做 RAG 检索增强或模型微调时，一份结构规整的语料数据集能省掉大量清洗工作。站点将精选的数据集归档在夸克网盘「数据集」专区。本指南介绍该资源库的定位、当前收录的数据集及其使用方法。
前置教程
如想快速开始学习本教程，你可能需要先完成以下前置教程：
- Embedding、Rerank与向量数据库概念详解与应用教程，将数据集转化为 RAG 知识库需要用到向量数据库。
- 文本数据转换、清洗与切分的智能化实施教程，JSONL 语料的清洗与切分方法在该教程中系统讲解。
资源下载
- 数据集资源库（夸克网盘），公开链接、永久有效、无需提取码，即数据集分区。
1. 数据集资源库是什么
1.1 定位与作用
数据集资源库收录适合直接投入 RAG 检索增强、模型微调与数据处理练习的语料数据集，每个数据集一个独立文件夹，内含数据文件与说明文档。与示例代码分区（代码资源）、模型文件分区（模型权重）并列，数据集分区提供的是喂给模型的知识与语料。
资源中心共设示例代码、模型文件、skills技能、直播回放、数据集五个分区，本指南介绍其中的数据集分区。
1.2 数据集从下载到使用
2. 当前收录：全病种医患对话数据集
2.1 基本信息
资源库当前收录 opus5-5diseaseconversations（全人类疾病医患对话数据集），由 Claude Opus 5.5 逐病种生成并经自动化校验，是 Opus 4.8 版同类数据集的续作：
| 项目 | 说明 |
|---|---|
| 记录数 | 2,194 条临床诊疗记录，覆盖 2,194 种独立人类疾病 |
| 格式 | JSONL，每行一条记录，每条记录 20 个键 |
| 体积 | 约 75 MB |
| 对话 | ChatML 格式，平均 33.4 轮，每条约 5,700 token，全集约 1,250 万 token |
| 引用 | 共 6,377 条经 NCBI 核验的 PubMed 文献引用，涉及 4,198 个不同 PMID |
| 语言 | 英文 |
| 许可 | Apache-2.0 |
文件夹内除 JSONL 数据文件外，还附英文原版 README 与中文译版 README，中文译版仅供理解数据集使用，口径以英文原版为准。
2.2 数据结构
每条记录固定 20 个键，核心字段如下：
| 字段组 | 说明 |
|---|---|
| name、aliases、search | 病种规范名、同义名与检索词 |
| description | 临床描述 |
| related_drugs | 相关药物，含品牌名、成分与 ATC 编码 |
| drug_interactions、food_interactions | 药物相互作用与食物相互作用 |
| pubmed_refs | 本记录实际引用的 PubMed 文献（PMID、标题、年份） |
| icd10、prevalence、body_systems | ICD-10 编码、流行病学描述与涉及的人体系统 |
| clinician_persona、patient_scenario | 医生角色设定与患者场景设定 |
| conversation | ChatML 对话主体，角色为 system、user、assistant |
| common_mistakes、differential_diagnosis | 临床易错点与鉴别诊断 |
| related_diseases、executive_summary | 相邻病症与病例摘要 |
2.3 数据质量特性
该数据集在生成环节做了多重校验，这也是它适合直接使用的原因：结构化临床字段取自人工策展数据源，模型不自行编造；每条记录的文献引用逐一在 NCBI 核验过标题；血气分析、阴离子间隙、给药剂量等数值满足内部一致性约束；药物相互作用经加拿大卫生部开放数据核验。每场对话还设计有且仅有一处患者隐瞒或说谎的情节，由医生委婉识破并纠正，更贴近真实问诊。
3. 获取与使用步骤
3.1 下载数据集
从站点顶部导航「资源」下拉菜单选择「数据集」进入分享页，将 opus5-5diseaseconversations 文件夹转存到自己的网盘后下载，总体积不到 100 MB，网页端直接下载也可行。
3.2 解析 JSONL
JSONL 每行一个独立的 JSON 对象，用 Python 逐行读取即可：
import json
records = []
with open("opus5-5diseaseconversations.jsonl", "r", encoding="utf-8") as f:
for line in f:
line = line.strip()
if line:
records.append(json.loads(line))
print(len(records)) # 记录总数
print(records[0]["name"]) # 第一条记录的病种名
print(len(records[0]["conversation"])) # 对话轮数
3.3 两种典型用法
做 RAG 知识库。 将每条记录的 executive_summary 与 description 等字段构造为知识条目，向量化后导入向量数据库，conversation 部分可作为长对话语料按轮切分，检索流程见前置教程。
做微调语料。 conversation 字段即用型 ChatML 格式，可直接转换为训练框架要求的消息列表：
messages = [
{"role": m["role"], "content": m["content"]}
for m in records[0]["conversation"]
]
4. 使用建议与合规
注意语料语言与合成属性。 对话语料为英文，且全部为模型合成的模拟病例，不代表真实患者记录；用于中文场景前需评估语言适配，用于医疗相关产品前需专业人士复核。
遵守许可协议。 数据集采用 Apache-2.0 许可，商用与二次分发按协议条款执行；官方 README 明确说明该数据集不构成医疗建议。
5. 总结
5.1 核心内容回顾
- 数据集分区收录适合 RAG 与微调的规整语料，当前收录全病种医患对话数据集。
- 数据集共 2,194 条记录、20 键结构、ChatML 对话格式，文献引用经 NCBI 核验。
- 典型用法是构造 RAG 知识条目，或转换为微调训练样本。
5.2 常见问题与解答
问：数据集有中文版吗？
答：对话语料为英文；分享内附中文译版 README 便于理解数据结构，数据本身以英文原版为准。
问：可以用于商业项目吗？
答：数据集采用 Apache-2.0 许可，允许商用；医疗场景请自行完成合规评估与专业复核。
问：为什么数据集分区当前只有一个数据集？
答：数据集分区按需精选收录，随教程与项目推进陆续扩充，已收录的数据集会长期维护。
举手提问