D3.4 数据准备（质量 > 数量）

1. 公开数据集：HuggingFace datasets、魔搭社区、智源 FlagOpen
2. 合成数据：用 GPT-4 / Claude 生成训练样本（蒸馏）
3. 业务数据：你自己领域的真实数据（如汽车安全法规）

格式标准（OpenAI ChatML）：

{"messages": [
  {"role": "system", "content": "你是汽车安全法规专家"},
  {"role": "user", "content": "C-NCAP 五星需要满足什么？"},
  {"role": "assistant", "content": "正面 100% 重叠刚性壁障碰撞..."}
]}

1. 去重：用 sentence-transformers 算 embedding，cosine > 0.9 视为重复
2. 去噪：删除太短（<50字）、太长（>3000字）、有特殊字符
3. 校验：人工抽检 50 条，看质量
4. 平衡：保证类别分布均衡