agricultrue_wiki_reasoning_QA_110K

这是一个关于农业知识的问题回答数据集，包含了从维基百科获取的农业相关内容，经过处理后生成的问题和相应的答案。数据集适用于训练语言模型在农业领域的问答能力。

This is a question answering dataset dedicated to agricultural knowledge. It is constructed using agricultural-related content retrieved from Wikipedia, with paired questions and corresponding answers generated through post-processing. This dataset is applicable for training language models to improve their question answering performance in the agricultural domain.

原始信息汇总

数据集概述

基本信息

• 名称: agricultrue_wiki_reasoning_QA_110K
• 语言: 中文（zh）
• 类型:
  • 问答（question-answering）
  • 文本生成（text-generation，数据到文本类型）

标签

• agriculture
• 农业
• 农业维基百科
• 农业知识问答
• 推理数据集

数据来源

• 来源链接: https://zh.wikipedia.org/wiki/%E5%86%9C%E4%B8%9A
• 英文来源链接: https://zh.wikipedia.org/wiki/Agriculture

处理过程

1. 数据获取:
   • 通过维基百科API获取信息，抓取子网页（默认深度为4）。
2. 数据清洗:
   • 移除“参考来源”和“注释”部分。
   • 繁体中文转换为简体中文。
   • 正文按句切分。
3. 数据生成:
   • 使用DeepSeek蒸馏的Qwen32B生成问题。
   • 使用QwQ-Plus（性能比肩R1）进行答案推理和生成。

提示词（prompt）

1. 问题生成提示词: python sys_prompt = """你是一名充满探索欲望的、优秀的问题提问家，你会根据给你的（答案）文本提出相关的问题。""" prompt1 = """<Role> 你是一名优秀的问题提出者，你能把平时大众可能会问的问题提出来。

   <Task> 我会给你一段文本，你要根据这段文本提出一个问题，全部要使用简体中文，问题里面可以包含多个问，问题的答案必须可以从文本中推断而出。 你只需要给出问题即可，不需要给出答案，不需要给出其他东西。 严格遵守给出的输出格式，只输出问题。

   <Text> {content}

   <Output Format> <问题>xxxx？xxxx？xxxx？</问题> """

2. 答案生成提示词: python prompt2 = """<Role> 你是一名资深农业专家，能够有效回答每一个问题。下面会给你一个关于农业的问题，你需要仔细推理获得最终的答案。

   <参考信息> {content}

   <问题> {question} """

搜集汇总

数据集介绍

构建方式

该数据集基于维基百科农业领域条目构建，采用多阶段知识蒸馏技术实现知识结构化。通过维基百科API进行四级深度爬取获取原始文本，经过去噪、简繁转换和分句预处理后，运用DeepSeek蒸馏的Qwen32B模型生成问题，再通过性能优异的QwQ-Plus模型进行答案推理，最终形成高质量的问答对。整个流程严格遵循知识蒸馏范式，确保问题与原文的高度相关性。

特点

作为农业领域专业数据集，其显著特点在于融合维基百科的权威性与大语言模型的推理能力。包含11万条经过严格知识蒸馏的中文问答对，问题设计涵盖开放式推理和事实性查询，答案均能追溯至原文依据。文本全部采用简体中文呈现，既保留专业术语的准确性，又兼顾自然语言的可读性，特别适合农业知识推理任务的模型训练与评估。

使用方法

该数据集适用于农业知识问答系统的开发与评估，可直接用于微调中文问答模型。使用时应充分理解其知识蒸馏特性，建议结合提示工程优化模型表现。系统提示词已明确区分问题生成与答案推理两个阶段，开发者可参照提供的prompt模板，根据实际需求调整角色设定和任务要求，以实现最佳的领域适应效果。

背景与挑战

背景概述

农业维基百科推理问答数据集（agricultrue_wiki_reasoning_QA_110K）是由研究人员基于中文维基百科农业领域内容构建的大规模专业知识问答数据集。该数据集诞生于知识密集型问答系统快速发展的时代背景下，旨在解决农业领域专业知识的自动化问答与推理挑战。通过融合维基百科的结构化知识与大语言模型的生成能力，研究团队采用深度爬取技术获取农业相关条目，并运用Qwen32B和QwQ-Plus等先进模型进行问答对生成，为农业知识服务智能化提供了重要数据支撑。

当前挑战

该数据集面临双重挑战：在领域问题层面，农业知识的专业性与地域性特征使得问答系统需要处理复杂的专业术语理解和上下文推理问题，同时要克服维基百科数据中存在的知识碎片化与更新滞后等局限。在构建技术层面，如何确保生成的问答对既保持专业准确性又具备自然语言流畅性，以及如何处理中文农业术语的多样表达与简繁转换问题，都是构建过程中需要攻克的技术难点。

常用场景

经典使用场景

在农业知识智能化的研究领域中，agricultrue_wiki_reasoning_QA_110K数据集为构建农业知识问答系统提供了关键支持。该数据集通过维基百科农业领域的结构化知识，结合深度问答生成技术，形成了涵盖广泛农业主题的高质量问答对，成为测试和优化问答模型性能的基准数据集。

实际应用

在实际应用层面，该数据集支撑了农业智能助手的开发，使农户能够通过自然语言交互获取精准的农业知识。基于该数据集训练的模型已应用于农业咨询平台，显著提升了病虫害诊断、种植技术指导等服务的响应质量和效率，为智慧农业发展提供了技术保障。

衍生相关工作

围绕该数据集已产生多项重要研究，包括基于检索增强的农业问答系统、多跳推理模型等。其中最具代表性的是结合知识图谱的混合推理框架，该工作通过引入外部农业知识库，显著提升了复杂农业问题的解答准确率，为领域知识推理设立了新基准。