English | 中文
"Data is the new oil, but only if you know how to refine it."
在大模型时代，数据质量决定模型上限。然而，市面上关于 LLM 数据工程的系统性资料极为稀缺——大多数团队仍在"摸着石头过河"。
本书正是为解决这一痛点而生。我们系统性地梳理了从预训练数据清洗到多模态对齐、从 RAG 检索增强到合成数据生成的完整技术体系，涵盖：
- 🧹 预训练数据工程：如何从 Common Crawl 等海量噪声数据中提炼出高质量语料
- 🖼️ 多模态数据处理：图文对、视频、音频数据的采集、清洗与对齐
- 🎯 对齐数据构造：SFT 指令数据、RLHF 偏好数据、CoT 推理数据的自动化生成
- 🔍 RAG 数据流水线：企业级文档解析、语义切片与多模态检索
本书不仅有深入的理论讲解，更包含 5 个端到端实战项目，提供可运行的代码和详细的架构设计，让你能够即学即用。
在线阅读: https://datascale-ai.github.io/data_engineering_book/
从原始数据到端到端应用的完整数据工程流水线
📖 全书六大部分，13章 + 5个实战项目
│
├── 第一部分：基础设施与核心理念
│ ├── 第1章：大模型时代的数据变革
│ └── 第2章：数据基础设施选型
│
├── 第二部分：文本预训练数据工程
│ ├── 第3章：数据获取与采集
│ ├── 第4章：清洗与去噪
│ └── 第5章：分词与序列化
│
├── 第三部分：多模态数据工程
│ ├── 第6章：图文对数据处理
│ ├── 第7章：数据重描述
│ └── 第8章：视频与音频数据
│
├── 第四部分：对齐与合成数据工程
│ ├── 第9章：指令微调数据
│ ├── 第10章：合成数据
│ └── 第11章：人类偏好数据
│
├── 第五部分：应用级数据工程
│ ├── 第12章：RAG数据流水线
│ └── 第13章：多模态RAG
│
└── 第六部分：实战项目集
├── 项目一：构建"Mini-C4"预训练集
├── 项目二：垂直领域专家SFT（法律）
├── 项目三：构建LLaVA多模态指令集
├── 项目四：合成数学/代码教科书
└── 项目五：多模态RAG企业财报助手
- Data-Centric AI 理念贯穿全书
- 覆盖 LLM 数据全生命周期：预训练 → 微调 → RLHF → RAG
- 深入讲解 Scaling Laws、数据质量评估、多模态对齐等前沿话题
| 领域 | 技术选型 |
|---|---|
| 分布式计算 | Ray Data, Spark |
| 数据存储 | Parquet, WebDataset, 向量数据库 |
| 文本处理 | Trafilatura, KenLM, MinHash LSH |
| 多模态 | CLIP, ColPali, img2dataset |
| 数据版本 | DVC, LakeFS |
| 项目 | 核心技术 | 输出 |
|---|---|---|
| Mini-C4 预训练集 | Trafilatura + Ray + MinHash | 高质量文本语料库 |
| 法律专家 SFT | Self-Instruct + CoT | 领域指令数据集 |
| LLaVA 多模态 | Bbox 对齐 + 多图交错 | 视觉指令数据集 |
| 数学教科书 | Evol-Instruct + 沙箱验证 | PoT 推理数据集 |
| 财报 RAG | ColPali + Qwen-VL | 多模态问答系统 |
- Python 3.8+
- MkDocs Material
- mkdocs-static-i18n（多语言支持）
# 克隆仓库
git clone https://github.com/datascale-ai/data_engineering_book.git
cd data_engineering_book
# 安装依赖
pip install mkdocs-material mkdocs-glightbox pymdown-extensions "mkdocs-static-i18n[material]"
# 本地预览
mkdocs serve访问 http://127.0.0.1:8000 即可预览书籍（支持中英文切换）。
mkdocs build生成的静态文件位于 site/ 目录。
data_engineering_book/
├── docs/
│ ├── zh/ # 中文内容
│ │ ├── index.md # 中文首页
│ │ └── part1/ ~ part6/ # 各章节
│ ├── en/ # 英文内容
│ │ ├── index.md # 英文首页
│ │ └── part1/ ~ part6/ # 各章节
│ ├── images/ # 图片资源（中英共享）
│ ├── stylesheets/ # 自定义样式
│ └── javascripts/ # JavaScript (MathJax等)
├── .github/workflows/ # GitHub Actions 自动部署
├── images/ # 项目图片资源
│ ├── structure_cn.png # 全书架构图（中文）
│ └── structure_en.png # 全书架构图（英文）
├── mkdocs.yml # MkDocs 配置文件
├── LICENSE # 开源协议
├── README.md # 中文说明（本文件）
└── README_en.md # English README
- 大模型研发工程师
- 数据工程师 / MLOps 工程师
- AI 产品经理（技术向）
- 对 LLM 数据流水线感兴趣的研究人员
欢迎提交 Issue 和 Pull Request！
- Fork 本仓库
- 创建特性分支 (
git checkout -b feature/AmazingFeature) - 提交更改 (
git commit -m 'Add some AmazingFeature') - 推送到分支 (
git push origin feature/AmazingFeature) - 提交 Pull Request
本项目采用 MIT 许可证 - 详见 LICENSE 文件。
- GitHub Issues: 提交问题
- 在线阅读: https://datascale-ai.github.io/data_engineering_book/
如果这本书对你有帮助，欢迎 Star 支持！ ⭐