中医问答模型训练数据集专业训练AI模型一共 54万条数据。中医领域的知识库包含各类中医病症诊断和治疗方法。数据集经过精心整理和标注可以用来训练AI助手回答中医相关问题。内容包括常见疾病诊断、中药功效、针灸按摩、养生保健等多个方面。154万条中医问答数据集 完整使用指南这份数据集是面向中医领域AI模型训练的大规模对话语料核心价值是让AI学会以专业中医医生的角色对用户健康问题给出规范、可落地的中医诊疗回答。下面从数据结构、使用场景、训练流程、避坑建议四个维度给你讲清楚怎么用。一、数据集核心结构与特点1. 数据格式标准指令微调格式每条数据为三元组结构适配主流大模型微调框架如LlamaFactory、Axolotl、Transformers Trainer字段名示例内容作用instruction现在你是一名专业的中医医生请用你的专业知识提供详尽而清晰的关于中医问题的回答。定义AI角色与任务指令统一输出风格input最近十来天胃胀气小肚子胀但是不疼吃不上饭老感觉饱用户的原始中医/健康问题output中医角度分析病因辨证分型推荐治法/方药/调理建议对应的专业中医回答包含辨证思路与诊疗方案2. 内容覆盖范围常见病中医辨证与调理内科、妇科、儿科、外科等中药功效、配伍禁忌、方剂使用针灸、推拿、按摩等非药物疗法中医养生、食疗、节气调理慢性病中医干预方案如脾胃病、失眠、月经不调等二、数据集的核心使用场景场景1训练专属中医问答AI模型最主流这是这套数据最直接的用途适合做轻量化中医咨询助手本地部署、微信/小程序接入中医问诊辅助工具给患者提供初步辨证参考非诊断用途中医科普AI面向大众的健康答疑降低专业术语门槛场景2学术/科研用途中医自然语言处理研究如症状文本分类、辨证模型训练中医对话系统评估验证模型回答的专业性、规范性语料分析统计常见病症、高频方药、用户健康痛点场景3二次数据加工作为高质量语料清洗后用于构建中医知识库问答RAG的参考文档提炼成FAQ库用于中医科普平台、公众号自动回复三、完整使用流程以大模型微调为例1. 数据预处理关键步骤1格式转换原始数据一般为JSON/JSONL格式需转换为微调框架支持的格式[{instruction:现在你是一名专业的中医医生请用你的专业知识提供详尽而清晰的关于中医问题的回答。,input:最近十来天胃胀气小肚子胀但是不疼吃不上饭老感觉饱,output:从中医角度看你这多属于脾胃气滞、运化失常所致...完整回答},...]2数据清洗过滤重复数据、无效回答如“不清楚”“建议咨询医生”等无实质内容的回复去除敏感/非中医相关内容如西药治疗、西医手术建议保持中医专业性统一格式删除多余符号、换行修正乱码确保字段无缺失补充标签可选按科室/病症类型分类方便后续分析3数据划分按训练集:验证集 9:1划分54万条数据建议拆分训练集约48.6万条验证集约5.4万条2. 模型微调以LlamaFactory为例通用流程1环境准备# 安装依赖pipinstallllamafactory[torch,metrics]transformers datasets accelerate2编写配置文件train_medical.yamlmodel_name_or_path:Qwen/Qwen2-7B-Instruct# 可替换为其他开源模型dataset:54w_tcm_dialogtemplate:qwenfinetuning_type:loralora_rank:8lora_alpha:16learning_rate:5e-5num_train_epochs:3per_device_train_batch_size:4gradient_accumulation_steps:4logging_steps:10save_steps:100evaluation_strategy:epochmax_samples:100000# 可根据显存调整max_seq_length:2048output_dir:./tcm_chatbot_lora3启动微调llamafactory-cli train train_medical.yaml4模型合并与部署# 合并LoRA权重到基础模型llamafactory-cliexport\--model_name_or_pathQwen/Qwen2-7B-Instruct\--adapter_name_or_path./tcm_chatbot_lora\--templateqwen\--finetuning_typelora\--export_dir./tcm_chatbot_merged3. 模型推理测试fromtransformersimportAutoModelForCausalLM,AutoTokenizer model_name./tcm_chatbot_mergedtokenizerAutoTokenizer.from_pretrained(model_name)modelAutoModelForCausalLM.from_pretrained(model_name,device_mapauto)prompt|im_start|system 现在你是一名专业的中医医生请用你的专业知识提供详尽而清晰的关于中医问题的回答。 |im_end| |im_start|user 最近十来天胃胀气小肚子胀但是不疼吃不上饭老感觉饱|im_end| |im_start|assistant inputstokenizer(prompt,return_tensorspt).to(cuda)outputsmodel.generate(**inputs,max_new_tokens512)print(tokenizer.decode(outputs[0],skip_special_tokensTrue))四、避坑与优化建议1. 合规性与风险提示必看数据中的回答仅为参考性质不能直接作为临床诊断/治疗依据模型部署时必须添加免责声明明确“AI回答仅供科普参考不替代专业医师诊断”避免生成涉及有毒药材、偏方、违规疗法的内容微调时可添加过滤规则2. 模型优化技巧显存不足优先用LoRA微调降低max_seq_length建议2048以内减少max_samples专业性不足清洗数据时保留辨证分型、方药组成、治法原则等核心中医术语过滤过于口语化的回答回答冗长训练时添加max_new_tokens限制或在prompt中要求回答条理清晰、重点突出3. 进阶玩法结合RAG检索增强生成将数据提炼为知识库文档搭配向量数据库提升回答的准确性和溯源性多轮对话优化如果数据包含多轮问答可调整prompt模板支持连续问诊场景
中医问答模型训练数据集，专业训练AI模型！一共 54万条数据。 中医领域的知识库，包含各类中医病症诊断和治疗方法。数据集经过精心整理和标注，可以用来训练AI助手回答中医相关问题。
中医问答模型训练数据集专业训练AI模型一共 54万条数据。中医领域的知识库包含各类中医病症诊断和治疗方法。数据集经过精心整理和标注可以用来训练AI助手回答中医相关问题。内容包括常见疾病诊断、中药功效、针灸按摩、养生保健等多个方面。154万条中医问答数据集 完整使用指南这份数据集是面向中医领域AI模型训练的大规模对话语料核心价值是让AI学会以专业中医医生的角色对用户健康问题给出规范、可落地的中医诊疗回答。下面从数据结构、使用场景、训练流程、避坑建议四个维度给你讲清楚怎么用。一、数据集核心结构与特点1. 数据格式标准指令微调格式每条数据为三元组结构适配主流大模型微调框架如LlamaFactory、Axolotl、Transformers Trainer字段名示例内容作用instruction现在你是一名专业的中医医生请用你的专业知识提供详尽而清晰的关于中医问题的回答。定义AI角色与任务指令统一输出风格input最近十来天胃胀气小肚子胀但是不疼吃不上饭老感觉饱用户的原始中医/健康问题output中医角度分析病因辨证分型推荐治法/方药/调理建议对应的专业中医回答包含辨证思路与诊疗方案2. 内容覆盖范围常见病中医辨证与调理内科、妇科、儿科、外科等中药功效、配伍禁忌、方剂使用针灸、推拿、按摩等非药物疗法中医养生、食疗、节气调理慢性病中医干预方案如脾胃病、失眠、月经不调等二、数据集的核心使用场景场景1训练专属中医问答AI模型最主流这是这套数据最直接的用途适合做轻量化中医咨询助手本地部署、微信/小程序接入中医问诊辅助工具给患者提供初步辨证参考非诊断用途中医科普AI面向大众的健康答疑降低专业术语门槛场景2学术/科研用途中医自然语言处理研究如症状文本分类、辨证模型训练中医对话系统评估验证模型回答的专业性、规范性语料分析统计常见病症、高频方药、用户健康痛点场景3二次数据加工作为高质量语料清洗后用于构建中医知识库问答RAG的参考文档提炼成FAQ库用于中医科普平台、公众号自动回复三、完整使用流程以大模型微调为例1. 数据预处理关键步骤1格式转换原始数据一般为JSON/JSONL格式需转换为微调框架支持的格式[{instruction:现在你是一名专业的中医医生请用你的专业知识提供详尽而清晰的关于中医问题的回答。,input:最近十来天胃胀气小肚子胀但是不疼吃不上饭老感觉饱,output:从中医角度看你这多属于脾胃气滞、运化失常所致...完整回答},...]2数据清洗过滤重复数据、无效回答如“不清楚”“建议咨询医生”等无实质内容的回复去除敏感/非中医相关内容如西药治疗、西医手术建议保持中医专业性统一格式删除多余符号、换行修正乱码确保字段无缺失补充标签可选按科室/病症类型分类方便后续分析3数据划分按训练集:验证集 9:1划分54万条数据建议拆分训练集约48.6万条验证集约5.4万条2. 模型微调以LlamaFactory为例通用流程1环境准备# 安装依赖pipinstallllamafactory[torch,metrics]transformers datasets accelerate2编写配置文件train_medical.yamlmodel_name_or_path:Qwen/Qwen2-7B-Instruct# 可替换为其他开源模型dataset:54w_tcm_dialogtemplate:qwenfinetuning_type:loralora_rank:8lora_alpha:16learning_rate:5e-5num_train_epochs:3per_device_train_batch_size:4gradient_accumulation_steps:4logging_steps:10save_steps:100evaluation_strategy:epochmax_samples:100000# 可根据显存调整max_seq_length:2048output_dir:./tcm_chatbot_lora3启动微调llamafactory-cli train train_medical.yaml4模型合并与部署# 合并LoRA权重到基础模型llamafactory-cliexport\--model_name_or_pathQwen/Qwen2-7B-Instruct\--adapter_name_or_path./tcm_chatbot_lora\--templateqwen\--finetuning_typelora\--export_dir./tcm_chatbot_merged3. 模型推理测试fromtransformersimportAutoModelForCausalLM,AutoTokenizer model_name./tcm_chatbot_mergedtokenizerAutoTokenizer.from_pretrained(model_name)modelAutoModelForCausalLM.from_pretrained(model_name,device_mapauto)prompt|im_start|system 现在你是一名专业的中医医生请用你的专业知识提供详尽而清晰的关于中医问题的回答。 |im_end| |im_start|user 最近十来天胃胀气小肚子胀但是不疼吃不上饭老感觉饱|im_end| |im_start|assistant inputstokenizer(prompt,return_tensorspt).to(cuda)outputsmodel.generate(**inputs,max_new_tokens512)print(tokenizer.decode(outputs[0],skip_special_tokensTrue))四、避坑与优化建议1. 合规性与风险提示必看数据中的回答仅为参考性质不能直接作为临床诊断/治疗依据模型部署时必须添加免责声明明确“AI回答仅供科普参考不替代专业医师诊断”避免生成涉及有毒药材、偏方、违规疗法的内容微调时可添加过滤规则2. 模型优化技巧显存不足优先用LoRA微调降低max_seq_length建议2048以内减少max_samples专业性不足清洗数据时保留辨证分型、方药组成、治法原则等核心中医术语过滤过于口语化的回答回答冗长训练时添加max_new_tokens限制或在prompt中要求回答条理清晰、重点突出3. 进阶玩法结合RAG检索增强生成将数据提炼为知识库文档搭配向量数据库提升回答的准确性和溯源性多轮对话优化如果数据包含多轮问答可调整prompt模板支持连续问诊场景
