book-sft-pipeline

book-sft-pipeline 技能为开发人员和创作者提供了一套完整的架构，用于微调小型语言模型（8B 或以下），使其能模仿特定作家的语气。本技能专注于高保真度的数据处理，确保模型学习文学来源的节奏、词汇和风格细微差别，而非仅仅是记忆情节。此技能非常适合涉及数字人文、创意写作助手或语音复制模型的项目，其中基于文本的风格迁移是主要目标。

• 使用 BeautifulSoup 进行自动化 ePub 提取，解析段落结构同时移除会污染训练数据集的版权信息与目录。

• 具备语义一致性的智慧文字分段功能，针对 150-400 字的区块进行分割，并通过重叠序列保持上下文语义。

• 利用多种系统提示词与样板生成多样化的合成指令，防止过度拟合并增强风格习得的泛化能力。

• 为 Tinker 和标准 SFT 平台进行优化，输出适合进行 LoRA (Low-Rank Adaptation) 微调的 JSONL 格式结构化数据。

• 内建验证方法，包含 AI 检测与原创性检查，确保生成的合成数据符合预期的语气要求。

• 务必优先选择 ePub 原始文件而非 PDF，以避免常见的 OCR 错误导致模型产生幻觉。

• 采用协调者代理 (Orchestrator Agent) 模式来管理四阶段工作流：提取、分段、指令合成与数据集构建。

• 应用 15 种以上提示模板与 5 种以上系统提示词策略，确保模型能跨不同语境学习风格模式。

• 适合小规模部署，本流程专为有限数据样本（约 500-600 个范例）下进行高效 LoRA 训练而校准。

• 请务必遵守上下文工程原则：着重于高信号数据的策划而非数据总量，并关注注意力机制，优先考虑数据质量以减轻上下文衰减问题。