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

1. 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"]
    }
]

2. 构造 SFT 数据生成器

def generate_sft_data(seeds):
    dataset = []
    for seed in seeds:
        # 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。"
        })
    return dataset

3. 保存为微调专用的 JSONL 格式

sft_results = generate_sft_data(seeds)
with open("security_expert_data.jsonl", "w", encoding="utf-8") as f:
    for entry in sft_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。