在人工智能应用落地过程中，Fine-tuning（微调） 是提升模型性能、使其更契合特定业务场景的重要手段。然而，在微调之前，语料数据的准备 是至关重要的，因为数据质量直接决定了模型的最终表现。

目前我们在准备语料数据的痛点有哪些？

• 人工依赖重，效率低
  构建训练数据（语料）通常依赖人工收集、筛选、清洗和标注，周期长，质量参差不齐。
• 需求变化快，语料滞后严重
  业务场景快速演进，传统静态语料更新不及时，难以满足新模型或新场景的训练需求。
• 语料覆盖窄，泛化能力差
  实际业务中存在大量长尾问题，靠人工设计难以覆盖全部问法、对话路径和场景变体。
• 标注成本高，难以扩展规模
  特别是在涉及多轮对话、分类任务、问答系统等场景，标注粒度高、成本高、扩展慢。

接下来我们看看用 Dify +大模型 如何解决上面的痛点。

1）自动生成多轮、高质量语料，替代人工标注，显著降本提效

传统语料构建流程（采集、清洗、人工标注）耗时耗力，且重复性高。
通过 Dify 构建基于大模型的语料生成 Agent，可自动生成多轮对话、复杂问答、知识问答等任务语料，尤其适用于客服、搜索、智能问答等场景。
配合预设 Prompt 和规则，还可生成带标签的训练数据，有效替代部分人工数据标注工作。

2）可配置可控的 Prompt 引导，支持多业务场景定制化生成

Dify 支持通过自定义 Prompt 模板和变量注入，动态控制生成语料的风格、长度、内容范围。
这意味着你可以快速切换语料风格或业务类型，如切换生成“客服语料”→“知识库补全”→“用户行为预测问答”等。

3）零代码配置 + API 化输出，轻松集成现有系统

Dify 提供可视化界面配置工作流，无需复杂开发，也能构建完整的语料生成流程。生成后的 Agent 可直接发布为 API，被训练平台或数据平台直接调用。

下面我们来手把手一起来实战！！！

用 Dify +大模型 实现自动化语料数据的生成。

0****1

获取DeepSeek API Key

可使用DeepSeek 官方或其它云平台大模型提供的DeepSeek API服务

AlayaNeW平台的DeepSeek API Key获取指南：

https://docs.alayanew.com/docs/modelService/case/Dify/

02

Dify本地部署与配置

安装 Dify 之前, 请确保你的机器已满足最低安装要求

• CPU >= 2 Core
• RAM >= 4 GiB

1）克隆 Dify 源代码至本地环境。

# 假设当前最新版本为 1.1.0
git clone https://github.com/langgenius/dify.git --branch 1.1.0

2）启动 Dify，进入 Dify 源代码的 Docker 目录

cd dify/docker

3）复制环境配置文件

cp .env.example .env

4）启动 Docker 容器

• 如果版本是 Docker Compose V2，使用以下命令：

docker compose up -d

• 如果版本是 Docker Compose V1，使用以下命令：

docker-compose up -d

运行命令后，你应该会看到类似以下的输出，显示所有容器的状态和端口映射：

[+] Running 11/11
✔ Network docker_ssrf_proxy_network  Created                                                                 0.1s
✔ Network docker_default             Created                                                                 0.0s
✔ Container docker-redis-1           Started                                                                 2.4s
✔ Container docker-ssrf_proxy-1      Started                                                                 2.8s
✔ Container docker-sandbox-1         Started                                                                 2.7s
✔ Container docker-web-1             Started                                                                 2.7s
✔ Container docker-weaviate-1        Started                                                                 2.4s
✔ Container docker-db-1              Started                                                                 2.7s
✔ Container docker-api-1             Started                                                                 6.5s
✔ Container docker-worker-1          Started                                                                 6.4s
✔ Container docker-nginx-1           Started                                                                 7.1s

5）登录并注册Dify

6）登录 Dify 配置 “模型供应商”

配置“模型供应商”，选择 “OpenAI-API-compatible”，输入申请到的 “API Key” 和 “URL” 后点击“保存”，如下图示例完成 “AlayaNew/DeepSeek-R1” LLM的配置。

03

通过Dify创新创建智能体

1）Dify 的编排流程图

我们先看一下整体的编排流程图，只需简单5个步骤即可完成创建。

2）开始创建智能体

接下来我们开始创建智能体。首先进入 Dify “工作室”，点击“创建空白应用”。

具体配置如下图。

3）工作流节点介绍

• 开始

点击节点“+”，配置“开始”节点中获取上传的文件和其他变量，配置如下图。

• 文档提取器

该节点“输入变量”中，配置从“开始”节点中获取上传的文件，输出变量就是上传的数据内容，配置如下图。

• 代码执行节点

该节点“输入变量”中，text 配置从“文档提取器”节点中获取输出内容，characters 配置从“开始”节点中获取变量characters，默认是100，配置如下图。（该节点的主要作用是读取文本前100（默认）个字符，防止太多，给大模型时比较慢）

代码如下：

def main(text: str, characters: int = 100) -> dict:
"""
获取输入字符串的前 characters 个字符，并返回一个字典。
:param text: 输入字符串
:param characters: 要截取的字符数量（默认值为 100）
:return: 包含截取结果的字典
"""
result = text[:characters]
print(f"输入字符串长度: {len(text)}, 截取的长度: {len(result)}")  # 打印调试信息
return {"result": result}

Fine-tuning 语料构建节点（LLM）节点中，“模型”选择配置的

“AlayaNeW/DeepSeek-R1”，“SYSTEM” 中增加提示词。

“USER” 中增加用户上传内容，该节点具体配置如下图。

Fine-tuning 语料构建系统提示词：

【角色】
你是一位 LLM 大语言模型科学家，参考用户提供的「内容」，帮助用户构造符合规范的 Fine-tuning（微调）数据。
【任务】·
你需要根据「内容」，每次生成 20 个 贴近现实生活的「问题」。
针对每个「问题」，引用「内容」的原文，并结合合理的解释和演绎，提供「解答」。
最终，将「问题」「解答」整理为 JSONL 规范格式。
【要求】
1、不要 直接照搬「内容」，而是围绕其核心思想，以 通俗易懂的方式 重新表述问题。
2、避免“假、大、空” 的表述，确保问题贴近现实生活场景，能够引发思考。
3、答案撰写，忠于原文，不可扭曲原意，但可以适当拓展解释。
4、结合现代背景进行演绎，但不能脱离「内容」的核心主旨。
【输出规范】
* 输出规范的 JSONL，每行一条数据
* 每条数据应包含一个 message 数组，每个数组都应该包含 role 分别为 system、user 和 assistant 的三条记录
* 其中 role 为 system 的数据，作为训练中的 system prompt 格外重要，其 content 使用用户指定的「触发词」
* role 为 user 的数据对应列出的「问题」
* role 为 assistant 的数据则对应针对「问题」的「解答」
* 示例如下：

{“messages”: [{“role”: “system”, “content”: “你是中医养生大师”}, {“role”: “user”, “content”: “长期对着电脑眼睛干涩怎么办？”}, {“role”: “assistant”, “content”: “肝开窍于目，现代用眼过度耗伤肝血。可在办公桌常备菊花枸杞茶：杭白菊5朵、枸杞10粒沸水冲泡。每日晨起闭眼按揉太冲穴（足背第一二跖骨间）100次，睡前热敷眼部促进气血循环。”}]}

Fine-tuning 语料构建USER提示词：

提示词的原理

提示词是与大模型交互时，用于引导模型生成特定类型输出的文本或指令。通过精心设计的提示词，可以激活模型中与特定任务相关的知识，使其在无需大规模微调的情况下，直接应用于下游任务

设计提示词的注意事项

a.明确角色和任务：在提示词中需明确 AI 的角色和任务要求。例如，定义 AI 为“乐于助人的助手”，并规定回复逻辑：

你是一位乐于助人的AI助手。
在回答用户问题时，你需要：
1、始终使用自然语言解释你将要采取的行动；
2、清晰描述正在进行的操作
3、避免返回空回复

这种角色设定有助于模型理解其行为准则，生成符合预期的回复。

b.清晰且具体：提示词应明确描述任务需求，避免歧义。例如，与其使用“总结这篇文章”，不如使用“请用三句话总结这篇关于人工智能应用的文章”。

c.简洁性：提示词应尽量简洁，避免冗余信息干扰模型的推理。

d.提供示例（Few-shot 提示）：通过提供示例，引导模型生成符合预期格式的输出。例如

示例：
输入：天气如何？
输出：今天阳光明媚，气温适中，合适外出活动

这种方式能有效引导模型生成与示例相似的输出。

e.控制输出格式：如果需要特定的输出格式，可以在提示词中明确说明。例如，要求模型以列表形式回答问题。

f.迭代优化：提示词的设计是一个反复试验的过程。根据模型的输出，不断调整和优化提示词，以达到最佳效果。

• 结束节点

结束节点中，输出的变量来源上一个节点的输出，具体配置如下图。

4)发布智能体

完成创建后，点击发布后点击运行。

5）智能体对话演示

智能体对话中上传文件后。演示效果如下图。

最终语料生成的样例:

至此，我们完成了高质量Fine-tuning语料的准备工作，借助这些的语料数据，我们可以让AI模型更精准地理解特定业务场景。

通过语料数据的多样性，模型能够更好地适应不同的应用需求，从而提供更加智能化的服务。

这一过程不仅为AI模型的微调奠定了坚实的基础，也为将来在实际业务中高效落地和应用AI技术提供了保障。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2026 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2026 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！