分类法的结构是怎样的 Red Hat AI 推理
分类法是一个文件目录，其中包含您输入到模型中的数据。 其采用级联结构，分类“树”中的每个子目录（或“分支”）末端都对应一个“叶节点”，该节点是一组包含相关数据的文件。 您可以通过添加一个全新的“分支”，或者向现有的 qna.yaml 文件中添加新数据，来为分类法做出贡献。 有关分类法结构的更多信息，请参阅《 Red Hat AI Inference 》文档中的 “关于 Red Hat AI Inference 分类法”。 您还可以查看 Red Hat AI Inference 分类法在 GitHub。
Red Hat AI Inference 模型对齐、合成数据生成和分类法管理功能已弃用，并将于 2026 年 9 月 25 日被移除。 若要继续进行模型定制和对齐工作流，请迁移至 Red Hat® OpenShift® AI On OpenShift。 了解有关 Red Hat® OpenShift® AI的更多信息。
有关创建或扩展分类法的步骤，请参阅 “准备分类法”。
分类学数据
该分类法中的数据分为三类。
- Knowledge
- 由教科书或百科全书等来源支持的数据和事实。 在向分类法中添加知识时，必须引用一个位于分类法目录之外的独立知识文档，该文档作为权威信息来源。
- + 基本技能
- 数学、语言和编程等基础技能，可用于获取更多知识。 这些技能通常是通过利用公开数据培养出来的。
- 写作技巧
- 将知识与基础技能相结合，用于完成更复杂任务的技能，例如股票市场分析。
有关这些类别的更多信息，请参阅 Red Hat AI Inference 文档中的 “什么是‘技能’？ ”和“什么是‘知识’？”。
分类法文件
每个“叶节点”都需要两种类型的数据文件。
qna.yaml- 包含与知识文档中信息相关的问答内容。 问题和答案以键值对的形式组织。
attribution.txt- 包含添加到
qna.yaml文件中的信息的来源。 此项为可选，但若要向开源的 Red Hat AI Inference 分类法存储库提交内容，则必须填写。
知识文档
添加到分类法中的任何知识都必须有相应的知识文档作为依据，该文档是输入到模型中的信息的权威来源。 该文档必须是一个 Markdown 文件，且必须位于与分类法不同的目录中。 您需要在 qna.yaml 文件的 document_outline 部分中，引用该知识文档及其存储目录。 有关知识文档的更多信息和示例，请参阅 《 准备知识文档 》和 《知识文档文件参考示例》。
知识库 qna.yaml 文件
知识库文件 qna.yaml 包含基于相关知识文档中信息编写的问答内容。 问题和答案以键值对的形式存储，每个 qna.yaml 文件至少需要包含五个键值对。 在您的 qna.yaml 文件末尾的 document_outline 部分中，必须引用知识文档及其存储目录。 有关 qna.yaml 文件的完整要求以及知识贡献示例，请参阅 模板 qna.yaml 文件和 《知识提交示例》。
qna.yaml 文件处理技巧
“技能”页面（ qna.yaml ）包含一些问题和答案，用于讲解一项简单任务。 例如，要训练模型掌握押韵，你可以输入一个问题，如“What are 5 words that rhyme with skill?”，并给出答案“spill, mill, drill, fill, chill”。 问题和答案以键值对的形式存储，每个 qna.yaml 文件至少需要包含五个键值对。
您添加的技能可以是“有上下文的”，即需要额外输入来提供上下文；也可以是“无上下文的”，即不需要任何额外上下文。 对于“Grounded”技能，您需要在 qna.yaml 文件中通过 context 字段添加上下文信息。 将一项“接地气”技能添加到分类法时，该技能必须位于以 grounded 开头的分支上，例如 grounded/games/sudoku。
有关 qna.yaml 的完整要求以及技能贡献示例，请参阅 Red Hat AI Inference 文档中的 “技能文件”。 请注意，添加技能时无需另行添加文件。