Easy-Dataset实现文档生成数据集

一、概述

Easy Dataset是一个专门为大型语言模型(LLM)创建微调数据集而设计的应用程序。它提供了一个直观的界面，用于上传特定领域的文件、智能分割内容、生成问题以及为模型微调生成高质量的训练数据。

使用Easy Dataset，您可以将领域知识转换为结构化数据集，与遵循OpenAI格式的所有LLM API兼容，使微调过程简单高效。

二、项目安装

项目的安装比较方便，有3种方式：

1.客户端安装：

比较简单，直接下载客户端，安装后即可使用。

2.源码安装：

可以修改源代码，功能调整，自主性较好。

源代码下载

git clone https://github.com/ConardLi/easy-dataset.git

cd easy-dataset

安装依赖项

npm install

启动开发服务器

npm run build

npm run start

3.Docker容器安装: 

克隆代码库

git clone https://github.com/ConardLi/easy-dataset.git
cd easy-dataset

构建 Docker 映像

docker build -t easy-dataset .

运行容器

docker run -d -p 1717:1717 -v {YOUR_LOCAL_DB_PATH}:/app/local-db --name easy-dataset easy-dataset

注意：需要修改YOUR_LOCAL_DB_PATH为你自己的数据存储路径。

打开浏览器并导航至http://localhost:1717

本文使用第一种方式，下载windows客户端

https://github.com/ConardLi/easy-dataset/releases/tag/1.3.7

下载完成后，双击exe程序，下一步，下一步安装即可，很简单。

安装完成后，效果如下：

三、项目使用

准备原始文件

下载《网络安全法规摘编手册》pdf文件，这个是由兰州大学编写的。兰州大学是中国教育部直属的全国重点综合性大学，位列国家“双一流”、“985工程”和“211工程”，属于中国高校第一梯队的中上水平。

链接如下：

https://jchyxy.lzu.edu.cn/jcyxy/upload/files/N20211112170341.pdf

创建新项目

创建项目“网络安全法规”，本文以生成法律法规的领域数据为例。如图所示。

项目名称：网络安全法规

项目描述：构建网络安全法规的微调数据集

模型配置

由于pdf文件比较大，有5M左右，可能会耗费很多tokens，使用收费的，不划算，所以打算本地启动大模型。

使用LM Studio软件，启动一个deepseek-r1-distill-llama-8b模型

注意：模型最好选择deepseek-r1，v1，v3都行。

我测试用qwen3扫描pdf文件，批量生成问题，有异常。

项目创建完成后，进行模型配置，这一步可以根据各自情况配置，配置也非常简单，选择“项目设置” -> “模型配置”，如下图

确保能刷新出模型，然后选择即可。

 拆分文本

选择“文献处理”，右边要选择AI模型，否则无法上传

上传准备好的行业数据MD文件，选择基础PDF解析

 点击上传并处理

可以全部选择拆分后的文本，然后批量生成问题，如下图。

 这里生成问题需要等待一段时间：

 打开LM Studio，这里可以看到大模型运行过程

 查看GPU使用率，最高在90%左右

大概10分钟左右，就可以完成。

问题管理

 选择“问题管理”，勾选生成的问题，选择“批量构造数据集”，过程仍需等待一段时间。

继续等待

 这个过程比较漫长，也是比较耗费GPU的，90%左右的使用率。大概持续45分钟左右。

构建数据集

选择“导出数据集”，下载构建好的网络安全行业数据。

导出数据集，这里都是默认的。

设置系统提示词“你是一位法律专家，擅长网络安全法”。

导出之后，会得到一个文件datasets-kwWD-GPA3SKm-alpaca-2025-06-13.json

查看文件大小，257kb，有点小，1MB都没有。

哎，没办法，只生成了108个问题，如果有更多的问题，文件就比较大了。

我们打开文件，可以看到导出的数据集案例。

至此，我们已利用 Easy Dataset 工具完成了“网络安全领域数据集” 的处理与生成。

虽然演示过程相对基础，但其过程充分展现了该工具的高度实用性：仅需执行三项核心操作，即可生成适用于微调的数据集。

数据集工厂

点击搜索公开数据集

 打开一个数据集

 可以看到，这个数据集很庞大，115.9GB

 文章到此结束，总体来说，你可以将pdf文件，或者其他文本文件，比如world，txt，md，生成数据集。

也可以下载公开的数据集，来完成你的AI模型微调。

本文参考链接：https://blog.csdn.net/weixin_46880696/article/details/147784014