【有手就行】利用大模型批量生成数据集

之前用的更多的是利用ChatGPT来生成数据，但是为了写这篇文章，我又专门用千问、文心、豆包、ChatGPT走了一遍完整流程。这篇文章主要有用的就是生成数据的提示词，顺便用这个实例介绍对比一下几个主流模型的表现，供大家参考。

iwgh

687人浏览 · 2026-01-01 01:14:27

iwgh · 2026-01-01 01:14:27 发布

一、前言

前阵子写了几篇大模型开发相关的入门的文章，然后有同学私信说自己训练或者微调出来的模型效果不如预期，对于这一点，我在前面的文章里也反复强调过多次，对于大模型来说，唯一真正有价值的只有：数据。脸书扎克伯格花大价钱ScaleAI的底层逻辑也在于此。

在现在这个时代，完全可以说，大部分的技术都是没有什么价值的，因为大部分的技术都是有手就行。
真正的价值都在数据，而且最有价值的数据往往都是一个个的专业领域的数据，决定大模型微调效果的是数据，决定你整个产品成败的也是数据，这个事情一定要搞清楚。
所以呢，建议大家从现在开始，给自己好好做积累吧，把你的行业数据、专业领域的数据一点点积累好，这才是你的未来。

而数据中最重要的还是实际的业务数据，并不是让大模型帮你生成的数据，但是如果你是为了做一些项目的测试的话，让大模型来帮忙丰富一下你的数据集也是一个不错的选项。这里就用我自己的一个实际的用于语音助手的案例，来手把手教你如何利用大模型来帮你生成一些数据。

【有手就行】大模型开发入门系列

二、让大模型帮忙生成训练集

从这一轮次的的测试生成数据集的情况来看，印象分最好的要算Qwen3-Max，而ChatGPT则垫底了。看来中文还是得选中国的大模型。另外，犹记当年第一届世界人工智能大会时，马云跟马斯克吹牛：AI就是Alibaba Intelligent，这牛吹的当年所有人都想笑，再过几年看看Alibaba到底能不能笑傲江湖，让咱们座目以待。

根据意图配置生成训练数据，意图为：

{ "agent_api_base": "https://api.oddmeta.net", "global_variants": [ { "name": "confid", "desc": "会议ID，必须是13位数字，作为会议操作的唯一标识符", "type": "string", "required": false }, { "name": "e164", "desc": "终端E.164号，作为终端语音助手时使用", "type": "string", "required": false } ], "agent_tool_list": [ { "tool_name": "INSTANT_MEETING", "name": "创建会议", "description": "立即创建会议。", "example": "输入：江苏省公安厅创建公安会议\n答：{ 'meeting_name': '公安会议', 'meeting_side': '江苏省公安厅' }", "more_instructs": [ ], "parameters": [ { "name": "meeting_name", "desc": "会议名称", "type": "string", "required": false }, { "name": "meeting_side", "desc": "会议方/所属部门", "type": "string", "required": false } ], "tool_api_url": "https://api.oddmeta.net/api/INSTANT_MEETING", "tool_api_method": "POST", "enabled": true }, { "tool_name": "SILENCE", "name": "全场静音控制", "description": "控制会议中所有麦克风的静音与取消静音。", "example": "输入：关闭全场麦克风\n答：{ 'enable': 1 }\n输入：打开全场麦克风\n答：{ 'enable': 0 }", "more_instructs": [ "关闭全场麦克风", "关闭全场全体麦克风", "关掉全场全体麦克风", "所有麦克风静音", "把全场全体的麦都关闭", "把所有麦克风都关闭", "关闭所有人的麦克风", "全场关麦", "全关麦克风", "开启全场麦克风", "打开全场全体麦克风", "把所有麦克风都打开", "打开所有人的麦克风", "把大家的麦都打开", "全场开麦", "全开麦克风" ], "parameters": [ { "name": "enable", "desc": "静音开关：1表示全场静音，0表示取消静音（开麦）", "type": "number", "required": true } ], "tool_api_url": "https://api.oddmeta.net/api/SILENCE", "tool_api_method": "POST", "enabled": true }, { "tool_name": "SPEAKER", "name": "设置发言人", "description": "将指定会场或省厅设置为当前会议发言人（主画面）。", "example": "输入：广播江苏省公安厅\n答：{ 'mt_name': '江苏省公安厅' }", "more_instructs": [ "广播江苏省公安厅", "广播江苏省厅", "广播浙江", "主看江西省厅", "把主画面切到河北省厅", "给所有人看河北省厅的画面", "选看江西", "将河北设为发言人", "把发言人设为河北", "接下来请江苏省公安厅发言" ], "parameters": [ { "name": "mt_name", "desc": "发言人会场名称", "type": "string", "required": true } ], "tool_api_url": "https://api.oddmeta.net/api/SPEAKER", "tool_api_method": "POST", "enabled": true }, { "tool_name": "POLL", "name": "会议轮询控制", "description": "控制会议轮询功能，可开启或结束会场轮询。", "example": "输入：开始轮询，间隔5秒\n答：{ 'keep_time': 5, 'enable': 1 }\n输入：结束轮询\n答：{ 'enable': 0 }", "more_instructs": [ "开始轮询，间隔时间5秒", "轮询开始，间隔设为五秒", "开始轮询，间隔5秒", "轮询一下，间隔十秒", "轮询，5秒间隔", "全场轮询，间隔十秒", "5秒间隔，开始轮询", "开始轮询，间隔5", "开始快速轮询，设个间隔十秒", "对全体参会者开始轮询，间隔5秒", "结束轮询", "停止轮询", "关闭轮询", "退出轮询模式", "轮询结束", "轮询可以关了", "轮询到此为止", "轮询完成", "轮询取消", "把轮询结束掉" ], "parameters": [ { "name": "keep_time", "desc": "轮询间隔时间（秒）", "type": "integer", "required": false }, { "name": "enable", "desc": "1 表示开始轮询，0 表示结束轮询", "type": "number", "required": true } ], "tool_api_url": "https://api.oddmeta.net/api/POLL", "tool_api_method": "POST", "enabled": true }, { "tool_name": "ONLINE_MTS_POST", "name": "呼叫会场", "description": "呼叫指定会场加入会议。", "example": "输入：呼叫江苏省厅和浙江省厅\n答：{ 'mt': [ { 'mt_name': '江苏省厅' }, { 'mt_name': '浙江省厅' } ] }", "more_instructs": [ "呼叫浙江省厅", "呼叫江苏省公安厅", "呼叫江苏、浙江省厅", "再呼一遍江苏、浙江省厅", "呼叫河北" ], "parameters": [ { "name": "mt", "desc": "呼叫的会场列表，每个元素包含 mt_name", "type": "array", "required": true, "items": { "type": "object", "properties": { "mt_name": { "type": "string" } } } } ], "tool_api_url": "https://api.oddmeta.net/api/ONLINE_MTS_POST", "tool_api_method": "POST", "enabled": true }, { "tool_name": "MTS_DELETE", "name": "挂断或移除会场", "description": "挂断指定会场或将其从会议中移除。", "example": "输入：挂断江苏和浙江省厅\n答：{ 'mt': [ { 'mt_name': '江苏省厅' }, { 'mt_name': '浙江省厅' } ] }", "more_instructs": [ "挂断江苏和浙江省公安厅", "挂掉浙江", "断开河北、江西省厅的连接", "结束与江苏、浙江的通话", "移除江西", "请离江苏和江西省厅", "清退杭州省厅", "把江苏、江西踢出去", "将江苏和浙江从会议中踢掉", "让江苏和浙江省厅下线", "江苏省厅，删除", "把江苏省厅断开", "江西卡顿了，移除一下", "终止河北公安厅的接入", "结束对江苏省厅的呼叫" ], "parameters": [ { "name": "mt", "desc": "要挂断或删除的会场列表，每个元素包含 mt_name", "type": "array", "required": true, "items": { "type": "object", "properties": { "mt_name": { "type": "string" } } } } ], "tool_api_url": "https://api.oddmeta.net/api/MTS_DELETE", "tool_api_method": "POST", "enabled": true } ] }。

单个数据格式示例为：
{ "instruct": "创建江苏省公安厅会议", "input": "", "output": { "tool_name": "INSTANT_MEETING", "parameters": { "meeting_name": "公安会议", "meeting_side": "江苏省公安厅" } }

分为instruct、input、output。
- input保持为空
- output格式为json
    - 第一个字段为tool_name即意图
    - 第二个字段为parameters及各个参数，同样是json格式，parameters的名字严格按照配置里的描述，parameters要从instruct里解析，不能随便填充，required为false的情况下可以为空。

每个意图50条数据，尽量口语化，参考more_instructs，结果保存到一个json里，让我下载。