量仍可查看；受保护的数据集继续隐藏摘录。需要处理数据时，请通过 Processing Run 创建 新版本；扫描报告不会改写原始数据。

​

质量报告

在推送时算一次，覆盖全量数据——只有非常大的数据集才采样。 它统计的是机器能统计的东西，不假装能判断内容。

​

受保护的数据集

一个数据集可以被治理成「可以用于训练，但读不到内容」。这样的数据集在控制台上只显示 身份、版本、schema、血缘和授权状态——没有预览、没有样本记录、没有下载。 这是在服务端强制的，不是把按钮藏起来。日志、验证样本和产物受同一套策略约束， 所以它们不会变成另一条导出通道。

​

从控制台上传

数据集列表页的上传数据集用来新建一个数据集和它的第一个版本；数据集详情页的上传新版本 是给已有数据集加一个版本。两者问的是 tp dataset push 一样的三个问题——哪个数据集、哪个版本、 哪些文件——文件也一样是用预签名 URL 直传对象存储。index.json 是「这个版本已完整」的标记， 也因此让版本不可变，所以它只在全部文件都落盘之后才写：中途失败留下的是一个仍然空着的版本号， 而不是一个自称已完成的版本。 文件里如果有 README.md，会一并作为数据集说明发布，和 CLI 推送的行为一致。 质量报告和污染指纹不在浏览器里算——一个页面不会为了切 n-gram 去读几个 GB。版本出现之后， worker 会在扫描它的同一趟里从对象存储把它们算出来，写在版本旁边，位置和 CLI 推送时写的一样。 超过单版本的读取预算时，报告会把自己标成抽样，而不是拿半个文件算出来的重复率当全量。

​

你可以做什么

• 在配置里或用 --train-dataset 引用某个版本。
• 在这一页，或用 tp dataset push 推送新版本。
• 推送前用 tp dataset check 和 tp dataset quality 先检查质量。

完整流程见数据集。

​

Volumes 标签页

一个 Volume 是作业通过只读挂载读取的命名目录。它没有版本：文件原地 增删，引用指向这个 volume 本身而不是它的某个快照。 那里从来没有的东西：批量下载、任何顺手的便利接口，以及所有者没打开时任何设置下的预览。列出结构 和读取内容不是一回事，而这个切分是有意的 —— 一个作业挂上一个 volume 之后已经能读它的每个字，所以 把文件名藏起来什么都保护不了。 一个 volume 的文件永远没有版本，所以要从它产出可复现的东西，跑一次发布数据集版本的 Processing Run。