从 0 到 1：基于 LLaMA-Factory 的“意图识别”微调与部署-洪萨配资

使用 LLaMAFactory架构对 Qwen2.5-7B-Instruct 模型进行LoRA微调。整体流程包括环境准备、准备数据集、模型训练、推理、合并、上传、部署及效果校验。流程图如下：

二、环境准备

2.1 GPU准备（推荐 24G以上显存 + 32G以上内存 + 100G左右磁盘）

如果是自己训练，可以使用autodl（https://www.autodl.com）平台的gpu显卡，最便宜。

2.1.1 自用 autodl A800-80G显存

2.1.2 据操作文档进行服务器初始化

https://www.autodl.com/docs/quick_start/

2.1.3 选择镜像

hiyouga/LLaMA-Factory/LLaMA-Factory/v5

2.1.4 清理系统盘 + 软连接（可选，系统盘不多的情况下可操作）

1. 把 root/ 目录下的文件不用的给删掉,留下这四个即可。

2. 创建pip 包和 modelscope模型下载 软链接

mv ~/.cache/modelscope /root/autodl-tmp/modelscope_cache ln -s /root/autodl-tmp/modelscope_cache ~/.cache/modelscope mv ~/.cache/pip /root/autodl-tmp/pip ln -s /root/autodl-tmp/pip ~/.cache/pip

3. 查看当前目录下所有包（包含隐藏）的文件大小命令：

du -sh .[!.]* * | sort -h

2.1.5 后面所有的文件夹都存放到/root/autodl-tmp下面

2.2 创建虚拟环境和依赖安装

2.2.1 LLaMAFactory官网

https://github.com/hiyouga/LLaMAFactory/blob/main/README_zh.md

推荐配置

2.2.2 初始化conda环境（也可使用 uv）

conda create -n lf python=3.10 conda init bash source ~/.bashrc conda activate lf

2.2.3 克隆LLaMaFactory项目并安装依赖

# 进入到autodl-tmp路径下（以下使用了github 代理：https://ghfast.top/${原资源路径} ） git clone --depth 1 https://ghfast.top/https://github.com/hiyouga/LLaMA-Factory.git #这个可能会有慢 pip install -e ".[torch,metrics]" --no-build-isolation #使用清华镜像库 pip install -e ".[torch,metrics]" --no-build-isolation -i https://pypi.tuna.tsinghua.edu.cn/simple ## 安装vllm ，后面部署需要用到 pip install vllm==0.8.2

2.2.4 验证是否安装成功

llamafactory-cli version

2.2.5 启动webui项目

cd /root/autodl-tmp/LLaMA-Factory llamafactory-cli webui

看到这个截图上的内容，就代表启动成功。

2.2.6 使用本地mac（windows）ssh代理进行访问

以下是视频教程，用于代理 7860接口

https://www.bilibili.com/video/BV1Pk4y1w7Pk/vd_source=73e47d54fb0cb9280a8042be25dda9e1

2.2.7 本地访问 127.0.0.1:7860

显示成功，代表安装成功

三、数据集准备

3.1 LLaMA-Factory 数据集规范

https://github.com/hiyouga/LLaMAFactory/blob/main/data/README_zh.md

3.2 本次训练数据集采用的是Alpaca 格式

类似以下json数据

{ "instruction": "识别用户输入的金融意图，输出包含userQuery和intent字段的JSON对象", "input": "给我分析一下我持仓的基金", "output": "{\"userQuery\": \"给我分析一下我持仓的基金\", \"intent\": \"portfolio_analysis\"}", "system": "你是金融意图识别模型。必须严格按照以下规则回答：\n1. 你只能输出一个合法的 JSON 对象，包含两个字段：userQuery 和 intent。\n2. intent 只能是这6个值之一：fund_diagnosis|portfolio_analysis|chat|news|asset_allocation|fund_recommendation\n3. userQuery 必须完全等于用户的原始输入，不得修改、添加、删减任何字。\n4. **绝对不要添加任何解释、前缀、后缀、markdown、注释或多余文字！**\n5. 如果无法确定意图，intent 设为 chat。\n6. 输出格式示例：{\"userQuery\":\"用户问题\",\"intent\":\"fund_diagnosis\"}\n7. **违反以上任何一条，将导致严重错误。请务必遵守！**" }

3.3 上传训练数据集

将 50 条训练数据集（ambiguous_financial_intent_cases.jsonl）放到此目录中：

/root/autodl-tmp/LLaMA-Factory/data

3.4 修改dataset_info.json(否则训练时，选不到该数据集)

四、模型训练

4.1 webui和命令训练

4.1.1 webui

点击开始训练即可

4.1.2 命令训练

llamafactory-cli train \ --stage sft \ --do_train True \ --model_name_or_path Qwen/Qwen2.5-7B-Instruct \ --preprocessing_num_workers 16 \ --finetuning_type lora \ --template qwen \ --flash_attn auto \ --dataset_dir /root/autodl-tmp/LLaMA-Factory/data \ --dataset my_data \ --cutoff_len 2048 \ --learning_rate 5e-05 \ --num_train_epochs 3.0 \ --max_samples 100000 \ --per_device_train_batch_size 1 \ --gradient_accumulation_steps 4 \ --lr_scheduler_type cosine \ --max_grad_norm 1.0 \ --logging_steps 1 \ --save_steps 25 \ --warmup_steps 0 \ --packing False \ --enable_thinking True \ --report_to none \ --output_dir saves/Qwen2.5-7B-Instruct/lora/train_2025-09-14-10-35-54 \ --bf16 True \ --plot_loss True \ --trust_remote_code True \ --ddp_timeout 180000000 \ --include_num_input_tokens_seen True \ --optim adamw_torch \ --lora_rank 4 \ --lora_alpha 8 \ --lora_dropout 0 \ --lora_target all

4.2 训练结果

整体效果还不错：loss下降趋势、无异常峰值、波动较小

4.3 训练参数介绍

https://llamafactory.readthedocs.io/zhcn/latest/advanced/arguments.html#id11

4.4 继续微调参数评估

loss learningRate batchsize epoch 等标准参数评估参考文献：

https://arxiv.org/html/2507.0710（batch size 对微调效果的影响）

https://arxiv.org/html/2405.09673v1 （learning rate 对微调效果的影响）

https://docs.unsloth.ai/get-started/fine-tuning-llms-guide/lora-hyperparameters-guide （参数微调实践推荐）

五、模型推理验证效果

5.1 badcase

意图识别 badcase ： 帮我看一下基金持仓怎么样 正确意图： portfolio_analysis 诊断一下我的持仓 正确意图： portfolio_analysis 我不知道自己持仓的产品表现如何 正确意图： portfolio_analysis

5.2 训练前识别结果

训练前：

5.3 训练后识别结果

验证结果表明：通过模型训练，同一基座模型下，相同提示词，能够纠正模型的判断结果，并提高意图识别稳定性。

六. 模型合并导出（也可上传至 huggingface）

七、使用合并后的模型进行推理验证

效果和训练后的一致

八、模型部署

8.1 部署命令

# 指定端口和模型名称部署模型并对外开放fastapi 接口 # model_name_or_path 是最后合并导出的模型路径 # template 是回答模板 # 推理使用的vllm API_PORT=6006 API_MODEL_NAME=INTENT_MODEL llamafactory-cli api \ --model_name_or_path /root/autodl-tmp/LLaMA-Factory/saves/Qwen2.5-7B-Instruct/lora/merged_badcase_model_2 \ --template qwen \ --infer_backend vllm

8.2 代理端口

8.3 部署成功效果图

九、接口测试

9.1 编写系统提示词和用户query

9.2 查看结果是否和训练时一致

结果一致，训练完成，恭喜你入门啦～😁

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：