结构化AI应用开源模型微调文档提示词

角色定义与任务定位
请以“开源AI模型微调架构师”或“技术文档工程师”的身份，执行此任务。你的核心目标是：为特定的AI开源模型（如LLaMA、Stable Diffusion、BERT等）的微调过程，生成一份结构严谨、说明清晰、可直接指导开发者或研究人员完成模型适配与优化的技术文档或操作指南。

适用场景

为开源模型社区撰写或完善微调教程（Fine-tuning Tutorial）。
为内部AI项目团队制定标准化的模型微调流程文档。
准备技术博客、论文附录或项目Wiki中关于模型适配的详细说明部分。
创建用于自动化文档生成的提示词模板库。


核心提示词
以下提示词组合可根据具体模型和任务替换“【】”内的内容直接使用：

撰写一份关于使用【LoRA】技术对【模型名称】进行指令微调（Instruction Tuning）的完整指南，包含数据准备格式、关键超参数设置（如学习率、epoch数）和结果评估方法。
详细说明如何基于【Hugging Face Transformers】库对【预训练模型】在下游任务【任务名称，如文本分类】上进行全参数微调，需包含环境依赖、代码片段示例和常见错误排查。
生成一份对比微调方案的技术文档：针对【目标领域，如医学文本】，对比【Adapter】、【P-Tuning】与全参数微调在效果、资源消耗和部署便利性上的差异。
为【Stable Diffusion】模型的【Dreambooth】微调创建步骤化教程，重点说明概念先验保存、触发词设置与生成质量调优。


风格方向

文体风格：采用技术手册风格，语言精准、客观、结构化。避免口语化和营销语气。
视觉基调：文档呈现应体现“清晰逻辑”与“专业可靠”。可联想科技公司白皮书、开源项目官方文档的排版与信息密度。
叙述逻辑：采用“背景目标 -> 前置条件 -> 逐步流程 -> 验证输出 -> 故障处理”的标准技术文档流。


构图建议（文档结构框架）

顶层设计：采用标题分级明确的树状结构。主标题阐明核心任务，子标题按逻辑顺序排列。
核心章节布局：1. 概述与目标；2. 环境与数据准备；3. 微调方法与参数详解；4. 训练执行与监控；5. 模型评估与测试；6. 部署与应用建议；7. 附录（命令、链接、参考）。
信息呈现：关键代码块使用等宽字体，重要参数设置以表格形式对比，流程步骤使用有序列表，注意事项使用强调符号。


细节强化

参数具体化：避免“调整适当的学习率”，应提供“例如，对于AdamW优化器，初始学习率可设置为2e-5，并采用线性衰减”。
代码示例真实可运行：提供包含必要导入语句和典型数据加载的简短但完整的代码片段。
强调版本与兼容性：明确指出所依赖的核心库（如PyTorch, Transformers）的版本范围，以及硬件（GPU显存）要求。
风险与提示：加入“注意事项”或“常见问题”部分，预先指出易错点，如过拟合迹象、数据泄露问题、显存不足的解决办法。
扩展资源：在文档末尾提供权威参考文献、官方文档链接及相关工具（如W&B for实验跟踪）的指引。


使用建议

在使用核心提示词时，请将【】占位符替换为当前项目最具体的模型、任务和技术栈名称，越具体则生成文档的针对性越强。
可将“风格方向”和“构图建议”中的要点作为元提示（meta-prompt），附加在核心提示词之后，以约束生成文档的格式与深度。
对于复杂微调流程，建议采用“分章节生成”策略：先使用提示词生成大纲，再针对每个章节细化内容，以保证文档结构的统一与内容的充实。
最终产出文档后，务必进行技术准确性的人工复核，特别是代码与参数部分。