上个月上线了【运维大模型课】，最近一直忙着整理讲义和录课，所以公众号文章发的都少了。
除了跟大家简单汇报下课程进度外，还想分享一个超赞的工具。我相信所有做大模型微调的朋友，一定会为如何制作数据集发愁，尤其是想把自己专属的文档（如word、txt等）转换成符合要求格式的数据集。
今天的主角就是这个开源的大模型微调数据集创建工具：Easy Dataset（https://github.com/ConardLi/easy-dataset），目前github上已有6.4k Star，而且它的增长速度非常快。
作者不仅提供了多系统平台客户端，非常Nice
而且还支持npm或者docker的形式部署在Linux服务器上。下面是我在windows系统上做了一个测试，效果还不错。
点击上面那个setup.exe，然后跳转到下载页面
这个不用多讲，大家都会，直接双击exe文件安装即可。
模型这里可选的模型还是蛮多的，比如GPT-4o、DeepSeek、Grok等，也可以使用私有部署的大模型，我用的是DeepSeek（deepseek-chat)，这里需要到deepseek官网申请一个apikey
提示词配置比较关键，如果想生成比较符合你预期的数据集，就需要在提示词这里下点功夫了，我测试的时候直接留空了
支持多个文件，由于大模型不能一下子处理太多文本，所以Easy Dataset会根据我们的设置来分割文件
有了文本块之后，下面需要先生成一个一个的问题，基于问题再去生成对应的问答对儿。选中文本块之后，点击右侧的批量生成问题，即可自动生成问题。
有了问题之后，就可以自动生成数据集了，点击上面的“问题管理”菜单
选中你想要生成数据集的问题，然后再点击右上角的“批量构建数据集”即可自动生成数据集。
可以点击每一条数据集右侧的小眼睛查看具体的数据集内容
可以看到，它为我们生成的数据集内容，有问题，有回答，也有思维链内容，这个数据集用来训练DeepSeek或者Qwen大模型都是非常合适的。
选中你想要的数据集，然后点击右上角的“导出数据集”
可以选择JSON、JSONL或者CSV格式，数据集风格默认是Alpaca，也可以自定义，这个主要取决你微调时用什么样的数据集。包括系统提示词也可以自定义。
总之，这个Easy Dataset体验还是非常不错的。
·············· END ··············
