# Qwen3-8B-Python-RAG-AgentCI

一个基于 **Qwen3-8B** 微调的中文 Python 学习与问答模型，结合 **AgentCI-RAG 架构**，从经典 Python 教材中自动构建高质量 QA 数据，用于增强模型在 Python 基础、进阶与工程实践方面的理解与表达能力。

* * *

## 📌 项目简介

本项目以 **Qwen3-8B** 为基座模型，使用自行实现的 **AgentCI 改造版 RAG 系统**，从多本经典 Python 中文教材中：

* 自动清洗文本
* 智能切分语义片段
* 构造高质量 Question–Answer 对
* 用于监督微调（SFT / QLoRA）

目标是得到一个：

* **更擅长中文 Python 学习场景**
* **回答风格清晰、教学友好**
* **理解教材式知识结构**的通用 Python 助手模型。

* * *

## 🧠 基座模型

* **Base Model**：Qwen3-8B
* **语言**：中文为主
* **微调方式**：SFT（基于 RAG 自动构建 QA 数据）
* **参数规模**：8B

* * *

## 📚 数据来源（文本级）

微调数据来源于以下公开出版的 Python 教材（仅用于研究与模型能力提升）：

* 《Python 基础教程 第3版》
* 《Python 编程：从入门到实践》
* 《Python 学习手册（原书第4版）》
* 《Python 设计模式 第2版》
* 《流畅的 Python（图灵程序设计丛书）》
* 《流畅的 Python》

> ⚠️ **说明**：
> 
> * 本项目未直接发布原始书籍内容
> * 仅使用清洗、重构后的 QA 数据用于模型训练
> * 模型输出不保证与原文一一对应

* * *

## 🔧 数据构建流程（AgentCI-RAG）

数据并非人工编写，而是通过自研 AgentCI RAG 流程自动生成：

1. **文本清洗**
   
   * 去除目录、页眉页脚、无关说明
   * 统一编码与格式

2. **语义切分**
   
   * 基于语义长度与上下文完整性切块
   * 避免硬切 token

3. **QA 自动生成**
   
   * 基于切分文本生成教学向 QA
   * 覆盖概念理解、示例解释、对比分析

4. **质量过滤**
   
   * 去除重复、低信息量 QA
   * 清理格式异常数据

5. **用于模型 SFT 微调**

* * *

## 🧪 模型能力特点

* ✅ 更擅长回答 **Python 基础概念**
* ✅ 对「为什么要这么写」解释更完整
* ✅ 偏教材式、教学式表达
* ✅ 适合：
  * 初学者学习
  * 查漏补缺
  * 中文 Python 问答