[Maeumjigi 心语伴侣毕业设计开发日志 #7] 合成数据 (v5) 生成成本优化与前端全栈联调

4 月 7 日，我们既在本地成功跑通了团队成员开发的前端服务， 又启动了通过前沿 AI 自主“合成 (Synthesis)” 6 万条高质量多轮共情对话数据的重磅流水线，以填补长尾心理咨询场景的语料空白。

填补语料盲区：大模型自主合成对话数据 (v5)

• 问题背景：单纯依赖前期清洗的语料 (v4)，在自杀危机干预与细粒度抑郁症场景下覆盖度仍显不足。为此，我们计划调用 Claude API，严格依照 Llama 3.1 训练范式（System, User, Assistant），全新合成 6 万条贴合真实咨询情境的虚构心理干预样本。
• 推进过程：

  “我们计划构建一份由 Claude 全量生成的 v5 心理对话数据集，请给出架构方案。” “我希望获得严格契合 Llama 3.1 格式规范的 6 万条 JSONL 数据集。”

• 成果沉淀：确立了 v5_plan.md 架构方案并全面开动批量合成脚本。然而，API 调用的账单消耗速度再次成为了拦路虎。

永无止境的成本突围战：提示词工程与批处理优化

• 问题背景：让顶级商业大模型无休止地创作 6 万条对话语料，使得数天前经历过的账单危机再度爆发——脚本刚运行一会儿，10 美元账户余额便瞬间蒸发殆尽。
• 推进过程：

  “严格按照 step8_generate_v5_optimized.py 运行能显著压缩 Token 消耗吗？” “当前刚烧掉 10 美元，但总进度才推进了一小段，必须全面优化！”

• 成果沉淀：通过对提示词实施极致工程剪裁（压缩 System Prompt 冗余、精简非必要解释输出）并升级流水线代码 (step8_generate_v5_optimized.py)，成功消除了输出 Token 的无效浪费，同时加入了高可用断点续传保存机制。

接手团队前端工程并顺利完成本地联调

• 推进过程：

  “这是队友提交的前端工程仓库，我在本地拉起需要执行哪些步骤？” “排查数据库 (DB) 迁移时报出的异常……” “已成功运行至 Step 6 前端页面，请给出后台优雅退出与下次一键唤起的标准流程。”

• 成果沉淀：成功接手 mental-health 仓库代码，在本地完成依赖安装并化解了 DB 迁移冲突，使前端 Web 交互界面与后端大模型服务实现了完美会师。

今天不仅超越了简单的数据清洗，更在实践中深度落地了当前深度学习最热门的 “合成数据生成 (Synthetic Data Generation)” 范式——由高级 AI 撰写教科书来培育另一个垂直领域 AI。 在直面账单危机的同时实现了深度架构优化，并顺利点亮了前端交互界面！