Datawhale干货
作者：吴锦凤，Datawhale优秀学习者
冬灵，Datawhale成员
首篇：零基础入门：DeepSeek微调教程来了！
前篇：微调篇「数据集构建」保姆级教程来了！
这次是「数据集构建」保姆级教程第二篇，会持续更新。
一、构建属于自己的知识库
检索增强生成（Retrieval Augmented Generation），简称 RAG。在构建RAG（Retrieval-Augmented Generation）的向量知识库时，数据的处理方式直接影响系统的性能和可靠性。不能随意塞入未经处理的数据，否则可能导致检索效果差、生成结果不准确甚至安全隐患。
二、构建向量知识库数据集强调事项
构建向量知识库数据集的基本步骤与微调数据集（见前篇）基本一致，但有以下注意强调事项。
数据质量直接影响结果（向量知识库数据集严禁噪声与微调不一样！！！）
- 问题：噪声、重复、低质数据会污染知识库，导致检索到无关内容。
- 解决方案：
- 清洗数据：去除HTML标签、特殊符号、乱码等噪声。
- 去重：合并相似内容，避免冗余数据干扰检索。
- 标准化：统一文本格式（如日期、单位）、大小写、标点符号。
- 质量筛选：优先保留权威来源、高可信度的内容。
数据与场景的匹配性
- 问题：知识库与应用场景偏离会导致检索失效。
- 解决方案：
- 场景过滤：仅保留与目标任务相关的数据（例如医疗场景需剔除无关行业内容）。
- 动态更新：定期增量更新数据，避免时效性内容过期。
- 冷启动优化：初期可引入人工标注的高质量种子数据。
安全与合规风险
- 问题：随意导入数据可能泄露敏感信息或引入偏见。
- 解决方案：
- 敏感信息过滤：使用NER识别并脱敏（如身份证号、电话号码）。
- 偏见检测：通过公平性评估工具（如Fairness Indicators）筛查歧视性内容。
- 权限控制：对知识库分级访问，限制敏感数据检索权限。
如果你不是使用Dify开源框架构建向量数据库，而是使用类似faiss向量数据库构建向量数据库还有以下注意事项：
1.文本分块（Chunking）需策略化
- 问题：随意分块可能导致语义不完整，影响向量表示。
- 解决方案：
- 按语义切分：使用句子边界检测、段落分割或基于语义相似度的算法（如BERT句间相似度）。
- 动态调整块大小：根据数据特性调整（例如技术文档适合较长的块，对话数据适合短块）。
- 重叠分块：相邻块保留部分重叠文本，避免关键信息被切分到边缘。
2.向量化模型的适配性
- 问题：直接使用通用模型可能无法捕捉领域语义。
- 解决方案：
- 领域微调：在领域数据上微调模型（如BERT、RoBERTa）以提升向量表征能力。
- 多模态支持：若包含图表、代码等，需选择支持多模态的模型（如CLIP、CodeBERT）。
- 轻量化部署：权衡精度与效率，可选择蒸馏后的模型（如MiniLM）。
3.索引结构与检索效率
- 问题：海量数据未经优化会导致检索延迟。
- 解决方案：
- 分层索引：对高频数据使用HNSW，长尾数据用IVF-PQ（Faiss或Milvus）。
- 元数据过滤：为数据添加标签（如时间、类别），加速粗筛过程。
- 分布式部署：按数据热度分片，结合缓存机制（如Redis）提升响应速度。
补充说明：向量知识库数据集也要是问答对？
将数据整理成问答对（QA Pair）形式是一种优化策略，而非必要步骤。但这种方式在特定场景下能显著提升检索和生成的效果。以下是其核心原因和适用场景的分析：
-
1. 为什么问答对形式能优化RAG？
（1）精准对齐用户查询意图
- 问题：用户输入通常是自然语言问题（如“如何重置密码？”），而知识库若存储的是纯文本段落（如技术文档），检索时可能因语义差异导致匹配失败。
- 问答对的优势：
- 直接以“问题-答案”形式存储知识，检索时相似度计算更聚焦于“问题与问题”的匹配（Question-Question Similarity），而非“问题与段落”的匹配。
- 例如，若知识库中存有QA对 Q: 如何重置密码？ → A: 进入设置页面，点击“忘记密码”…，当用户提问“密码忘了怎么办？”时，即使表述不同，向量模型也能捕捉到语义相似性。
（2）降低生成模型的负担
- 问题：若检索到的是长文本段落，生成模型（如GPT）需要从段落中提取关键信息并重组答案，可能导致信息冗余或遗漏。
- 问答对的优势：
- 答案部分已是对问题的直接回应，生成模型只需“改写”或“补充”答案，而非从头生成，降低幻觉风险。
- 例如，QA对中的答案已结构化（如步骤列表），生成结果更规范。
（3）提升检索效率与召回率
- 问题：传统分块检索可能因文本块过长或过短导致关键信息丢失（如答案分散在多个段落）。
- 问答对的优势：
- 每个QA对是自包含的语义单元，检索时直接返回完整答案，减少上下文碎片化问题。
- 可针对高频问题设计专用QA对，提高热门问题的响应速度和准确性。
-
2. 哪些场景适合问答对形式？
（1）任务型对话系统
- 适用场景：客服机器人、技术支持、医疗咨询等垂直领域。
- 原因：用户需求明确，答案通常简短且结构化（如操作步骤、诊断建议）。
- 案例：
- 用户问：“如何退订会员？” → 直接匹配QA对中的答案：“登录账号→进入订阅管理→点击取消”。
（2）FAQ（常见问题解答）库
- 适用场景：产品帮助文档、政策解读等。
- 原因：FAQ天然适合QA形式，直接覆盖高频问题。
- 案例：
- 知识库存储 Q: 保修期多久？ → A: 本产品保修期为2年。
（3）知识密集型生成任务
- 适用场景：需要精确引用事实的场景（如法律咨询、学术问答）。
- 原因：QA对中的答案可作为“事实锚点”，减少生成模型的自由发挥。
- 案例：
- 用户问：“《民法典》规定离婚冷静期多久？” → 返回QA对中的法条原文。
问答对构建的注意事项
并非所有数据都适合QA形式
- 避免强制转换：
- 叙述性文本（如小说、新闻）或开放域知识（如百科条目）更适合以段落或实体为中心存储。
- 强行拆分为QA可能导致信息割裂（例如将“量子力学发展史”拆解为多个不连贯的问答）。
三、具体步骤示例（大学生求职不踩坑指南数据集——基于Dify向量知识库构建）
1、明确目标
确定你要解决的问题或任务，然后就可以寻找优质的数据集以及构建自己的数据集了~
2、数据收集
原始文档格式转换
可以是pdf转word，也可以是ppt转word，pdf转tx，
经过测试，大模型对TXT格式文档的识别度较高，尤其是在中文语言编码的情况下。因此，建议使用第三方工具将原始文档转换为TXT格式，以提高大模型的识别效果。 以下是笔者用过的一些方式：
-
1. 懒人办公（免费）
https://www.lanren.work/pdf/pdf-to-txt.html
-
2. 电脑自带的word
这个每个人的电脑都有，但是要看转换效果，感觉方法一可能效果会更好，要根据实际情况决定
-
3. wps(要会员)
这个方法适用于有wps的小伙伴，
3、数据标注和数据清洗
1、导入文件到大模型对话助手，进行初步格式调整
GPT可以进行转换，但不是所有ai助手的都可以进行格式转换
提示词模板：
帮我去除掉文档中所有空格，删除掉所有页码，同时删除掉“xx”相关字样，记住无需保留空行。
2、格式重新调整
把问题以QA形式罗列，格式如下，记住每个问答之间空格一行:
Q:问题
A:答案
原文本中问题格式为:
xxxxxxxxx
答案为下一个问题之前的所有文本
到这只需要人工再进行一些抽验~没问题的话，数据集就创建完成了！效果如下~
如果还有问题的话，可以再让GPT进行调整
3、导入Dify进行数据集训练
测试一下~构建一个agent
引用知识库~
这样数据集就构建好啦~
四、完结感言
首先，非常感谢合作小伙伴冬灵和我一起共创数据集构建系列二。
其次，非常感谢Deepseek官网满血版以及kimi在本章的代码修改、资料收集以及文章润色方面提供的宝贵帮助！
这是本系列的第二篇，中间还有很多需要完善的地方，我们非常期待各位小伙伴的宝贵建议和指正，让我们共同进步，一起在AI学习的道路上探索更多乐趣！
一起“点赞”三连↓
（文：Datawhale）