3、常见微调数据格式

前面看到的文件名以 .jsonl 结尾，内容又被称为 ShareGPT，后面还会出现 Chat Template。它们处理的不是同一件事：

要解决的问题	对应名称	本课程中的例子
多条记录怎样放进文件	JSONL	一行保存一条完整的 JSON 记录
每条记录怎样保存指令、输入和答案	Alpaca、ShareGPT	三个独立字段，或一组按角色排列的消息
消息怎样组织成模型熟悉的输入	Chat Template（对话模板）	加入用户、助手的边界标记，第 6 节展开

因此，一个文件可以同时是“JSONL 文件”和“ShareGPT 数据”，两者并不冲突。先看一条记录的两种常见写法。

格式	一条数据怎样保存	更适合的情况
Alpaca	instruction、input、output	单轮的“指令 + 输入 + 答案”任务
ShareGPT	一组按角色排列的消息	用统一的消息结构保存单轮或多轮对话

3.1 Alpaca 数据格式

Alpaca 格式会把任务说明、具体输入和标准答案拆开保存。仍用第 1 节的图书馆教学示例：

{
  "instruction": "请提取关键词，只输出关键词，并使用英文分号分隔。",
  "input": "市图书馆周末开设儿童阅读课，读者可通过公众号预约。",
  "output": "市图书馆;儿童阅读课;公众号预约"
}

instruction 是任务要求，input 是这次要处理的文章，output 是参考答案。这种拆法直观，适合单轮任务。

3.2 ShareGPT 数据格式

同一条教学样本也可以按本课程采用的 ShareGPT 风格保存：

{
  "conversations": [
    {
      "role": "user",
      "content": "市图书馆周末开设儿童阅读课，读者可通过公众号预约。\n请提取关键词，只输出关键词，并使用英文分号分隔。"
    },
    {
      "role": "assistant",
      "content": "市图书馆;儿童阅读课;公众号预约"
    }
  ]
}

任务和答案都没有改变，只是把指令与文章放进 user.content，把答案放进 assistant.content。最外层的 conversations 是消息列表：

conversations
├── 第 1 条：role = user      → 待抽取的文本和任务指令
└── 第 2 条：role = assistant → 标准关键词答案

上面为了讲解而展开换行；保存为 JSONL 时，整个对象要放在一条物理行中，消息内部的换行用 \n 表示。不要把展开后的十几行当作十几条训练样本。

如果以后有多轮任务，也可以在同一条样本里继续追加消息：

user1 → assistant1 → user2 → assistant2

本课程的关键词数据是一问一答。后面使用的清洗脚本也按这种单轮结构检查；换成多轮数据时，需要相应调整检查逻辑，不能直接套用。

字段名不一定永远叫 conversations、role 和 content。有的数据把用户写成 human，有的数据把消息列表写成 messages。这不是数据一定有问题，而是训练工具需要一份“字段对照表”才能正确读取它。第 31 章第 6.2 节会在 dataset_info.json 中填写这份对照表。

Alpaca 和 ShareGPT 用来整理样本；训练工具读取这些样本后，还要通过与模型匹配的对话模板和分词器准备模型输入。第 6 节会展示转换前后的区别。

<span id="tool-calling-data"></span>

3.3 从单轮问答到工具调用（选读）

关键词任务只需要“读文章 → 输出关键词”。如果希望助手查询儿童阅读课还有没有名额，它还需要判断信息是否齐全、请求查询，并根据查询结果回答。训练样本也要包含这些可观察的步骤。

<details> <summary>进阶阅读：从澄清到工具返回的一条完整样本</summary>

下面是虚构的教学示意，用于理解一条多轮样本，不是已执行的工具记录，也不是可直接上传训练的文件。本例提供 query_reading_class 工具，只查询市图书馆儿童阅读课的余位，接收两个参数：date 使用 YYYY-MM-DD，time_slot 使用 morning（上午）或 afternoon（下午）。

顺序	谁提供内容	消息或动作示意
1	用户	儿童阅读课还有名额吗？
2	助手	你想查询哪一天、上午还是下午的场次？
3	用户	2026 年 9 月 12 日上午。
4	助手	请求 query_reading_class，参数为 date="2026-09-12"、time_slot="morning"
5	工具	程序执行查询后返回 remaining=6，表示还有 6 个名额
6	助手	查询结果显示，2026 年 9 月 12 日上午的儿童阅读课还有 6 个名额。

这里最关键的是第 4、5 步的区别：模型提出调用请求，程序负责实际执行，再把结果交还给模型。 助手不能自己写出一个 remaining=6，就当作查到了真实余位。保存整条消息链及工具说明，才有条件让模型学习“何时澄清、怎样调用、如何使用结果”。

准备这类数据时，还需要覆盖不同情况：

情况	应有的示范
用户一开始就给齐日期与场次	直接填写已有信息，避免重复询问
用户已经贴出通知，只要求提取关键词	根据已给文本回答，不为使用工具而调用工具
查询返回“场次不存在”或暂时失败	按实际结果说明情况；若允许重试，遵守次数和退出条件
用户信息不足	先澄清，不猜测日期或场次

落到训练文件时，还要按所用工具核对消息字段、工具参数说明（schema）、调用与返回的对应关系，以及哪些助手消息参与监督。可参考 SFT 工具调用数据说明。本章的单轮关键词清洗脚本不能直接校验这种多轮数据，字段映射和聊天模板也需要相应验证。

如果用另一个模型起草轨迹，调用结果应由真实执行或明确标注的模拟环境核验，不能把生成的成功描述当作执行证据。后续评估还应分别检查工具是否选对、参数是否正确、结果是否被正确使用，见第 32 章。只训练关键词抽取，并不能证明模型已经学会这些行为。

</details>

继续本课主线时，仍使用单轮关键词数据；下面的文档问答也是独立扩展，不把三种任务混到同一次练习中。

---

<span id="_33-实操：把自己的文档做成问答训练数据"></span> <span id="easy-dataset-qa"></span>