准备环境
- 创建配置文件 从模板复制一份配置文件，等会要用上
cp setting_template.jsonc setting.jsonc- 安装依赖
pip install -r requirements.txt将数据转化为csv
python cli.py data extract --source-type qq
# 或自定义parser字段
python cli.py data extract --qq-c2c-db-path ./data/chat/qq/original/qq.db --qq-number-ai 1234567890
# 仅群聊(group_msg_table)导出
python cli.py data extract --qq-group-db-path ./data/chat/qq/original/group_msg_table.sql --qq-number-ai 1234567890- 若转化的是QQ数据，则
--qq-number-ai或者setting.jsonc的qq_number_ai字段至少要填写一个。TG以此类推
| 参数 | 说明 | 默认值/备注 |
|---|---|---|
-h, --help | 显示帮助信息并退出 | - |
--source-type {qq,tg,telegram} | 指定数据源类型 | 不指定则自动检测 |
--data-dir DATA_DIR | 数据目录路径 | ./data/chat/<source>/original/（兼容 ./dataset/original/） |
--output OUTPUT | 输出目录路径 | ./runs/chat/<run_id>/csv/ |
--run-id RUN_ID | 指定本次运行ID | 默认自动生成 YYYYMMDD_HHMMSS[_tag] |
--run-tag RUN_TAG | 自动run_id的后缀标签 | 如 chat_qq |
--qq-c2c-db-path QQ_C2C_DB_PATH | QQ私聊(c2c_msg_table)数据库/SQL文件路径 | - |
--qq-group-db-path QQ_GROUP_DB_PATH | QQ群聊(group_msg_table)数据库/SQL文件路径 | - |
--qq-db-path QQ_DB_PATH | QQ数据库文件路径（兼容旧参数，等同于--qq-c2c-db-path） | - |
--qq-number-ai QQ_NUMBER_AI | AI 的 QQ 号码（用于区分发送者） | - |
--telegram-chat-id TELEGRAM_CHAT_ID | AI 的 Telegram 聊天名称（用于区分发送者） | - |
--tg-data-dir TG_DATA_DIR | Telegram 数据目录 | 如不指定则使用 --data-dir |
清洗数据(普通版本,llm清洗版本在下一章节)
此方法比llm清洗快得多,30w条消息几秒就好了 但是对应的质量也更低 这个部分建议在windows上优化完再上传至GPU服务器
- 在
setting.jsonc文件中修改数据库路径及相关参数(请注意其中的必填段) data_agrs中的一些字段以及下面的system prompt- 运行清洗脚本：
python cli.py data clean raw清洗数据(llm清洗)
Develop版本正在改进此功能
需要配置一个OpenAI兼容的API
比如:LM Studio 或者 vLLM(速度更快,但搭建更麻烦,需要Linux环境)
这个部分同样建议在windows上优化完再上传至GPU服务器
不确定在Linux上有没有兼容性问题
- 前往
setting.jsonc文件中修改clean_set_args组的openai_api字段 - 设置
api_baseapi_keymodel_name等字段 - 可设置
thinking字段来开关模型的think功能
run!
#使用此命令来预估llm使用的token数量
python cli.py data clean estimate llm
# 打分策略
python cli.py data clean llm --parser scoring
# 结构化默认策略（带CSV预处理+LLM打分）
python cli.py data clean llm --parser default
# 设置分数阈值(请使用此命令)
python cli.py data clean llm --parser scoring --accept-score 4
# --accept-score 为{1-5}的数字
# 使用句段策略(没写完)
python cli.py data clean llm --parser segment
# 其他参数
--input - 输入CSV目录路径（默认: runs/chat/<latest>/csv，兼容 dataset/csv）
--output - 输出文件路径（默认: runs/chat/<run_id>/sft/train.jsonl）
--run-id - 指定 runs/chat/<run_id> 作为输入/输出上下文（不指定则自动选择最新run）
--batch-size - 批处理大小（默认从配置读取）
--workers - 工作进程数（默认从配置读取）
--parser - default 会自动执行结构化 CSV→QA→打分（setting.jsonc 的 clean_set_args.llm_parser 也可设置）
# 从已经打分好的scored文件中重新输出数据集(sft.jsonl)
python cli.py data clean rellm --accept-score 4
# --accept-score 为{1-5}的数字可以调大
betch_size来减少api调用次数以缓解速率限制
不过每次消耗的token会多点
如果遇到了400报错大概率是因为message太大了被模型框架拒绝了
以下为不使用云端llm服务清洗使用
LM Studio搭建教程
前往LM Studio下载LM Studio
安装LM Studio
打开LM Studio,点击左侧
搜索->Model Search搜索
qwen2.5-7b-instruct->Complete Download选择合适你的量化版本建议至少Q4,最好Q6-Q8,随你的设备情况而定,不知道的可以问AI
记住你的模型名称,填写到
setting.jsonc文件的model_name中如果不知道你的模型名称可以运行test_openai.py,会输出所有的模型名称
安装好后,在左侧
开发者/Developer点击Status:Stopped右边的按钮如果下面log显示端口被占用请点击
seetings换个server port记住这个
server port,将你的配置填写至setting.jsonc文件中
vLLM搭建
vLLM需要linux环境!
如果你的显卡还算可以(>6800xt,>3080)
可以选择使用lmstudio,多等一会就好了,还可以玩玩模型 缺点是lmstudio不能运行hf模型,且并发很烂
vLLM比Lm studio吃显存的多! Lm studio可以运行8b_q6到vLLM上只能运行4b_Q6
不过并发效率的提升是真的
但是!上下文较短
不过现在应该遇不到那么长的上下文了
3080实测4b_q6处理,最终jsonl的速率大约是300kb/minute
- 跟着走就能搭建
sudo apt update
sudo apt install python3.10-venv git -y
python3 -m venv vllm_env
source vllm_env/bin/activate
pip install -U pip
pip install torch --index-url https://download.pytorch.org/whl/cu121 # 如果你用CUDA
pip install vllm和lm studio不同的注意点
- 1.
setting.jsonc中的model_name需要设置路径而不只是文件夹名
是
/home/vllm/qwen3-4b-int8而非qwen3-4b-int8
- 2.需要运行的api_server是
vllm.entrypoints.openai.api_server而不是vllm.entrypoints.api_server,因为第二个不兼容OpenAI API
运行命令范例
python3 -m vllm.entrypoints.openai.api_server --model /home/vllm/qwen3-4b-int8 --gpu-memory-utilization 0.7 --max-model-len 10240 --max-num-seqs 4 --max-num-batched-tokens 2048 --dtype auto如果遇到了400报错大概率是因为message太大了被模型框架拒绝了