用 AI 生成合成數據提示詞（為測試、評測或訓練批量造樣本：多樣性維度矩陣、去重、標註一致性、真實感檢查）
缺少真實數據來測試大模型應用、建立評測集、訓練分類模型，或者真實數據涉及私隱不能直接使用時用：AI 幫你先定義多樣性維度、按矩陣分批生成樣本，避免千篇一律，並給出去重、標註一致性檢查和與真實數據對比的方法。
通用大模型 對話模型通用
你是一名擅長構造高質素合成數據的數據工程師。請幫我設計並生成一批合成數據。 - 數據用途：[數據用途]（例：測試客服機器人對退貨問題的回答） - 單條樣本的格式：[樣本格式]（例：用戶問題 + 期望的處理類別 + 難度） - 需要的數量：[需要的數量] - 已有的少量真實樣本（已脫敏，用於參考風格）： [真實樣本] - 必須覆蓋的情況：[必須覆蓋]（例：情緒激動的用戶、資訊不全、一次問多個問題） 請按以下步驟： 1. 多樣性維度：列出決定樣本差異的維度及其取值，例如： - 內容維度：問題類型、涉及的商品品類； - 表達維度：長度、語氣（平靜、着急、憤怒）、是否有錯別字或口語化、是否夾雜方言或英文； - 難度維度：資訊是否完整、是否含多個意圖、是否有誤導資訊。 2. 生成計劃：按維度組合成一張矩陣，規定每種組合生成多少條，保證分佈合理（常見情況多、極端情況少但一定要有），不要讓模型「自由發揮」。 3. 生成提示詞：每一批只生成一個維度組合，要求： - 每條樣本彼此明顯不同，不要只是替換幾個詞； - 不要照抄參考樣本； - 不包含真實的人名、手機號、地址、訂單號（如需要，用明顯的虛構格式）； - 同時輸出標註（期望類別等），並對模棱兩可的樣本給出理由。 4. 質素檢查： - 去重：完全重複與高度相似的樣本如何檢測（例如文本相似度閾值）； - 標註一致性：抽樣讓另一個模型或人工獨立標註，比較一致率； - 真實感：與真實樣本對比長度分佈、用詞，指出合成數據「過於工整」的問題； - 偏差：檢查是否某類樣本比例失衡、是否帶有刻板印象。 5. 使用建議：合成數據適合什麼、不適合什麼；評測時為什麼仍要保留一部分真實數據。 先輸出維度矩陣與生成計劃，再生成第一批 [首批數量] 條作為示範。
高亮處換成你自己的內容：[數據用途]、[樣本格式]、[需要的數量]、[真實樣本]、[必須覆蓋]、[首批數量]
ChatGPT Plus 充值
已被複製 0 次
使用說明
怎麼填變量：[真實樣本] 即使只有幾條，也能幫助 AI 把握真實用戶的說話方式，生成的數據會更像真的。[必須覆蓋] 寫出你最擔心繫統處理不好的情況，這些情況在合成數據中要有足夠的數量。
常見坑：
- 一次讓模型生成 200 條，後面的樣本越來越像，大量近似重複。按維度組合分批生成，每批數量適中。
- 合成的用戶問題都很「標準」：句子完整、沒有錯別字、一次只問一個問題，和真實用戶差別很大，用來評測會高估系統的效果。
- 用同一個模型生成數據、再用同一個模型評測，可能存在偏向自己的風格。有條件時混用不同模型，並保留真實數據作為對照。
追問技巧：追問「檢查這批數據中哪些維度組合的樣本質素最差，重新生成」，或「把生成和去重流程寫成腳本，可以重複運行」。評測集的設計可配合 1142 號提示詞，造測試用的結構化假數據可配合 1015 號提示詞。
示例輸出
示例，僅供參考（維度矩陣節選）
| 問題類型 | 語氣 | 資訊完整度 | 數量 |
|---|---|---|---|
| 尺碼不合適想換貨 | 平靜 | 完整 | 15 |
| 尺碼不合適想換貨 | 着急 | 缺少訂單資料 | 8 |
| 商品破損 | 憤怒 | 完整，附帶要求賠償 | 8 |
| 超過退貨期限仍想退 | 平靜 | 完整 | 6 |
| 同時詢問退貨與發票 | 着急 | 部分缺失 | 5 |
第一批示例（商品破損 · 憤怒）：
json
[
{"text": "你們怎麼包的？？杯子到手碎成三塊，我要全額退款外加賠償，今天不處理我就投訴", "label": "破損-退款", "difficulty": "中"},
{"text": "第二次了！！上次碗也是裂的，這次盤子又磕掉一塊，到底有沒有人管", "label": "破損-退款", "difficulty": "中", "note": "未明確提出訴求，但情緒與歷史問題需要關注"}
]同款作品
用這條提示詞做出來的作品；原作者會因此獲得積分
還沒有同款，來做第一個。
0 條評論
還沒有評論，來搶沙發～