从数据集构建：如何为春节祝福场景"喂"出懂人情的AI
今年1月初，我立了个Flag：春节前，做一个能帮人写祝福语的小工具。
当时想得很简单，现在大模型这么强，写个祝福语还不简单？结果被狠狠打脸。
我用市面上几个主流的大模型试了一圈，输入"写给客户的新年祝福"，输出清一色都是：
"尊敬的客户，值此新春佳节之际，谨代表全体员工向您致以最诚挚的问候..."
这话有错吗？没错。但你敢直接转发给合作了三年的老熟人吗？不敢。
问题出在哪儿？不是模型不够强，是我们根本没告诉它，什么叫"合适"。
这就引出了我们今天要聊的核心------垂直场景下的数据集构建。如果你也想让AI帮你处理类似"懂人情、知分寸"的任务，接下来的内容或许能给你一些启发。
第一步：别急着训练，先定义"分寸感"
很多人做AI应用容易犯一个错误：拿到模型就想微调，但连"好"的标准是什么都没定义清楚。
在「码上拜年」项目启动时，我们做了一件很笨的事：坐下来，把人际关系掰开了揉碎了，拆成计算机能理解的维度。
最终，我们定义了一套"关系感知"的数据结构：
| 维度 | 作用 | 举个例子 |
|---|---|---|
| 称呼 | 决定了亲密程度 | "王总" vs "老王" vs "老爸" |
| 关系 | 决定了行为边界 | 客户不能调侃，恋人不能太官方 |
| 交往细节 | 让祝福"专属化"的关键 | "去年合作马术项目" |
| 场合 | 微信 vs 当面说，语感完全不同 | 微信可以带表情包，口头要顺溜 |
| 风格 | 整体情绪基调 | 传统喜庆、轻松自然、LLM科技疯、商务得体 |
| 篇幅 | 控制信息密度 | 50字以内别啰嗦，200字可以讲故事 |
这套维度，后来成了我们整个数据集的基础骨架。
为什么这步很重要？ 因为通用模型训练时，从来没学过"给老爸发祝福要用科技梗"这种知识。如果你不把这种"人情潜规则"显式地写进训练数据，它永远只会输出最安全、也是最平庸的话。
第二步：种子数据------最难的部分，往往要亲手写
确定了维度，下一个灵魂拷问是：数据从哪来？
我们翻遍了开源社区，确实有一些节日祝福数据集，但大多是"句子对"或者"关键词-祝福语"的简单映射。没有一个数据集会告诉你："交往细节"这个字段应该怎么写，"LLM科技风"到底长什么样。
没办法，自己造吧。
我们团队四个人，花了两天时间，每人硬写了100多条高质量的"种子数据"。
写数据时的几条铁律：
- 细节必须真实：比如"一起通宵赶作业"可以，"关系很好"不行------模型学不会抽象形容词，它只能模仿具象表达。
- 风格要有区分度：写"商务得体风"时，想象对方是合作三年的甲方；写"轻松自然风"时，想象是大学睡在上铺的兄弟。
- 分寸感要明确：有些话朋友之间说叫幽默，对客户说叫冒犯。我们会刻意在数据里制造这种对比。
比如这两条数据，是并排喂给模型的：
- 朋友：祝咱们新年继续组队carry，PPT一稿过，外卖天天有折扣！
- 客户：新的一年，祝您财源滚滚来，生活乐呵呵，咱们的合作也马不停蹄向前奔～
看到了吗？同样是"轻松"，对朋友可以玩梗，对客户必须用"财源滚滚"这种安全牌。这种微妙差异，必须靠海量对比数据让模型自己领悟。
第三步：数据繁殖------从100到3000的高效路径
只有400条种子数据，够吗？显然不够。
但我们也没打算手写到3000条。这里用到一个非常实用的技巧：用模型扩展模型。
流程是这样的：
- 人工写好100条高质量样本（每条包含：用户需求 + 理想回复）
- 把样本喂给一个较强大的模型（如GPT-4），让它模仿格式，生成新的"需求-回复"对
- 人工筛选、修正，保留合理的数据，剔除跑偏的
我们把这个过程叫**"数据繁殖"。最终，从400条种子数据，繁殖出了近4000条候选数据，经过两轮人工清洗，保留了3107条**用于训练。
这套方法的好处是：数据质量的下限由人工把控，数据规模的上限由算力支撑。
第四步：提示词模板------把"人情味"结构化
数据准备好了，怎么喂给模型？
直接扔一句"帮我写祝福语"肯定不行。我们需要把刚才那六个维度的信息，格式化成模型能看懂的语言。
我们设计的User Prompt模板长这样：
markdown
以下是用户的需求：
###
- 祝福对象的称呼：{称呼}
- 与祝福对象的关系：{关系}
- 交往细节或共同经历：{细节}
- 风格：{风格}
- 字数：{篇幅}
###
请你根据需求，编写一段{微信/口头}祝福语。填上真实数据后，就是这个效果：
样例1：商务得体风
用户需求 ：王总，客户，去年合作马术项目印象深刻... 模型输出：王总好呀～又是一年春来到！想起去年合作时您的专业和远见，真的让我受益匪浅。也还记得您分享的马术心得，佩服您的专注与热爱。在这奔腾向年的马年，祝您和公司事业一马当先、马到成功！
样例2：LLM科技疯
用户需求 ：老爸，家人，总用老式打字机敲代码，最近迷大模型... 模型输出：老爸，马年到！愿您像Transformer一样注意力集中，在编码路上精准发力。愿咱们的讨论永远不用fine-tuning就能达成共识。祝您2026年参数调优顺利，算力满格！
看到区别了吗？同一套模板，填入不同的细节和风格，输出完全是两个人写出来的。
这就是结构化数据的威力：不给模型"自由发挥"的空间，而是给它一个清晰的创作框架。框架之内，随便飞；框架之外，不许跑。
到这里，你可能发现了：整个流程中最花时间的，其实是设计这个"输入格式"和整理那3000条数据 。一旦数据准备妥当，实际的微调环节反而很快。我们当时用 LLaMA-Factory Online，2张H800A显卡，跑了6个epoch，只花了30分钟。这个平台最方便的地方在于，它已经把LoRA、全量微调这些技术选项封装成了开关，你不需要懂底层原理，只需要上传数据、选模型、点开始。非常适合想快速验证"我这条路能不能走通"的实践者。
第五步：验收------主观感受才是金标准
模型训练完，怎么评估效果？
像祝福语这种生成类任务，BLEU值、ROUGE分数意义不大。写得再流畅，不得体也是白搭。
我们用的是人工盲测。
把同样的需求，分别发给：
- A. 未经微调的Qwen3-32B
- B. 微调后的Qwen3-32B
- C. 人类写作者（作为上限参考）
让评估者猜：哪条是AI写的？哪条更像是发给自己的？
结果很直观：
- 未微调模型：70%的句子能被一眼认出是AI。特点是"要素齐全、用词华丽、但感觉和谁都能发"。
- 微调模型：识别率降到30%以下。特别是处理"交往细节"时，能把"深夜改方案"对应到"梯度下降优化"，能把"一起租房买房"对应到"从北五环到三环"这种具体意象。
用户的一句话反馈让我印象很深：
"这条祝福，像是知道我们过去一年发生了什么的人写的。"
你看，AI技术做到最后，拼的不是参数大小，不是推理速度，而是它有没有理解那些对你重要的人和事。
写在最后：AI不该替你社交，但可以帮你"想起来"
有朋友问我：你们搞这个「码上拜年」，是想让AI替人写祝福吗？
我说不是。
真正走心的祝福，从来不是"写"出来的，是"想起来"的。
当你面对几百个微信好友，手指划过屏幕却不知从何说起时，其实不是不会写，是那些共同经历沉到了记忆底层，需要有人帮你打捞。
AI在这里扮演的角色，不是作家，而是记忆的导盲犬。它提醒你：这个人陪你熬过加班，那个人和你一起吐槽过老板，老爸最近迷上了Transformer。
它替你组织语言，但替你不了真心。
希望在这个马年，你发出的每一句祝福，都不是"复制、粘贴、修改称呼"，而是一段让屏幕那头的人觉得------"他还记得哎"------的专属记忆。
技术有温度，落笔需真心。