分類體系的結構如何設計，以適用於 Red Hat AI 推論
分類法是一種檔案目錄，其中包含您提供給模型的資料。 其組織採用階層式結構，分類法「樹」中的每個子目錄（或稱「分支」）末端皆為一個「葉節點」，該節點是一組包含相關資料的檔案。 您可以透過新增一個完全嶄新的「分支」，或向現有的 qna.yaml 檔案中新增資料，來為該分類法做出貢獻。 有關分類結構的更多資訊，請參閱《 Red Hat AI Inference 》文件中的「關於 Red Hat AI Inference 分類結構」。 您也可以瀏覽 Red Hat AI Inference 分類學關於 GitHub。
Red Hat AI Inference 模型對齊、合成資料生成及分類法管理功能已標記為過時，並將於 2026 年 9 月 25 日移除。 若要繼續進行模型自訂與對齊工作流程，請遷移至 Red Hat® OpenShift® AI On OpenShift。 進一步了解 Red Hat® OpenShift® 的人工智慧。
有關建立或新增分類法的步驟，請參閱「準備分類法」。
分類學資料
該分類法中的資料分為三類。
- Knowledge
- 由教科書或百科全書等來源所佐證的數據與事實。 當您將知識新增至分類法時，必須參照一份獨立於分類法目錄之外、並作為權威資料來源的知識文件。
- 基礎技能
- 諸如數學、語言和程式設計等基礎技能，可用於獲取更多知識。 這些技能通常是透過運用公開資料來培養的。
- 寫作技巧
- 結合知識與基礎技能，用以完成較複雜任務的技能，例如股票市場分析。
有關這些類別的更多資訊，請參閱 Red Hat AI Inference 文件中的 「什麼是『技能』？」 和 「什麼是『知識』？」。
分類檔案
每個「葉節點」都需要兩種資料檔案。
qna.yaml- 包含與知識文件中所載資訊相關的問答內容。 問題與答案以「鍵/值」對的形式呈現。
attribution.txt- 包含新增至
知識文件
任何新增至分類體系的知識，都必須由一份知識文件作為依據，該文件將作為餵入模型之資訊的權威來源。 該文件必須是位於與分類法不同目錄中的 Markdown 檔案。 請在 qna.yaml 檔案的「document_outline」區段中，引用該知識文件及其儲存位置。 如需更多資訊及知識文件的範例，請參閱 《 準備您的知識文件 》及 《知識文件檔案參考範例》。
知識庫：qna.yaml 檔案
知識庫檔案 qna.yaml 包含根據相關知識文件中的資訊所編寫的問題與解答。 問題與答案以鍵值對的形式儲存，且每個 qna.yaml 檔案至少需包含五組鍵值對。 請在您的 qna.yaml 檔案末尾，於 document_outline 區段中，務必引用知識文件及其儲存目錄。 有關完整的 qna.yaml 檔案要求及知識貢獻範例，請參 閱範本 qna.yaml 檔案以及 《知識提交範例》。
qna.yaml 檔案的處理技巧
「技能」qna.yaml 包含教導如何執行一項簡單任務的問答內容。 舉例來說，若要教導模型押韻，你可以加入一個問題，例如「What are 5 words that rhyme with skill?」，並提供答案「spill, mill, drill, fill, chill」。 問題與答案以鍵值對的形式儲存，且每個 qna.yaml 檔案至少需包含五組鍵值對。
您新增的技能可以是「有基礎的」，也就是說需要額外的輸入來提供上下文；也可以是「無基礎的」，也就是說不需要任何額外的上下文。 對於「實務技能」，您可在 qna.yaml 檔案中透過 context 欄位新增相關背景資訊。 當您將一項「實務技能」新增至分類體系時，該技能必須位於以「grounded」開頭的分支上，例如 grounded/games/sudoku。
有關 qna.yaml 的完整需求及技能貢獻範例，請參閱 Red Hat AI Inference 文件中的 「技能檔案」。 請注意，在新增技能時，無需另行上傳文件。