EMR Daft × Qoder：一句话生成并运行智驾数据处理 Pipeline

一批智驾路采视频进入 OSS 后，数据团队真正想做的，往往不是"写一段 Python"，而是尽快得到一份可检索、可标注、可复用的数据集：原始视频按道路场景完成切分，关键帧带上道路环境、天气、交通参与者和异常事件标签，Embedding、处理状态和行级错误写入数据湖。

问题是，从一句业务需求到一条真正跑通的分布式 Pipeline，中间还隔着算子选择、模型调用、OSS 访问、Ray 资源、错误重试、结果落表和远程验收。

现在，这些工程工作可以交给 alibabacloud-emr-daft-multimodal-job Skill。

一句话看懂 向 Qoder 描述智驾数据的输入、处理目标和输出位置，Skill 会根据目标 EMR Serverless Spark 发布版本，生成完整的 EMR Daft 作业包；获得提交授权后，再通过 SubmitRayJob 远程运行并回读结果，完成从 OSS 原始媒体到 Paimon 统一数据资产的处理闭环。

智驾数据处理，难的不只是"调用一个模型"

一个典型需求可能只有一句话：

"生成一个智驾路采视频数据处理作业：读取 Paimon 视频清单表，表内包含 OSS 视频 URI 和采集元数据；完成场景切分、关键帧提取、道路环境、天气、交通参与者和异常事件标签生成，再为关键帧生成多模态向量；将场景片段、关键帧、标签、多模态向量、处理状态和行级错误分别写入 Paimon 表。"

但落到工程上，至少要回答这些问题：

视频如何批量读取、转码、裁剪、抽帧或切分，避免单机成为瓶颈；
哪些阶段应该放在同一个作业，哪些中间结果需要物化，避免昂贵步骤重复执行；
通用视频理解、专用视频算子和 Embedding 能力应该如何选择；
模型调用如何控制并发、处理限流，并保留行级错误与 token 用量；
OSS 地址如何交给外部模型访问，同时避免把签名 URL 写入结果；
Paimon 表结构与作业输出不一致时，怎样在写入前发现问题；
代码生成后，如何确认它真的能在目标 Workspace 中运行、写入并回读。

这些问题高度重复，却会直接决定智驾数据 Pipeline 能不能稳定交付。

alibabacloud-emr-daft-multimodal-job 把 EMR Daft 的 API、媒体算子、模型服务、分布式运行、存储、安全约束和验收流程沉淀成一套可复用的生成规则，让数据团队把精力放回场景定义、标签体系和数据质量。

围绕智驾路采数据生命周期组织 Pipeline

下面用这条智驾路采视频作业贯穿全文。Skill 不是从"有哪些算子"出发拼功能，而是沿着路采数据的处理链路选择能力：

路采作业的典型处理环节

环节	典型输入	处理目标	典型输出
路采数据发现与质检	视频 URI 与 `vehicle_id`、`collect_time`	校验对象可访问性、采集元数据和基础质量	可处理的视频清单与错误记录
道路场景化	路采视频	场景切分、关键帧提取、片段描述	场景片段表、关键帧表
关键帧语义理解	关键帧或短视频片段	识别道路环境、天气、交通参与者和异常事件	结构化标签、模型状态和 token 字段
数据筛选与质检	关键帧或短视频片段	清晰度、运动信息、内容质量和异常筛选	可筛选的质量指标表
相似检索与样本挖掘	关键帧或视频片段	生成多模态 Embedding	Paimon 向量特征表
多阶段数据生产	原始媒体与采集清单	预处理、理解、向量化、落湖	可复跑、可追踪的数据集

具体 Pipeline 不会被固定在一套模板里。对于这条路采视频作业，Skill 会先核对目标发布版本实际提供的 API，再从 VideoKeyframeExtract、VideoSceneSeg、VideoUnderstanding、ai_query、ai_embedding_multimodal 等能力中选择与需求匹配的组合。

能力边界 视频理解可以根据业务 Prompt 生成道路环境、天气、交通参与者和异常事件等标签，但标签定义、Prompt 和质量验收标准仍由智驾业务提供。VideoRiskRec 面向视频内容风险与合规审核，不应直接等同于驾驶安全事件识别。

自动选择单作业或多阶段作业

对于短而线性的任务，Skill 会保持单作业，减少不必要的中间存储：

当预处理成本较高、结果需要复用，或模型阶段需要独立重跑时，Skill 会拆成多阶段 Pipeline：

这样做有三个直接价值：

可复跑：模型 Prompt 或标签体系变化时，不必重新解码全部原始视频；
可复用：同一份场景片段或关键帧可以服务多个标注、检索和训练任务；
可观测：每个阶段都有明确输入、输出和错误边界，便于抽样检查与失败数据重跑。

从一句需求生成完整作业

业务信息

信息	示例
场景名	`driving_video_dataset_v1`
输入	Paimon 视频清单表，包含 `video_uri`、`vehicle_id`、`collect_time`；`video_uri` 指向 OSS 媒体对象
处理目标	场景切分、关键帧提取、路采标签生成和多模态向量化
输出	Paimon 场景片段表、关键帧表、标签表、向量特征表及质量与错误记录表
存储约定	原始及衍生媒体对象保留在 OSS，Paimon 表保存媒体 URI 和全部结构化结果
写入策略	`overwrite` 或 `append`，以及需要保留的业务主键

运行环境信息

Workspace ID 与地域；
Workspace 支持的 Ray 发布版本；
队列与 head/worker 资源规格；
OSS working directory；
作业主动超时时间；
需要访问 VPC 服务时使用的网络服务。

信息准备好后，可以直接对 Qoder 说：

text 复制代码

/alibabacloud-emr-daft-multimodal-job

生成一个智驾路采视频数据处理作业：
输入是 Paimon 视频清单表，包含 video_uri、vehicle_id 和 collect_time，
其中 video_uri 指向 OSS 上的原始视频；
先对视频做场景切分和关键帧提取，再识别道路环境、天气、交通参与者和异常事件；
保留媒体 URI、标签、模型名称、token 用量、处理状态和行级错误；
为关键帧生成多模态 Embedding；
将场景片段、关键帧、标签、Embedding 和质量结果分别写入 Paimon 表。

使用我提供的 Workspace、发布版本、队列、资源规格和 workingDir。
先生成并检查完整作业包；获得我的明确授权后，再通过 SubmitRayJob 提交，
等待作业完成并回读各张 Paimon 表的结果。

如果目标发布镜像缺少某个算子，Skill 会先给出版本差异和替代 Pipeline，而不是生成一份只能在本地源码中存在、却无法在目标环境运行的代码。

一次调用，交付完整五件套

text 复制代码

output/driving_video_dataset_v1/
├── driving_video_dataset_v1.py
├── requirements.txt
├── .env.example
├── driving_video_dataset_v1_walkthrough.md
└── driving_video_dataset_v1_submit.py

文件	作用
`*.py`	完整的 EMR Daft 作业，包括 Ray Runner、数据读取、算子链、结果写出和远程断言
`requirements.txt`	作业与提交所需的最小依赖
`.env.example`	运行参数模板，所有敏感值保持为空
`*_walkthrough.md`	Pipeline、输入输出契约、资源假设、运行步骤、重跑边界和验收说明
`*_submit.py`	`SubmitRayJob` 提交、状态轮询、主动超时和安全结果输出

交付物不是一段需要用户继续补齐的示例代码，而是一套面向目标 Workspace 的作业包。

智驾数据工程经验已经内置

1. 以目标发布版本为准选择算子

EMR Daft 源码、开发环境和 Serverless 发布镜像可能存在版本差异。Skill 会优先核对当前 API；必要时，在获得授权后通过轻量探测任务确认目标镜像的实际导出，再生成主作业。

例如，目标镜像提供 ai_query 时，可以用它完成通用图片、视频或帧序列理解；旧镜像没有该 API 时，则切换到语义匹配的 VideoUnderstanding 等专用算子，而不是强行导入不存在的能力。

2. 大数据始终留在分布式执行路径

生成的作业通过 Ray 执行媒体处理和模型调用，并以 Paimon 表作为统一的数据 sink。原始视频、关键帧等媒体对象保留在 OSS，Paimon 表保存媒体 URI、采集元数据、中间结果、标签、Embedding 和运行状态。完整结果不会为了写出而被集中拉回 Driver，从而减少大规模路采数据处理中的单点内存风险。

3. 失败数据可定位、可重跑

对于支持结构化状态的 AI 能力，作业会保留：

content 或业务结果；
error 与完成状态；
model；
token 用量；
输入数据的稳定标识。

单条媒体失败时，结果中尽可能保留对应错误，便于按行筛选与重跑。Skill 不会用"所有行都必须成功"掩盖真实数据中可能存在的坏 URI、损坏视频或无权访问对象。

4. 中间结果和最终结果都可验证

昂贵的预处理阶段可以物化为 Paimon 中间表，模型生成的标签、Embedding、处理状态和行级错误也分别写入 Paimon 表。每张表写入前都会检查目标 schema，避免历史表结构与当前输出不一致导致作业运行到最后才失败。

对于智驾长链路，验收会分别检查：

Ray 远程执行；
OSS 写入与回读；
模型结果及错误字段；
各类 Paimon 表的提交、记录数校验与原生回读；
最终组合 Pipeline 的 Driver 断言。

5. 企业安全约束默认开启

AccessKey、SecurityToken、模型凭据和签名 URL 不写入源码；
.env.example 中所有 secret 保持为空；
EMR 环境优先使用平台凭据链与挂载的 STS 凭据；
默认使用 EMR Model Manager 或平台批准的模型服务入口；
对外部模型可访问的媒体地址只在运行时签名，结果中保留原始 oss:// 标识；
日志不打印完整提交响应、临时凭据或带签名的日志链接；
任务完成后自动释放任务级 Ray 集群。

代码生成不是终点，远程验收才是闭环

静态检查和 --dry-run 只能证明交付物结构正确，不能替代目标环境验收。只有拿到 rj-* Submission ID、GetRayJob 到达 Succeeded、Driver 断言通过，并且目标数据回读成功后，Skill 才会报告远程验收通过。

如果用户尚未授权提交，或缺少 Workspace 权限和运行参数，结果会明确标记为 REMOTE_ACCEPTANCE_NOT_RUN，不会把"代码已经生成"包装成"作业已经跑通"。

什么时候适合使用？

智驾路采视频需要批量切分、抽帧、理解与结构化标注；
原始路采视频需要先完成转码、裁剪或压缩；
图片和视频需要生成 Embedding，用于相似检索、去重或样本挖掘；
昂贵的媒体预处理与模型阶段需要解耦和独立重跑；
中间结果、结构化标签、多模态向量、质量指标和错误记录需要统一写入 Paimon，形成可复用的数据资产；
已有 demo 需要补齐依赖、环境配置、提交脚本和远程验收；
团队希望把智驾数据 Pipeline 的工程约束固化为一致的生成规则。

它不会替代智驾团队定义场景 taxonomy、标注规范、Prompt、质量阈值和模型评测，但可以把这些业务定义稳定地转化成可运行、可提交、可验证的数据处理作业。

写在最后

智驾数据处理真正消耗时间的，往往不是某一个视频算子或某一次模型调用，而是把媒体处理、分布式资源、模型服务、存储、安全、重跑和验收同时处理正确。

alibabacloud-emr-daft-multimodal-job 把这些重复的工程决策交给 Skill：

智驾团队定义数据、场景和质量目标；
Qoder 生成完整的 EMR Daft 作业包；
EMR Daft 在目标 Workspace 中分布式处理；
Skill 回读结果并给出可核验的验收结论。

现在可以在 Qoder 中输入一句：

"帮我生成一个智驾路采视频处理作业，完成场景切分、标签生成和向量化；原始媒体保留在 OSS，视频清单、中间结果、标签和向量统一写入 Paimon 表。"

从原始视频到可复用智驾数据资产，一次对话完成作业交付。