领域微调的数据从哪来？内部资料的整理

大模型通用能力再强，落到具体行业也常「说外行话」：术语用错、流程张冠李戴、口径和公司实际不符。领域微调就是补这块短板，而它的数据几乎不会来自公开网络，得从内部资料里一点点整理出来。本文按机制层思路，讲清从一堆杂乱文档到可用训练集的四步。

收集：内部资料有哪些

第一步是把散落的资料归拢。常见的来源有产品文档、操作手册、内部 FAQ、客服工单、会议纪要和项目复盘。进来的是各处的文件，按主题和时效分门别类；出去的是一份带来源标记的清单。这步容易忘但关键：记不清哪份文档进了训练集，后面出问题根本没法追查，来源档案要一起建。定优先级也有讲究：离用户越近的资料越优先，客服工单和 FAQ 往往比内部规范更直接反映真实提问方式。

清洗：去噪与脱敏

第二步是清洗。文档里的格式噪声先清：乱码、表格错位、截图占位、重复页。然后是内容层面的处理：过时版本标注或剔除，含个人信息的片段做脱敏或替换。进来的是原始文档，出去的是干净文本。脱敏这步不能省，内部资料里的姓名、联系方式、内部代号一旦进训练集，模型可能在回答里复现出来。脱敏还要留记录，哪份文档、哪一段、换成了什么占位词，事后审计和重新构造都用得上。

构造：从文档到指令对

第三步是把文档变成训练能用的指令对。大段文档不能直接喂，先按主题切成块，再从块里构造「问题加答案」：可以人工撰写，也可以请通义千问或 DeepSeek 先出草稿、人工修订。进来的是知识块，出去的是带标准答案的指令样本。构造时优先覆盖高频真实问题——工单里被问得最多的，就是最该进训练集的。答案要写「公司口径」而不是「通用口径」：同样一个问题，公开模型给的答案和内部规定不一致时，训练数据必须站内部规定，否则训完还是说外行话。

质检：抽检与回流

第四步是质检。答案准确性逐条过，术语口径统一查，格式规范抽查；不行的退回修订，改完的重新入库。质检发现的高频错误，回头改构造模板。质检还要看覆盖：按目标场景列问题清单抽样测，答不上或答错的正是缺口，回补一轮再测，直到清单通过率达标。这套「生成加过滤」的打分逻辑，和合成数据是怎么筛的是同一套；整体质量问题看指令数据的质量怎么判断里的分布盘点。

整理好的领域数据还要考虑和旧料的配比，避免续训把通用能力冲掉，见继续预训练怎么避免忘本；冷启动缺样本时，可让模型先扩一轮，见自我训练是怎么回事。最后说一句成本账：内部资料整理是人力活，模型只能提效不能替人，关键判断比如口径对不对、脱敏干不干净，必须人来签字。

• 来源：产品文档、手册、FAQ、工单、纪要，先建清单
• 清洗：去格式噪声、剔过时版本、脱敏个人信息
• 构造：文档切块转指令对，优先覆盖高频真实问题
• 质检：准确性、术语口径、格式三查，错误回流改模板
• 底线：来源档案和脱敏记录要留，出问题才追得回

领域微调数据快问快答三则

• 工单数据能直接用吗？：不能直接用，要先脱敏去噪，再从对话里提炼问题和标准答案，原样喂会带入口语噪声和错误示范。
• 内部数据太少怎么办？：先保证高频问题全覆盖，再靠模型辅助扩写和自循环补量，别用噪声数据凑数。
• 整理完怎么判断够不够？：对照目标场景列问题清单抽样测，答不上或答错的正是缺口，回补一轮再测。