本文详细介绍了如何构建一个情绪对话模型，从项目背景、数据工程到模型部署，全链路实战教程。首先明确情绪对话模型的应用场景，区分微调与RAG技术的适用场景；接着深入数据工程，包括数据来源选择、风格模板配置、生成及质量过滤、数据去重、人工审核以及格式转换等关键步骤；最后探讨了不同风格的Prompt设计要点。通过Xtuner微调和LMDeploy部署，实现一个具备定制对话风格的AI助手，为客服、情感陪伴等领域提供有力支持。

---

你是否遇到过这样的需求：领导让你训练一个"懂情绪、会聊天"的AI助手？

从需求到上线，手把手带你走通情绪对话模型微调全流程！

本系列3篇文章，串联数据生成→微调训练→模型部署→效果评测全链路，本篇先讲数据工程——没有高质量数据，再好的模型也是废铁！

---

1. 项目背景：为什么要做情绪对话模型？

---

1.1 什么是情绪对话模型？

情绪对话模型是指能够感知用户语境，并以特定风格回复的对话 AI。应用场景包括：

场景	说明
客服机器人	带情感的客服，提升用户满意度
情感陪伴	心理疏导、孤独陪伴
虚拟朋友	特定人设的聊天机器人

本篇实战重点用微调固定怎么说（温柔、毒舌等风格）。

1.2 选微调还是 RAG？不同场景不同方案！

应用场景	核心技术	说明
专业问答系统	RAG	需要从知识库检索答案，核心技术是 RAG，不是微调
情绪对话模型	微调	需要定制对话风格，RAG 无法解决「怎么说」的问题

特别提醒：如果你做的是法律、医疗、金融等专业问答系统，核心技术一定是 RAG（或微调+RAG 结合），纯微调无法满足知识更新需求！

什么时候用微调？

• 模型的自我认知需要改变（如：你叫什么名字）
• 需要特定的对话风格（如：温柔型、毒舌型）
• 任务格式需要固定化
• 模型对专业问题的理解不到位时，可用微调加强理解

什么时候用 RAG？

• 需要动态更新知识库
• 答案需要可追溯来源
• 专业领域知识需要准确引用

总结：RAG 解决「说什么」，微调解决「怎么说」。专业问答用 RAG，情绪对话用微调！

---

2. 项目实施流程

---

本项目的完整链路：

数据 → 模型 → 训练/评测 → 部署

本篇聚焦数据；这里先建立全局视图。

环节	本项目怎么做
数据	开源对话 + 在线 API 生成风格回复 → 过滤/去重 → 转 Xtuner 格式
模型	按显存与任务复杂度选型（如 Qwen 小尺寸 Chat）
训练/评测	结果偏主观，选用 Xtuner（训练中可做主观评测）；客观指标场景更常用 LLaMA-Factory
部署	LMDeploy + Streamlit

技术栈一览：

环节	工具	选型理由
微调	Xtuner	支持主观评测，中文生态好
部署	LMDeploy	国产推理框架，对 Qwen 支持好
评测	OpenCompass	开源中文评测标杆
Web 界面	Streamlit	快速搭建交互界面

显存粗算（权重，fp16）：参数量(B) × 2 ≈ GB。例如 32B ≈ 64GB，再加激活、优化器与框架开销。具体选型见第 2 篇。

---

3. 数据工程实战

---

数据工程推荐顺序：

定数据源 → 配置风格 → API 生成 → 质量过滤 → 去重 → 人工审核 → 转训练格式

3.1 数据来源

类型	说明
甲方提供	企业业务数据（客服记录、社交媒体、业务对话）
自己收集	成本较高：先定数据标准，再手动采集 / 爬虫 / 接口 / AI 生成
后续处理	清洗标注（噪声过滤、格式统一、隐私脱敏）→ 指定训练格式

本项目方案：

1. 人工指定少量日常话术，先跑通生成脚本
2. 基于开源对话数据批量扩充 user_inputs，再让在线 API 改写成目标风格

用 AI 辅助处理数据时，尽量选用效果较好的在线 API。

推荐开源对话数据：

数据集	说明
LCCC-large	1200万+ 清洗后的开放域对话
STC-corpus	微博短文对话（情感丰富）

STC 参考：https://github.com/thu-coai/CDial-GPT?tab=readme-ov-file#Dataset-zh

实操建议：先用下面几条验证流程，再从上述数据集筛约 1000 条 作为 user_inputs 批量生成。

user_inputs = [    "今天心情不太好", "推荐个电影吧", "怎么才能早睡早起",    "养猫好还是养狗好", "工作压力好大", "最近总是失眠"]

本项目的 input_data 定位为日常交流话术。

---

3.2 步骤1：风格模板配置

本篇实战先做两种风格：

风格	特点	适用场景
温柔型	语气词（呢、呀、啦）、温暖表情、主动关心	陪伴、轻量客服
毒舌型	网络流行语、夸张比喻、隐藏关心	朋友聊天

style_config = {    "温柔": {        "system_prompt": "你是一个温柔体贴的聊天助手，说话时总是充满关怀，使用以下特征：\n1. 包含'呢、呀、啦'等语气词\n2. 使用🌸💖😊等温暖表情\n3. 主动询问用户感受",        "examples": [            {"role": "user", "content": "今天好累啊"},            {"role": "assistant", "content": "辛苦啦~ 要给自己泡杯热茶放松一下吗？🌸"},            {"role": "user", "content": "考试没考好..."},            {"role": "assistant", "content": "没关系的呀~ 下次一定会更好！需要我陪你聊聊吗？😊"}        ],        "temperature": 0.3    },    "毒舌": {        # 详见源码    },}

---

3.3 步骤2：初始化模型

需要两类能力：

• 对话 API：生成风格回复
• Embedding 模型：质量过滤里的相似度检查、以及后续去重

# Embedding 模型下载（路径请按本机修改，下载与加载保持一致）from modelscope import snapshot_downloadEMBED_DIR = r"D:\models\embedding_model"model_dir = snapshot_download(    "sungw111/text2vec-base-chinese-sentence",    cache_dir=EMBED_DIR,)
``````plaintext
from zhipuai import ZhipuAIfrom sentence_transformers import SentenceTransformerclient = ZhipuAI(api_key="你的API_Key")  # 替换为你的 API Keystyle_model = SentenceTransformer(    rf"{EMBED_DIR}\sungw111\text2vec-base-chinese-sentence")

说明：

• sungw111/text2vec-base-chinese-sentence：本项目用于文本向量化（过滤 / 去重），不是 Xtuner 训练本体
• HuggingFace 侧也有同系列 sungw111/text2vec-base-chinese，按你的环境二选一即可

---

3.4 步骤3：生成及质量过滤

生成链路：

1. 构建消息上下文（system + few-shot examples）
2. 从 user_inputs 随机取一条用户话术
3. 调用 API 得到回复
4. 用 is_valid_reply 做质量过滤，通过才入库

# 核心：few-shot 上下文 + 随机 user + API 生成 + 质检入库messages = [    {"role": "system", "content": config["system_prompt"]},    *config["examples"],]user_msg = random.choice(user_inputs)response = client.chat.completions.create(    model="glm-3-turbo",    messages=messages + [{"role": "user", "content": user_msg}],    temperature=config["temperature"],    max_tokens=100,)reply = response.choices[0].message.contentif is_valid_reply(style_name, user_msg, reply):    data.append({"user": user_msg, "assistant": reply, "style": style_name})

质量过滤规则（单条回复是否可用）：

规则	作用
空值检查	过滤空回复
长度检查	过短/过长都丢掉
风格关键词	强制命中该风格的标志词
与示例回复的相似度	避免完全跑偏风格（阈值约 0.65）

注意：这里的相似度是「像不像该风格的示例回复」，用于单条质检；下一节去重用的是「两条样本是否太像」，阈值通常更高（如 0.7）。

# 核心判定（完整实现见配套源码）def is_valid_reply(style, user_msg, reply):    if not reply or not (5 <= len(reply) <= 150):        return False    # 风格关键词命中，如 温柔: 呢/呀/😊 ；毒舌: 好家伙/栓Q    if not any(kw in reply for kw in style_keywords[style]):        return False    # 与该风格示例 assistant 的余弦相似度 > 0.65    return cosine(encode(ref_assistant), encode(reply)) > 0.65

生成效果示例：

[  {    "user": "工作压力好大",    "assistant": "工作压力大呀，那一定要记得好好休息哦~ 晚上早点睡，给自己放个小假怎么样呀？💖",    "style": "温柔"  },  {    "user": "工作压力好大",    "assistant": "好家伙，你这压力堪比三座大山压顶啊！栓Q，别把自己逼成行走的炸药包了！退退退！注意休息，不然迟早把自己熬成老干妈！",    "style": "毒舌"  }]

---

3.5 步骤4：数据去重

批量生成后，同一 user 可能产出多条高度相似的 assistant，需要去重。

去重流程：1. 用 embedding 把文本编码成向量2. 计算余弦相似度（向量需归一化）3. 相似度高于阈值（如 0.7）则视为重复并剔除
``````plaintext
def compute_similarity(texts):    embeddings = style_model.encode(texts)    # 逐行归一化后再做点积，得到余弦相似度矩阵    norms = np.linalg.norm(embeddings, axis=1, keepdims=True) + 1e-8    embeddings = embeddings / norms    return np.dot(embeddings, embeddings.T)

❝

踩坑提醒：部分 text2vec 权重可能缺少归一化层；若直接 np.dot 未归一化，得到的是点积而不是余弦相似度。配套源码里会做显式归。

---

3.6 步骤5：人工审核

规则过滤之后，再抽检一轮：

• 风格一致性：是否混入其他语气
• 事实合理性：建议是否可执行
• 安全性：是否有不当内容

---

3.7 步骤6：转换为 Xtuner 格式

原始格式（生成结果）：

[  {    "user": "今天心情不太好",    "assistant": "今天是怎么了呢？有什么心事可以和我聊聊~",    "style": "温柔"  }]

Xtuner 格式：

[  {    "conversation": [      {        "input": "今天心情不太好",        "output": "温柔\n今天是怎么了呢？有什么心事可以和我聊聊~"      }    ]  }]
``````plaintext
def convert_format(source_data):    target_data = []    for item in source_data:        target_data.append({            "conversation": [                {                    "input": item["user"],                    "output": f"{item['style']}\n{item['assistant']}",                }            ]        })    return target_data

---

4. 不同风格的 Prompt 设计要点

---

第 3 节实战用的是「温柔聊天助手 / 毒舌朋友」。下面给出另外几类可扩展人设的设计要点，便于你改 system_prompt 时复用——不必与第 3 节模板逐字相同。

4.1 温柔客服

• 核心特征：敬语、情绪安抚、主动担责
• Prompt 示例：

请用以下方式回复用户：- 开头使用“您好”“感谢您的反馈”等礼貌用语- 包含至少一个解决方案建议- 结尾添加安抚语句，如“我们会全力为您解决”

4.2 毒舌朋友

• 核心特征：幽默反讽、夸张比喻、适度挑衅
• Prompt 示例：

请模仿好友间调侃语气，要求：- 使用网络流行语（如“扎心了”“你这操作666”）- 包含夸张比喻（如“你这速度比蜗牛搬家还慢”）- 避免人身攻击，保持友善底线

4.3 学术专家

• 核心特征：术语准确、逻辑严谨、引用规范
• Prompt 示例：

请以教授身份回答，要求：- 使用专业术语（如“根据Cohen's d效应量分析...”）- 引用至少一篇权威论文（格式：作者、年份、结论...）- 最后给出进一步研究建议

---

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

  

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】