简介

文章详细介绍了将企业私有数据转化为高质量大模型微调数据集的六阶段流程：规划与准备、数据收集与整理、清洗与预处理、格式化与标注、质量保证与数据集构建、安全维护与迭代。强调数据质量是微调效果的关键因素，而非工具或参数。每个阶段都包含具体操作步骤和工具推荐，帮助企业从零开始构建适合特定任务的高质量训练数据集。

---

毫不夸张地讲，你的大模型微调效果好不好关键在于数据集质量如何。而微调工具或者微调参数只是其次。那么如何将公司内部的私有数据制作成大模型微调用的数据集呢？我给大家总结了6大步。

第一阶段：规划与准备 (最重要的阶段)

在开始任何技术工作之前，必须明确目标和规则。

1）明确训练目标：

任务类型：你想训练模型完成什么任务？

• 知识问答：基于文档内容回答问题。
• 文本摘要：自动生成文档摘要。
• 内容分类：将文档归入特定类别。
• 对话系统：打造一个内部知识助手。
• 代码生成：如果是代码库，用于代码补全或解释。

目标决定了后续所有处理方式。例如，做摘要需要“文档-摘要”对，做问答需要“问题-答案”对。

2）确定数据范围与来源：

来源： confluence, Notion, SharePoint, Google Docs, 代码库 (Git), CRM,客服工单，内部Wiki，PDF报告等。

范围：不是所有文档都适合。确定哪些部门、哪个时间段、哪些类型的文档需要纳入。避免使用过时的、敏感的或低质量的文档。

3）处理安全和隐私问题：

• 合规审查：务必与法务、安全和合规部门合作。
• 数据脱敏：制定明确的脱敏规则，识别并去除或替换个人身份信息 和其他敏感信息（如电话号码、邮箱、身份证号、银行卡号、客户名称、内部IP/域名等）。
• 权限控制：确保用于训练的数据不包含未经授权访问的内容。

第二阶段：数据收集与整理

1）批量导出数据：

使用各种工具提供的API（如Confluence API, Google Drive API）或以权限方式（如数据库导出、CSV）批量获取原始文档。

保存时最好保留元数据，如创建日期、作者、文档类型、URL等，这些信息后续可能用于筛选或增强数据。

2）统一格式：

将不同格式的文件（.docx, .pdf, .ppt, .html, .txt）转换为纯文本格式。

工具推荐：

• PDF：使用 PyMuPDF , pdfplumber , 或商业工具Adobe Acrobat。
• DOCX：使用 python-docx 库。
• PPTX：使用 python-pptx 库（注意主要提取文本框内容）。
• HTML：使用 BeautifulSoup 库去除标签。

转换后，文本中会包含大量无用元素（页眉、页脚、页码、代码块），这是正常的，下一步清洗会处理。

第三阶段：数据清洗与预处理

这是最耗时但至关重要的一步，直接决定数据集质量。

1）清理噪音：

• 删除无关文本：页眉页脚、页码、法律免责声明、重复内容。
• 清理多余的换行符、空格、乱码（ ， UTF-8 错误字符）。
• 处理表格和图像：表格可以提取为结构化文本（如Markdown表格）。图像中的文本需要使用OCR提取，但需评估其价值与成本。

2）分段：

• 大语言模型有上下文长度限制。不能将整本书直接扔给模型。
• 将长文本切分成语义连贯的短段落。
• 简单方法：按换行符、句号分段。但效果一般。
• 高级方法：使用文本分割器，如 recursive character text splitter ，尽可能在语义完整的边界（如段落结束、标题处）进行切割，并保留部分重叠以避免语义断裂。

3）脱敏：

• 使用正则表达式匹配模式（如邮箱、电话号码）。
• 使用预训练模型（如 spaCy 的 NER 模型）来识别实体（人名、地名、组织名）。
• 将识别出的敏感信息替换为无意义的占位符，如 [PHONE] , [NAME] , [EMAIL]。

4）去重：

• 删除完全相同的重复段落。
• 使用模糊去重（如SimHash）删除高度相似的段落，避免数据冗余。

第四阶段：数据格式化与标注

根据第一阶段的目标，将纯文本结构化为模型可训练的格式。

1）格式选择：

• 预训练：只需清洗后的纯文本，每段文本作为一个样本。格式简单：{"text": "..."}
• 指令微调：需要构造“指令-输入-输出”对。

• 问答对： {“instruction”: “公司年假政策是怎样的？”, “input”: “”, “output”: “根据员工手册，全职员工每年享有15天年假…”}
• 摘要： {“instruction”: “为以下文档写摘要”, “input”: “[长文档内容]”, “output”: “[摘要文本]”}

• 对话微调：需要多轮对话数据。

• {“messages”: [{“role”: “user”, “content”: “…”}, {“role”: “assistant”, “content”: “…”}]}

2）数据构造方法：

• 人工撰写：质量最高，但成本高昂。适用于关键任务。
• 自动生成：

• 问答对：使用一个强大的LLM（如GPT-4）根据文档段落自动生成问题。

• 摘要：使用摘要模型为长文档生成摘要候选，再由人工审核修正。

• 利用现有资源：如果公司有客服日志，可以从中提取真实的“用户问题-客服回答”对。

第五阶段：质量保证与数据集构建

1）抽样与人工评估：

• 从处理后的数据中随机抽取一部分（例如1%）。
• 让领域专家评估质量：内容是否准确、格式是否正确、是否无敏感信息、标注是否合理。
• 根据反馈迭代优化前面的处理流程。

2）构建数据集文件：

• 将最终数据保存为标准的、通用的格式。
• 推荐格式： JSONL ，即每行一个JSON对象。这种格式易于读取、处理，且被绝大多数训练框架支持。
• 其他格式：CSV、Parquet。

3）划分数据集：

将数据随机打乱后，划分为：

• 训练集：用于模型训练的主要部分（~90%）。
• 验证集：训练过程中评估模型性能，调整超参数（~5%）。
• 测试集：最终评估模型的泛化能力，在整个训练过程中不应使用（~5%）。

第六阶段：安全、维护与迭代

1）安全存储：将最终数据集存储在安全的、有访问权限控制的位置。

2）版本控制：对数据集进行版本管理（如使用DVC或git-lfs），记录每次变化的说明。

3）持续迭代：随着公司内部文档的更新，定期重复此流程，扩增和更新数据集，以使模型保持最新。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】