【模型手术室】外传：无中生有 —— 用 Python 自动化构建“行业黑话”数据集
专栏进度：02 / 10 (配套工具篇)
在 AI 业界，这种方法被称为 Synthetic Data Generation（合成数据生成）。当原始数据稀缺或涉及隐私无法导出时，我们会先定义“知识元”，再利用更高阶的模型（如 DeepSeek-V3 或 GPT-4o）来批量生产“教案”。
一、 核心逻辑：从“知识点”到“对话对”
我们将数据集构建分为三个维度：
基础定义：解释行业术语。
场景实战：模拟具体故障或需求。
异常处理：当规则冲突时，模型该如何权衡。
二、 Python 实战：自动化生成脚本
这个脚本模拟了从“行业规范”中提取逻辑并转化为微调样本的过程。
Python
import json
- 定义行业“知识种子” (Knowledge Seeds)
假设我们要微调一个“企业内网安全专家”模型
seeds=[{"topic":"SSH 登录策略","rule":"严禁使用密码登录，必须强制使用 RSA 4096 位密钥，且尝试次数超过 3 次锁定 IP 24 小时。","scenarios":["配置检查","攻击防范","合规咨询"]},{"topic":"数据库脱敏","rule":"生产环境查询手机号必须展示前3后4，中间4位掩码。严禁导出未脱敏的明文数据。","scenarios":["SQL 审计","权限申请","操作指南"]}]- 构造 SFT 数据生成器
defgenerate_sft_data(seeds):dataset=[]forseedinseeds:# 场景 1：基础问答dataset.append({"instruction":f"请简述公司关于{seed['topic']}的安全规范。","input":"","output":f"根据公司安全审计要求，{seed['rule']}"})# 场景 2：实战应用 (带 Input)dataset.append({"instruction":"请分析以下配置是否符合合规要求。","input":f"当前配置：允许密码登录，SSH 尝试锁定时间为 10 分钟。针对主题：{seed['topic']}","output":f"不符合合规要求。原因：{seed['rule']}。当前配置过于宽松，存在暴力破解风险。"})returndataset- 保存为微调专用的 JSONL 格式
sft_results=generate_sft_data(seeds)withopen("security_expert_data.jsonl","w",encoding="utf-8")asf:forentryinsft_results:f.write(json.dumps(entry,ensure_ascii=False)+"\n")print(f"成功生成{len(sft_results)}条微调样本！")三、 如何大规模扩充？（LLM-as-a-Service）
上面的脚本只是骨架。在工业界，我们会编写一个 Prompt 循环，让大模型批量执行以下任务：
给大模型的指令：
“你现在是一名资深网络安全专家。基于‘SSH 强制密钥登录’这一规则，请为我生成 20 组不同的对话。要求：
5 组是正向咨询。
5 组是反向报错拦截。
5 组是针对新员工的科普说明。
5 组是针对资深架构师的底层逻辑探讨。
输出格式必须为标准 JSONL。”
四、 避坑指南：合成数据的“纯度”检查
同质化严重：如果 Prompt 写得不好，模型生成的 100 组数据可能只是在换词。对策：在指令中加入 Temperature=0.9 增加多样性。
逻辑幻觉：合成数据可能包含错误结论。对策：抽样 10% 进行人工校验，或者用另一个模型（如 Claude 3.5）进行交叉审核。