大模型微调数据集生成和管理工具，一键爬取指定域名的链接，支持把链接转换成大模型友好的Markdown文件，支持将Markdown文件通过ChatGPT、Deepseek、Gemma等大模型转换成训练大模型可用的数据集。
- 支持深度爬取指定域名的所有链接
- 支持将链接转换成大模型友好的Markdown文件
- 支持上传.md、.txt、.pdf、.docx、.doc等文件，自动转换成.md文件
- 支持智能算法对Markdown文件分段
- 支持通过DeepSeek、ChatGPT、Gemma等大模型将Markdown转换成训练大模型可用的数据集
- 支持数据集数据的自定义增加、编辑、修改
- 支持导出 JSONL 和 JSON 两种输出格式，Alpaca、ShareGPT 和自定义格式
- 支持预览转换结果
项目管理 |
链接管理 |
Md文件转换 |
文件管理 |
文件转换成数据集 |
数据管理 |
系统设置 |
- 后端依赖：
# 建议运行python的版本python=3.10
# 创建虚拟环境
python -m venv venv
# 激活环境（在PowerShell中）
.\venv\Scripts\Activate.ps1
# 激活环境（在mac中）
source venv/bin/activate
# 从requirements.txt安装所有依赖
pip install -r requirements.txt- 前端依赖：
cd frontend
npm install- 启动后端服务器：
uvicorn app.main:app --reload --host 0.0.0.0 --port 8000 --ws websockets- 启动前端开发服务器：
cd frontend
npm run dev- 在浏览器中访问：
http://localhost:3000
├── app/ # 后端应用目录
│ ├── api/ # API接口目录
│ │ ├── crawler.py # 爬虫API
│ │ ├── system.py # 系统API
│ │ ├── files.py # 文件操作API
│ │ ├── dataset.py # 数据集API
│ │ └── __init__.py # 初始化文件
│ ├── core/ # 核心功能
│ │ └── config.py # 配置文件
│ ├── schemas/ # 数据模式
│ │ ├── crawler.py # 爬虫模式
│ │ ├── system.py # 系统模式
│ │ ├── files.py # 文件模式
│ │ └── dataset.py # 数据集模式
│ ├── services/ # 服务层
│ │ ├── crawler_service.py # 爬虫服务
│ │ ├── crawler_engine_service.py # 爬虫引擎服务
│ │ ├── notification_service.py # 通知服务
│ │ ├── system_service.py # 系统服务
│ │ ├── files_service.py # 文件服务
│ │ ├── project_service.py # 项目服务
│ │ └── dataset_service.py # 数据集服务
│ ├── utils/ # 工具函数
│ ├── __init__.py # 初始化文件
│ └── main.py # 主程序入口
├── frontend/ # 前端目录
│ ├── src/ # 源代码
│ │ ├── assets/ # 静态资源
│ │ ├── components/ # 组件目录
│ │ ├── services/ # 服务
│ │ │ ├── crawler.js # 爬虫服务
│ │ │ └── request.js # 请求服务
│ │ ├── views/ # 视图
│ │ │ ├── LinkManager.vue # 链接管理页面
│ │ │ └── ... # 其他视图页面
│ │ ├── App.vue # 主应用组件
│ │ └── main.js # 入口文件
│ ├── index.html # HTML入口
│ ├── package.json # 依赖配置
│ ├── vite.config.js # Vite配置
│ ├── vue.config.js # Vue配置
│ ├── .env # 环境变量
│ ├── .env.production # 生产环境变量
│ └── .prettierrc # 代码格式配置
├── config/ # 配置文件目录
├── export/ # 导出目录
│ ├── alpaca/ # Alpaca格式导出
│ ├── sharegpt/ # ShareGPT格式导出
│ └── custom/ # 自定义格式导出
├── logs/ # 日志目录
├── output/ # 输出目录
│ ├── crawled_urls.json # 爬取的URL列表(JSON格式)
│ ├── crawler_status.json # 爬虫状态信息
│ ├── markdown/ # 转换后的Markdown文件
│ └── markdown_manager.json # Markdown文件管理信息
├── upload/ # 上传文件目录
├── .gitignore # Git忽略文件配置
├── README.md # 英文说明文档
├── README.zh-CN.md # 中文说明文档
└── requirements.txt # Python依赖文件
- 运行过程如果提示下面报错 No module named 'markitdown' No module named 'onnxruntime'
可以尝试在全局安装
pip install 'markitdown[all]'
pip install onnxruntime我们欢迎社区用户参与贡献！如有建议、Bug 或新功能需求，请通过 Issue 提出，或直接提交 Pull Request。
- 🐛 Bug修复: 发现并修复系统缺陷
- ✨ 新功能: 提出并实现新特性
- 📚 文档改进: 完善项目文档
- 🧪 测试用例: 编写单元测试和集成测试
- 🎨 UI/UX优化: 改进用户界面和体验
- Fork项目 到你的GitHub账户
- 创建特性分支
git checkout -b feature/amazing-feature - 提交更改
git commit -m 'Add amazing feature' - 推送分支
git push origin feature/amazing-feature - 创建Pull Request 并详细描述变更内容
- 参考原代码风格
使用 Conventional Commits 规范：
feat: 添加文档批量上传功能
fix: 修复向量检索精度问题
docs: 更新API文档
test: 添加检索引擎测试用例
refactor: 重构文档解析模块
本项目基于 MIT 协议发布。 你可以自由使用、修改和分发本项目代码，但需保留原始版权声明。