
  <rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
    <channel>
      <title>HANS</title>
      <link>https://www.hansking.cn/blog</link>
      <description>A posts created with Next.js and Tailwind.css</description>
      <language>en-us</language>
      <managingEditor>admin@hansking.cn (HANS)</managingEditor>
      <webMaster>admin@hansking.cn (HANS)</webMaster>
      <lastBuildDate>Sun, 29 Sep 2024 10:00:00 GMT</lastBuildDate>
      <atom:link href="https://www.hansking.cn/tags/数据工程/feed.xml" rel="self" type="application/rss+xml"/>
      
  <item>
    <guid>https://www.hansking.cn/blog/2026/RAG-shu-ju-guan-dao-jie-xi-PDF-wang-ye-yu-biao-ge</guid>
    <title>RAG 数据管道：解析 PDF、网页与表格</title>
    <link>https://www.hansking.cn/blog/2026/RAG-shu-ju-guan-dao-jie-xi-PDF-wang-ye-yu-biao-ge</link>
    <description>[{&quot;value&quot;:&quot;RAG 数据管道：解析 PDF、网页与表格&quot;,&quot;url&quot;:&quot;#rag-数据管道解析-pdf网页与表格&quot;,&quot;depth&quot;:1},{&quot;value&quot;:&quot;一、先承认：不同格式不是同一种文档&quot;,&quot;url&quot;:&quot;#一先承认不同格式不是同一种文档&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;二、PDF：先处理布局，再处理文本&quot;,&quot;url&quot;:&quot;#二pdf先处理布局再处理文本&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;三、网页：正文只是页面的一小部分&quot;,&quot;url&quot;:&quot;#三网页正文只是页面的一小部分&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;四、表格：关系比自然语言更重要&quot;,&quot;url&quot;:&quot;#四表格关系比自然语言更重要&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;五、切分：不是越小越好，也不是越大越完整&quot;,&quot;url&quot;:&quot;#五切分不是越小越好也不是越大越完整&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;六、清洗要克制：噪声和信息不能一锅端&quot;,&quot;url&quot;:&quot;#六清洗要克制噪声和信息不能一锅端&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;七、去重和版本：避免知识库里有十个“同一份答案”&quot;,&quot;url&quot;:&quot;#七去重和版本避免知识库里有十个同一份答案&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;八、权限元数据必须跟着每个 chunk 走&quot;,&quot;url&quot;:&quot;#八权限元数据必须跟着每个-chunk-走&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;九、质量检查要在入库时就发生&quot;,&quot;url&quot;:&quot;#九质量检查要在入库时就发生&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;十、增量处理：文档变化时只做必要工作&quot;,&quot;url&quot;:&quot;#十增量处理文档变化时只做必要工作&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;十一、如何评测管道是否真的变好了&quot;,&quot;url&quot;:&quot;#十一如何评测管道是否真的变好了&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;十二、我的总结：RAG 的第一模型是数据管道&quot;,&quot;url&quot;:&quot;#十二我的总结rag-的第一模型是数据管道&quot;,&quot;depth&quot;:2}]</description>
    <pubDate>Sun, 29 Sep 2024 10:00:00 GMT</pubDate>
    <author>admin@hansking.cn (HANS)</author>
    <category>AI</category><category>LLM</category><category>RAG</category><category>数据工程</category><category>文档解析</category>
  </item>

  <item>
    <guid>https://www.hansking.cn/blog/2026/SFT-zhi-ling-wei-tiao-shu-ju-ge-shi-qing-xi-yu-xun-lian</guid>
    <title>SFT 指令微调：数据格式、清洗与训练</title>
    <link>https://www.hansking.cn/blog/2026/SFT-zhi-ling-wei-tiao-shu-ju-ge-shi-qing-xi-yu-xun-lian</link>
    <description>[{&quot;value&quot;:&quot;SFT 指令微调：数据格式、清洗与训练&quot;,&quot;url&quot;:&quot;#sft-指令微调数据格式清洗与训练&quot;,&quot;depth&quot;:1},{&quot;value&quot;:&quot;一、先判断问题是不是真的需要 SFT&quot;,&quot;url&quot;:&quot;#一先判断问题是不是真的需要-sft&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;二、SFT 数据的基本形式&quot;,&quot;url&quot;:&quot;#二sft-数据的基本形式&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;三、输入输出边界必须一致&quot;,&quot;url&quot;:&quot;#三输入输出边界必须一致&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;四、清洗：模型会把脏数据学得很认真&quot;,&quot;url&quot;:&quot;#四清洗模型会把脏数据学得很认真&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;去重&quot;,&quot;url&quot;:&quot;#去重&quot;,&quot;depth&quot;:3},{&quot;value&quot;:&quot;冲突检查&quot;,&quot;url&quot;:&quot;#冲突检查&quot;,&quot;depth&quot;:3},{&quot;value&quot;:&quot;敏感信息&quot;,&quot;url&quot;:&quot;#敏感信息&quot;,&quot;depth&quot;:3},{&quot;value&quot;:&quot;模型生成数据&quot;,&quot;url&quot;:&quot;#模型生成数据&quot;,&quot;depth&quot;:3},{&quot;value&quot;:&quot;五、数据划分要防止“换句话说的泄漏”&quot;,&quot;url&quot;:&quot;#五数据划分要防止换句话说的泄漏&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;六、长度和截断要在训练前算清楚&quot;,&quot;url&quot;:&quot;#六长度和截断要在训练前算清楚&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;七、loss 到底应该算在哪些 Token 上&quot;,&quot;url&quot;:&quot;#七loss-到底应该算在哪些-token-上&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;八、一个简化的训练配置&quot;,&quot;url&quot;:&quot;#八一个简化的训练配置&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;九、训练过程中看什么&quot;,&quot;url&quot;:&quot;#九训练过程中看什么&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;十、训练完成后先做离线回归&quot;,&quot;url&quot;:&quot;#十训练完成后先做离线回归&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;十一、部署时不要忘记训练模板&quot;,&quot;url&quot;:&quot;#十一部署时不要忘记训练模板&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;十二、什么时候训练算成功&quot;,&quot;url&quot;:&quot;#十二什么时候训练算成功&quot;,&quot;depth&quot;:2},{&quot;value&quot;:&quot;十三、我的总结：SFT 是数据工程，不只是训练工程&quot;,&quot;url&quot;:&quot;#十三我的总结sft-是数据工程不只是训练工程&quot;,&quot;depth&quot;:2}]</description>
    <pubDate>Sun, 21 Jul 2024 10:00:00 GMT</pubDate>
    <author>admin@hansking.cn (HANS)</author>
    <category>AI</category><category>LLM</category><category>SFT</category><category>微调</category><category>数据工程</category>
  </item>

    </channel>
  </rss>
