Corpus Builder - 语料库构建工具

轻量级语料库构建工具，针对中文小说优化，支持场景智能分块、10 维度 AI 标注、ChromaDB 向量存储。

标注模式：

• LLM 模式（推荐）：使用 DashScope API 进行智能标注（需 DASHSCOPE_API_KEY）
• 规则模式（降级）：无 API 时使用规则引擎自动标注（完全离线）

🔐 安全说明

本技能承诺：

• ✅ API Key 仅通过环境变量 DASHSCOPE_API_KEY 传递
• ❌ 不读取 ~/.openclaw/ 目录或任何全局配置文件
• ❌ 不存储 API Key 到 skill 目录或本地文件
• ❌ 不使用 subprocess 调用外部 CLI 工具
• ❌ 不访问 其他 provider 的凭证

环境配置

LLM 模式（需要 API Key）

设置环境变量（唯一支持的方式）：

# 临时设置（当前终端有效）
export DASHSCOPE_API_KEY="sk-xxx"

# 永久设置（添加到 ~/.bashrc）
echo 'export DASHSCOPE_API_KEY="sk-xxx"' >> ~/.bashrc
source ~/.bashrc

⚠️ 注意: 不要将 API Key 提交到 Git 或分享给他人。

规则模式（完全离线）

无需 API Key，自动使用规则引擎进行标注：

• 不设置 DASHSCOPE_API_KEY 环境变量
• 技能自动降级到规则标注模式
• 质量较低但完全离线运行

可选：SQLite3 兼容性

如果运行时报错 sqlite3 version < 3.35.0：

# 安装 pysqlite3-binary（仅旧系统需要）
pip3 install pysqlite3-binary --user

现代系统（Ubuntu 20.04+, macOS 12+, Python 3.10+）通常不需要。

快速开始

构建语料库

cd ~/.openclaw/workspace/skills/corpus-builder

# 1. 批量处理小说文本
python3 scripts/build_corpus.py \
    --source ~/workspace/novels/reference \
    --name 玄幻打斗 \
    --genre 玄幻 \
    --max-chunk-size 2000

# 2. 查看统计信息
python3 scripts/build_corpus.py \
    --stats \
    --collection 玄幻打斗

# 3. 导出标注数据
python3 scripts/build_corpus.py \
    --export json \
    --collection 玄幻打斗 \
    --output results.json

> 💡 需要检索语料？ 请使用 corpus-search 技能。

标注数据示例

{
    "scene_type": "打斗",
    "emotion": "紧张",
    "quality_score": 8,
    "original_text": "...",
    "source_file": "没钱修什么仙.txt"
}

依赖安装

cd ~/.openclaw/workspace/skills/corpus-builder
pip3 install -r requirements.txt --user

必需依赖

内存优化

• 监控阈值: 2.5GB
• 自动释放: 浏览器/模型缓存
• 批量策略: AI 标注 5/批，向量化 32/批
• 增量处理: 断点续传，避免重复

配置文件

编辑 configs/default_config.yml:

chunking:
  max_chunk_size: 2000
  min_chunk_size: 100
  overlap: 200
processing:
  batch_size: 5
  embedding_batch_size: 32
  max_workers: 3
models:
  embedding: "BAAI/bge-small-zh-v1.5"
  annotation: "dashscope-coding/qwen3.5-plus"
storage:
  persist_directory: "./corpus/chroma"
  checkpoint_dir: "./corpus/cache"

故障排除

内存过高

# 降低内存限制
python3 scripts/build_corpus.py \
    --source ./novels \
    --name test \
    --memory-limit 1500 \
    --batch-size 3

LLM 调用失败

使用规则降级方案，标注结果仍可生成，只是质量得分较低。

ChromaDB 错误

删除向量库重新构建：

rm -rf corpus/chroma/{collection_name}
python3 scripts/build_corpus.py --source ./novels --name test

相关脚本

许可证

MIT License

Created for OpenClaw 🦞

Version: 1.0.0

Last Updated: 2026-03-28