SebaS01010101/GHAW-H

GitHub Agentic Workflows Markdown Dataset

Origen

Este dataset fue generado por Miner a partir de repositorios de GitHub identificados como usuarios de GitHub Agentic Workflows (GH-AW). Un repositorio se considera MATCH cuando .github/workflows/ contiene un par con el mismo basename:

<basename>.md
<basename>.lock.yml

El snapshot publicado está disponible en SebaS01010101/GHAW-H.

Para la extracción se vuelve a listar el directorio y se descargan solamente los archivos que son archivos regulares y terminan exactamente en .md. body_markdown conserva el body Markdown extraído. No se clonan repositorios, no se usa GitHub Code Search y no se descargan archivos .lock.yml.

Fecha de generación: 2026-09-08.

El artefacto incluido en este repositorio contiene el snapshot de los 374 MATCH disponibles en el checkpoint local al momento de generarlo: 1.541 archivos Markdown, 60.038 campos de frontmatter y 1.541 bodies. De ellos, 369 repositorios tienen al menos un archivo Markdown y 5 repositorios tienen cero archivos extraídos. No representa los candidatos de results.csv que todavía no hayan sido clasificados por la Tarea 2. El archivo auxiliar errors.jsonl no registra errores en este snapshot.

Tablas

• repositories.parquet: un registro por repositorio MATCH canónico.
• workflow_files.parquet: metadata y frontmatter crudo de cada Markdown.
• frontmatter_fields.parquet: campos YAML heterogéneos como paths y JSON.
• workflow_bodies.parquet: body Markdown asociado a cada archivo.

Relaciones:

repositories.repository_id = workflow_files.repository_id
workflow_files.file_id = frontmatter_fields.file_id
workflow_files.file_id = workflow_bodies.file_id

workflow_files.file_id y frontmatter_fields.field_id son SHA-256 deterministas. frontmatter_fields.key_path usa paths con puntos; los arrays se conservan como JSON completo. La clave GH-AW on permanece como string.

Carga

Los archivos pueden leerse directamente con PyArrow:

import pyarrow.parquet as pq

repositories = pq.read_table("repositories.parquet")
workflow_files = pq.read_table("workflow_files.parquet")
frontmatter_fields = pq.read_table("frontmatter_fields.parquet")
workflow_bodies = pq.read_table("workflow_bodies.parquet")

Procedencia y licencia

El contenido Markdown procede de repositorios de terceros en GitHub. Cada registro conserva source_url, cuando GitHub lo proporciona, y el SHA local del contenido. Las licencias y condiciones de uso de cada archivo siguen siendo las de su repositorio de origen; deben revisarse antes de redistribuir el contenido. Este README no sustituye esas licencias.

Miner no publica automáticamente desde tests. Para publicar manualmente:

python -m pip install datasets huggingface_hub
huggingface-cli login
# Revisar los cuatro Parquet, este README y las licencias antes de subirlos.
huggingface-cli upload <owner>/<dataset> huggingface-dataset . --repo-type dataset

No incluir .env, tokens, caches SQLite, logs privados ni archivos temporales.