Datasets:

NoahIsARider
/

SCUT-SS

license: other
license_name: educational-use-only
license_link: LICENSE
language:
  - zh
  - en
pretty_name: SCUT-SS 软件学院课程复习资料（可用于 RAG）
size_categories:
  - 1K<n<10K
task_categories:
  - question-answering
  - text-retrieval
task_ids:
  - document-retrieval
  - extractive-qa
tags:
  - rag
  - retrieval-augmented-generation
  - course-notes
  - exam-preparation
  - chinese
  - software-engineering
  - scut
configs:
  - config_name: chunks
    data_files:
      - split: train
        path: data/dataset/chunks.jsonl
  - config_name: pages
    data_files:
      - split: train
        path: data/dataset/pages.jsonl
  - config_name: tree
    data_files:
      - split: train
        path: data/dataset/tree.jsonl

SCUT-SS：华南理工大学软件学院课程复习资料数据集（RAG-ready）

从飞书知识库「期末必修复习讲义」完整抓取并清洗的课程复习资料，附带开箱即用的本地向量库与纯浏览器端静态检索演示，供华南理工软件学院的同学用 AI 辅助复习（问答、出题、抽认卡、错题整理）。

数据内容版权归原作者所有，本仓库仅做格式整理；仅供学习用途，详见 LICENSE。

指标	数值
知识库节点	115（97 篇 docx + 16 份 PDF 课件 + 目录节点）
`pages` 记录数	113（97 篇文档 + 16 份 PDF）
`chunks` 记录数	2386
正文总字符	979,790
课程分类	9
语言	中英混排（课程多为中英双语）

覆盖课程：软件体系结构、软件测试、数据库系统、软件项目管理、C++ 高级程序设计、线性代数、历年回忆版试卷、大二下总结、暑期实习总结等。

不含什么。 原始知识库里还混着三样非课程内容：飞书官方帮助文档（「管理员手册」「成员手册」）、一个与本课程无关的高考回忆卷分支、以及一个「期末休息区」留言页。它们会被当成"课程"出现在筛选里，所以构建时按分支整体剔除，共 38 页 / 98 个片段，剩余 113 页 / 2,386 片段。剔除清单写在 data/dataset/stats.json 的 excluded_courses 字段，scripts/build_dataset.py 可复现。课程内容一条未删，各课程的历年真题回忆版全部保留。

另外剔除 41 个「只有标题重复、没有正文」的空壳片段（切分时留下的页标题），这类片段会对任何提到课程名的查询命中并挤掉真实内容。判定规则见 scripts/build_dataset.py 的 is_low_information()。

数据集结构

`chunks`（推荐直接用于向量检索，2386 行）

字段	类型	说明
`id`	string	唯一 ID：`docx::<node>::<序号>` / `pdf::<文件名>::<序号>`
`page_id`	string	所属页面 ID
`title`	string	文档标题
`course`	string	一级分类（课程名）
`path`	string	知识库完整路径，用 `/` 分隔
`section`	string	所在章节标题链（按 Markdown 标题切分）
`text`	string	正文块（约 700 字符，带重叠）
`url`	string	原飞书页面链接，可回查原文
`source_type`	string	`docx` / `pdf`
`n_chars`	int	正文块字符数

`pages`（页面级全文，113 行）

id、title、course、path、url、source_type、obj_token、n_chars、text（整篇全文）。

`tree`（知识库节点树，115 行）

node_token、title、obj_type、path（/ 分隔）、course、url、 file（对应 data/raw/ 的 Markdown 文件名）、file_path（对应 data/files/ 的附件路径）。

其他文件

路径	说明
`data/raw/*.md`	138 篇文档的 Markdown 原文（含 front-matter 元信息）
`data/files/*.pdf`	16 份软件测试课程 PDF 课件（Git LFS）
`vectorstore/`	已建好的字符 n-gram TF-IDF 索引（`tfidf.npz` + 词表 + `chunks.jsonl`）
`scripts/`	抓取 → 清洗 → 建库 → 检索的完整流水线
`space/`	可直接部署的静态 HF Space（浏览器端 RAG）

使用方式一：加载数据集（Python）

from datasets import load_dataset

ds = load_dataset("NoahIsARider/SCUT-SS", "chunks")["train"]
print(ds[0]["course"], ds[0]["section"])
print(ds[0]["text"][:200])

# 按课程过滤
db = ds.filter(lambda x: x["course"].startswith("3.5➡️3.0 数据库系统"))

直接当 JSONL 读也行：data/dataset/chunks.jsonl（每行一个 JSON 对象）。

使用方式二：用自带向量库本地检索（无需任何模型）

git clone https://huggingface.co/datasets/NoahIsARider/SCUT-SS
cd SCUT-SS
pip install -r requirements.txt

python scripts/rag_query.py "黑盒测试有哪些方法" -k 5
python scripts/rag_query.py "数据库范式分解" -k 5 --course "数据库系统"

vectorstore/ 里是构建好的 TF-IDF 索引，克隆下来即可检索，不下载任何模型、不需要 API Key。

自建/换后端（可选）：

python scripts/build_vectorstore.py                                   # TF-IDF（默认，离线）
python scripts/build_vectorstore.py --backend sbert                   # 本地句向量
python scripts/build_vectorstore.py --backend openai --provider siliconflow  # 云端 embedding

使用方式三：没有本地模型也能用（三种路径）

云端模型直连：配置后加 --ask

$env:OPENAI_API_KEY  = "sk-xxx"
$env:OPENAI_BASE_URL = "https://api.siliconflow.cn/v1"
$env:OPENAI_MODEL    = "deepseek-ai/DeepSeek-V3"
python scripts/rag_query.py "简述 V 模型的四个测试层次" --ask

内置厂商预设：deepseek / siliconflow / moonshot / zhipu / qwen / volcengine / openai / ollama，也可用 --provider <预设> 或写 config/llm.json（模板见 config.example.json）。

导出上下文给外部 AI（IDE / 聊天模型都行）
```
python scripts/rag_query.py "事务隔离级别" -k 5 --save-context notes/context.md
```
生成的文件自带「只依据资料作答、未覆盖要说明、标注来源编号」的约束，在 IDE 里 @ 该文件，或粘给任意模型即可。
MCP 服务器：让 IDE / 编程工具里的云端模型自己检索
```
{ "mcpServers": { "scut-ss": { "command": "python",
    "args": ["<仓库路径>/scripts/mcp_server.py"] } } }
```
提供 search_materials(query, k, course)、list_courses()、get_material(title) 三个工具。

使用方式四：静态 Space（浏览器端，零后端）

space/ 是一个 static SDK 的 Space：所有检索在浏览器里完成， HF 静态托管即可运行；可填自己的 API Key 让云端模型直接作答，不填也能纯检索 + 复制上下文。

部署：

# 1) 新建 Space（SDK 选 Static），克隆后把 space/ 内容复制到仓库根目录
cp space/index.html space/README.md <space-repo>/
cp data/dataset/chunks.jsonl <space-repo>/     # 内置数据，离线可用
# 2) 提交即可；别人 Duplicate 这个 Space 就能拿到一份自己的副本

Space 会自动从同目录 chunks.jsonl 加载；也可在界面里改成从任意数据集仓库（https://huggingface.co/datasets/<repo>/resolve/main/data/dataset/chunks.jsonl）在线拉取。

复现 / 更新数据

npm i -g @larksuite/cli                 # 提供 lark-cli
lark-cli config bind --source hermes --identity user-default
lark-cli auth login --domain all

python scripts/crawl_wiki.py            # 遍历节点树 + 抓正文 -> data/raw
python scripts/download_files.py        # 下载 PDF 附件     -> data/files
python scripts/build_dataset.py         # 清洗切分          -> data/dataset
python scripts/build_vectorstore.py     # 建库              -> vectorstore

默认空间 space_id=7351449686093365276，换知识库用 --space-id / --root 覆盖。

发布到 HuggingFace

hf（huggingface_hub 1.x）取代了已废弃的 huggingface-cli。

hf auth login

# 1) 数据集仓库（根目录 README.md 已含数据集卡片 YAML）
hf repo create NoahIsARider/SCUT-SS --type dataset --public
hf upload NoahIsARider/SCUT-SS . --type dataset   --commit-message "SCUT-SS: 华南理工软件学院课程复习资料，RAG-ready"

# 2) 静态 Space（index.html + chunks.jsonl 必须在同一目录）
hf repo create NoahIsARider/SCUT-SS-search --type space --space-sdk static --public
uv run --with huggingface_hub python -c "
from huggingface_hub import HfApi
HfApi().upload_folder(repo_id='NoahIsARider/SCUT-SS-search', repo_type='space',
    folder_path='space', delete_patterns=['style.css'], commit_message='SCUT-SS 检索')"

向已存在的 Space 推送时 hf upload 仍会调用创建接口并返回 402（免费账号不能建 Gradio/Docker Space，静态 Space 可以），所以用 HfApi.upload_folder。静态 Space 的访问域名是 <owner>-<repo>.static.hf.space。

上传后 Hub 会把 chunks / pages / tree 三个 config 转成 Parquet，数据集页面可直接预览，也能用 load_dataset("NoahIsARider/SCUT-SS", "chunks") 加载。

许可与免责

原始内容版权归原作者（学院老师与同学），本仓库仅做技术整理，采用 other / educational-use-only：允许个人学习与学术研究，禁止商业售卖与对外商用模型训练。
若你是原作者且不希望内容被收录，请提 issue，48 小时内移除。
检索结果附 url 字段，请与飞书原文核对；资料可能过时或有错漏，考试请以教材和老师口径为准。