为实现检索增强生成（RAG）系统的功能，微调训练数据需要专门设计，核心是训练模型掌握**专业文本解析+上下文推理+合规验证**能力。以下是训练数据设计原则和具体示例：

---

### 训练数据核心结构
每个样本需包含：
```json
{
  "input": "标准文本片段",
  "instruction": "合规性问题",
  "output": "关联条款标记，基于文本的合规结论"
}
```

### 训练数据类型及示例
#### 类型1：**直接提取型**（训练精准定位能力）
```json
{

  "instruction": "ASDU地址FFH的作用是什么？",
  "input": "《某某标准》4.4.1 ASDU公共地址高8位：0H表示保信子站本身；1H~FEH表示装置编号；FFH用于广播",
  "output": "《某某标准》4.4.1，对保信子站内所有装置广播"
}
```

#### 类型2：**逻辑推断型**（训练条款关联能力）
```json
{

"instruction": "总召唤时开关量分位状态是否需要上送？",
  "input": "《某某标准》5.1.1 持续性状态量需总召唤上送\n5.8.1 总召唤时仅回答持续性状态量\n图表25 开关量DPI=1表示分位",
  "output": "需要，《某某标准》5.1.1+5.8.1+图表25，因为开关量属于持续性状态量（DPI=1），且在总召唤范围内"
}
```

#### 类型3：**表格解析型**（训练结构化数据处理）
```json
{

 "instruction": "开关量处于合位时DPI值是多少？",
  "input": "《某某标准》图表25 DPI定义\n| 信息类型 | DPI=1 | DPI=2 |\n|----------|-------|-------|\n| 开关量 | 开/OFF | 合/ON |",
  "output": "《某某标准》图表25，DPI=2（合/ON）"
}
```

#### 类型4：**跨文档验证型**（训练标准冲突检测）
```json
{

 "instruction": "保护跳闸信号是否需要带时标？",
  "input": "GB/T 14285-2021 9.2.1：保护跳闸信号需带时标；QCSG1204013-2016 5.4.2：动作事件用ASDU1或ASDU10上送",
  "answer": "是，GB/T 14285-2021 9.2.1 > QCSG1204013-2016 5.4.2，国标强制要求带时标，企业标准实现需满足此要求"
}
```

#### 类型5：**合规缺陷识别型**（训练风险判断能力）
```json
{

  "instruction": "该设计是否符合物理接口要求？",
  "input": "《某某标准》4.2 物理接口：必须使用100M及以上以太网\n设计文档：某子站采用RS485接口",
  "answer": "不符合，违反《某某标准》4.2，必须使用100M及以上以太网’规定"
}
```

#### 类型6：**版本变更适应型**（训练标准更新追踪）
```json
{

  "instruction": "2023版对无动作录波的规定有何变化？",
  "input": "《某某标准》5.1.3 分散录波无动作出口不上送；5.1.3 新增：未动作录波需人工召唤",
  "output": "2016版《某某标准》5.1.3 vs 2023版5.1.3，新增人工召唤机制，允许主站主动获取未动作录波"
}
```

---

### 训练数据配比建议
| 数据类型 | 占比 | 目的 | 样本量/千条 |
|---------|------|------|------------|
| 直接提取 | 30% | 基础定位能力 | 30 | 
| 逻辑推断 | 25% | 条款关联能力 | 25 |
| 表格解析 | 15% | 结构化处理 | 15 |
| 跨文档验证 | 10% | 冲突解决 | 10 |
| 缺陷识别 | 15% | 风险判断 | 15 |
| 版本适应 | 5% | 更新追踪 | 5 |

---

### 进阶训练技巧
1. **负样本设计**（防幻觉）：
   ```json
   {
     "document": "5.6.1 定值区号0表示当前区",
     "question": "定值区号255表示什么？",
     "evidence": "无相关条款",
     "answer": "标准未定义该编码，请核查文档有效性"
   }
   ```

2. **多跳推理链**：
   ```json
   {
     "document": "3.4 检修状态时信息不上送主站\n5.1.6 检修状态变化需ASDU1上送",
     "question": "装置退出检修状态时是否需要通知主站？",
     "evidence": "3.4+5.1.6",
     "answer": "需要，通过ASDU1上送状态变化信号（COT=01H）"
   }
   ```

3. **术语一致性训练**：
   ```json
   {
     "document": "4.3.2 使用TCP端口2404",
     "question": "IEC60870-5-104缺省端口号？",
     "evidence": "4.3.2",
     "answer": "2404（与IEC60870-5-104标准一致）"
   }
   ```

---

### 数据生成管道
```mermaid
graph TB
A[原始标准PDF] --> B(文本结构化)
B --> C[条款片段标注]
C --> D{问题生成}
D --> E[简单问题] 
D --> F[推理问题]
D --> G[缺陷检测问题]
E --> H[专家验证]
F --> H
G --> H
H --> I[训练数据集]
```

> 关键工具：  
> - **PDF解析**：Adobe Extractor/Google DocAI  
> - **问题生成**：微调的GPT-4 + 规则引擎  
> - **验证平台**：电力专家标注界面（接受率需>95%）

这种数据设计使模型具备三大核心能力：  
1. **精准定位**：在百页文档中秒级锁定条款  
2. **逻辑链构建**：关联分散的技术要求（如定值修改需闭锁）  
3. **合规判决**：对比设计与标准文本的差异点  

最终实现工业级合规检查：输入设计文档+标准文本，输出带条款引用的合规报告。