# 毕业论文分点

## 第一章 绪论

### 1.1 研究背景与意义

### 1.2 国内外研究现状

### 1.3 本文结构安排

### 1.4 小结

## 第二章 相关技术介绍

### **2.1 大型语言模型 (LLM)**

#### **2.1.1 LLM 的发展与应用**

#### **2.1.2 LLM 辅助编码**

### **2.2 提示工程技术**

### 2.3 模型量化技术

### **2.4 QLoRA 微调方法**

### **2.5 unsloth算子**

### 2.6 **Gradio 框架**

## 第三章 需求分析

### 3.1  项目整体介绍

### 3.2  功能需求分析

#### 3.2.1  训练语料生成功能

#### 3.2.2  模型微调功能

#### 3.2.3  自动化整合功能

#### 3.2.4  前端展示功能

### 3.3 非功能需求分析

#### 3.3.1  性能要求

#### 3.3.2  扩展性要求

## 第四章 关键技术实现

### 1.系统架构设计

#### 1.1 整体架构设计

#### 1.2 模块划分与交互流程

### 2.数据库设计与实现

#### 2.1 双数据库架构设计(SQLite+TinyDB)

#### 2.2 数据模型定义与存储方案

#### 2.3 数据库初始化与管理实现

### 3.语料生成与处理技术

#### 3.1 Markdown文档解析

#### 3.2 prompt模板套用和提示词格式引导

#### 3.3 OpenAI API的协程并发语料生成

#### 3.4 json格式校验、反序列化和持久化

### 4.语言模型训练技术

#### **4.1 监督式微调（SFT）概述**

#### 4.2 训练数据准备与格式化

#### **4.3 参数高效微调技术：LoRA（Low-Rank Adaptation）**

#### **4.4 训练流程实现与配置**

#### 4.5 训练监控与持久化

#### 4.6 模型训练执行与监控

#### 4.7 模型保存与导出

### 5.前端交互系统实现

#### 5.1 Gradio交互框架设计

#### 5.2 全局状态管理机制

#### 5.3 前后端数据流设计

#### 5.4 流式响应与实时反馈

#### 5.5 异常处理与用户反馈

#### 5.6 基于子进程tensorboard的训练监控

### 6. 扩展性实现

## 第五章 总结与展望

### 5.1 研究工作总结

### 5.2 不足与局限性

### 5.3 未来展望

## 参考文献

## 致谢

‍