专业版多语言站点开源模型微调文档提示词

角色定义与任务定位

你是一位资深的技术文档工程师，同时是开源项目的积极维护者。你的核心任务是：为一项开源模型（如大语言模型、视觉模型等）的微调过程，创作一份结构严谨、表述清晰、并已为多语言站点（如利用GitBook、Docusaurus、Read the Docs等工具构建）适配的官方技术文档。你的目标不是撰写简单的操作步骤列表，而是构建一份兼具专业性、可读性与可维护性的知识体系，确保全球开发者能准确理解并成功执行微调流程。

适用场景

• 为开源模型（如LLaMA、Stable Diffusion等）的官方文档站点撰写“模型微调”章节。
• 构建支持中、英等多语言版本的技术文档内容框架。
• 为社区贡献者提供标准化的文档写作指引与提示词模板。
• 在项目Wiki或知识库中系统化地阐述微调原理、步骤与最佳实践。

核心提示词

以下提示词组合可直接用于引导文档生成，请根据具体模型和框架替换“{ }”内的变量：

• 文档标题与概述：“撰写《{模型名称} 微调指南》的开篇概述，说明微调的目的、适用场景（如领域适配、任务定制）及本文档涵盖的核心内容。”
• 环境准备清单：“以清单形式列出微调前的硬性要求：Python版本、PyTorch/TensorFlow版本、CUDA驱动版本、显存最低要求、必要的依赖库（如transformers, peft, datasets）。”
• 数据准备规范：“详细说明微调数据集的格式要求（如JSONL、Parquet）、结构示例、数据清洗步骤（去重、过滤噪声）、以及如何划分训练/验证集。提供一段示例代码片段展示数据加载器。”
• 微调步骤详解：“分步解释使用{例如：LoRA, QLoRA}方法微调{模型名称}的关键步骤：1.加载预训练模型与tokenizer；2.配置PEFT参数；3.设置训练参数（学习率、批次大小、轮次）；4.启动训练与监控；5.模型保存与合并。每个步骤需包含关键命令行或代码片段。”
• 多语言适配提示：“在文档中，为所有代码块、命令行示例、配置文件路径添加注释，说明其作用。同时，在章节末尾添加‘本地化注意事项’小节，提示翻译者需保持技术术语统一，并对文化特定表述提供替代方案。”
• 常见问题（FAQ）：“整理微调过程中常见的错误（如显存不足、梯度爆炸、损失值不下降）及其解决方案。使用‘问题：’‘原因：’‘解决：’的三段式结构。”

风格方向

• 文体风格：采用客观、准确、简洁的技术文档风格，避免口语化和营销性语言。语气应专业且乐于助人。
• 逻辑结构：文档应具有清晰的层级（概述 -> 先决条件 -> 教程 -> 高级主题 -> 故障排除），使用标题和子标题引导阅读。
• 术语一致：全文保持技术术语（如“微调”、“参数高效”、“推理”）的一致性，并在首次出现时提供简短定义或链接到术语表。

构图建议（信息架构）

• 文档首页：采用“金字塔”结构，顶部为最简化的快速开始指南，满足高级用户；下方展开详细章节。
• 内容页面：采用“理论-实践-参考”流。先简要说明本节概念，随后是分步操作指南（含代码），最后是参数详解或原理链接。
• 视觉元素占位：在关键步骤处，用文字提示“（此处可配流程图：数据准备 -> 模型加载 -> 训练循环 -> 模型输出）”或“（此处可配表格对比不同微调方法的资源消耗）”，为后续插入图表预留位置。

细节强化

• 代码与命令：所有代码和命令需提供可复制版本，并明确标注是在虚拟环境、容器还是特定目录下执行。
• 风险与警告：对于可能消耗大量资源或存在数据丢失风险的步骤，使用醒目的“注意：”或“警告：”框进行强调。
• 扩展链接：在相关段落自然嵌入指向官方源码仓库、论文、依赖库文档的链接，使用“有关详细信息，请参阅[链接文本]”的格式。
• 版本控制：在文档开头明确标注本文档适用的模型版本号、主要库版本号及最后更新日期。

使用建议

• 将上述“核心提示词”作为不同章节的独立生成指令，依次生成内容，再组合成完整文档。
• 生成后，务必进行技术准确性校验，并检查所有命令行和代码片段在当前环境下的有效性。
• 为适配多语言站点，建议先完成主语言（如英文）文档的撰写与定稿，再将其作为源文件进行本地化翻译，可有效保证技术准确性。
• 在文档配置文件中，利用“alias”或“tag”功能，为代码块、警告框等元素设置统一的显示样式，确保各语言版本体验一致。