上交大、清华、阿里和上海AI Lab联合发布综述研究，深入探讨了大型语言模型（LLM）与数据管理（DATA）的协同作用。文章详述了数据管理如何支撑LLM的各个生命周期阶段，以及LLM在数据操作、分析和系统优化中的应用，为未来研究和实践提供了重要指导。

✨DATA4LLM：数据管理通过数据处理、存储和服务，支持LLM的预训练、微调等生命周期。例如，预训练阶段需要大规模、多样化的数据，而微调阶段则需要高质量、小规模的数据。

💡大模型数据处理：包括数据采集、去重、过滤、选择、混合和合成增强等步骤，确保LLM输入数据的质量和多样性。数据采集涉及从网络、扫描文档等多种来源获取数据，并使用工具进行内容提取。

💾大模型数据存储：利用TFRecord、分布式文件系统等技术，实现高效的数据存储和访问。关键在于优化数据格式、分布、组织、移动、容错，以及KV缓存等，以提升LLM训练和推理效率。

🔍LLM4DATA：LLM被应用于数据操作、数据分析和系统优化，增强数据管理任务。例如，LLM可以用于数据清洗、集成和发现，通过NL2SQL等技术简化结构化数据分析。

2025-06-02 14:54 河南

DATA4LLM：数据管理对LLM的支撑作用；LLM4DATA：LLM在数据管理中的应用

上交大&清华&阿里&上海AI Lab联合发表了一篇关于大型语言模型（LLM）与数据管理（DATA）相互作用的综述性研究，全面探讨了两者之间的双向关系，即数据管理对LLM的支撑作用（DATA4LLM）以及LLM在数据管理中的应用（LLM4DATA）。

详细分析了在LLM生命周期的不同阶段（如预训练、持续预训练、指令微调、强化学习、检索增强生成、代理工作流等）中，数据管理的关键技术和挑战，并提出了相应的解决方案。同时，还讨论了LLM在数据操作、数据分析和系统优化等数据管理任务中的应用进展，为未来的研究方向和实践应用提供了指导。

一、DATA4LLM技术

详细探讨了数据管理在支持大型语言模型（LLM）中的作用，即DATA4LLM。这一部分的核心内容聚焦于如何通过数据处理、存储和提供服务来满足LLM在不同生命周期阶段（如预训练、持续预训练、指令微调、强化学习、检索增强生成等）的需求。以下是该部分的详细总结：

1.1 LLM的不同阶段，数据的特征在LLM的不同阶段，数据的特征（如数据规模、数据域多样性和数据格式）存在显著差异。这些差异要求不同的数据管理策略。例如，在预训练阶段，LLM需要大规模、多样化的数据来获取广泛的语言理解能力；而在指令微调阶段，则需要更小规模但更高质量的数据来指导模型学习特定任务。

1.2 大模型数据处理数据处理是LLM训练的基础，涉及数据采集、去重、过滤、选择、混合和合成增强等多个步骤。这些步骤确保了输入LLM的数据具有高质量、多样性和及时性。

数据采集：从网络爬取文本和图像，以及从复杂数据源（如扫描或手写文档）中提取数据。使用工具如Trafilatura、PaddleOCR等进行内容提取和实体链接。

数据去重：通过哈希识别和嵌入聚类等技术识别重复数据，减少冗余。

数据过滤：基于样本质量、内容安全等标准筛选数据，去除低质量或有害样本。

数据选择：选择能够准确代表目标分布的子数据集，通过相似性、优化和模型评估等方法实现。

数据混合：通过启发式优化、双层优化和分布鲁棒优化等方法，调整不同数据集的混合比例，以优化模型性能。

数据合成：通过程序辅助验证、语义评分和多智能体一致性过滤等技术，生成高质量的合成数据，解决数据稀缺、隐私等问题。

1.3 大模型数据存储数据存储技术确保LLM训练和推理过程中数据的高效存储和访问。关键技术和策略包括：

数据格式：使用TFRecord、MindRecord等格式存储训练数据，以及Pickle、ONNX等格式存储模型数据。

数据分布：采用分布式文件系统（如JuiceFS、3FS）和异构存储系统，将数据分布在多个存储节点上，提高存储效率和可扩展性。

数据组织：通过内容组织、分块、嵌入、压缩和索引等技术，优化检索效率和准确性。例如，向量检索和图检索技术通过将数据转换为向量形式或图结构，提高检索效率。

数据移动：通过缓存数据、离线计算和存储计算重叠等技术，加速数据从存储节点到计算节点的移动。

数据容错：采用检查点存储和冗余计算等技术，确保在训练中断时能够快速恢复。

KV缓存：通过内存布局优化、存储卸载、KV压缩和高效索引等技术，提高LLM推理阶段的效率。

1.4 大模型数据服务数据服务技术确保数据在LLM训练和推理过程中被高效地提供和使用。关键技术和策略包括：

数据打乱：通过样本评分、模型状态评分和训练策略，选择和提供适合LLM训练的数据。

数据压缩：通过规则模板、模型驱动的方法，压缩模型输入数据，以适应上下文窗口限制或提高性能。

数据打包：通过短序列插入、优化序列组合和语义打包等技术，确保训练输入的统一序列长度。

数据溯源：通过嵌入标记和统计溯源等技术，确保LLM生成内容的事实一致性。

二、LLM4DATA技术

详细探讨了大型语言模型（LLM）在数据管理中的应用，即LLM4DATA。聚焦于如何利用LLM的技术能力来增强数据管理任务，包括数据操作、数据分析和系统优化。

2.1 LLM 用于数据操作LLM在数据操作中的应用主要集中在数据清洗、数据集成和数据发现。这些任务的目标是准备高质量的数据集，以支持非LLM应用，如机器学习模型的训练或数据分析任务。

数据清洗：LLM可以用于数据标准化、错误处理和数据填补。例如，LLM可以通过自然语言提示生成数据清理操作，或者通过上下文增强技术识别和纠正数据中的错误。

数据标准化：使用LLM生成的提示或操作来标准化数据格式，如日期格式或文本样式。

错误处理：通过LLM直接处理数据错误，或通过上下文增强技术识别和纠正错误。

数据填补：利用LLM生成缺失值，或通过检索增强生成（RAG）方法填补缺失数据。

数据集成：LLM可以用于实体匹配和模式匹配，以识别和对齐不同数据源中的相关实体和模式。

实体匹配：通过LLM生成的提示或多模型协作来匹配数据条目，确保它们指向相同的现实世界实体。

模式匹配：使用LLM生成的提示或检索增强生成（RAG）技术来识别不同数据库模式之间的对应关系。

数据发现：LLM可以用于数据剖析和数据注释，以生成描述性元数据和语义标签。

数据剖析：通过LLM生成数据集的描述性元数据，帮助用户更好地理解数据内容。

数据注释：使用LLM为数据元素分配语义或结构标签，如列类型或实体类型。

2.2 LLM 用于数据分析LLM在数据分析中的应用主要集中在结构化数据、半结构化数据和非结构化数据的分析。这些任务的目标是利用LLM的语义理解和推理能力，提供更高效和准确的数据分析解决方案。

结构化数据分析：

自然语言接口：通过NL2SQL和NL2Code技术，将自然语言查询转换为SQL命令或Python代码，从而简化数据操作。

语义分析：通过多步问答和端到端问答技术，提供更复杂的语义分析能力，如表总结和事实验证。

半结构化数据分析：

标记语言分析：利用LLM直接从标记语言（如XML、JSON）中提取和解释层次关系、属性和嵌套结构。

半结构化表分析：处理具有复杂结构组织的半结构化表，如合并单元格的表格。

非结构化数据分析：

文档分析：通过OCR依赖和OCR自由方法，处理包含图像、表格、图表等复杂布局的文档。

程序分析：利用LLM作为漏洞检测工具，通过程序分析技术提高漏洞检测的准确性。

2.3 LLM用于数据系统优化LLM在数据系统优化中的应用主要集中在配置调优、查询优化和异常诊断。这些任务的目标是利用LLM的推理和生成能力，提高数据系统的性能和可靠性。

配置调优：

提示工程：通过手动设计或自动生成提示，指导LLM进行数据库配置调优。

检索增强：通过检索增强技术，为LLM提供历史调优经验，提高调优的准确性。

目标对齐：通过额外的训练，使LLM更好地对齐调优目标，如数据库性能优化。

查询优化：

提示工程：通过手动设计或自动生成提示，指导LLM进行SQL查询重写或计划选择。

检索增强：通过检索增强技术，为LLM提供查询优化知识，提高优化的准确性。

训练增强：通过额外的训练，使LLM更好地对齐查询优化目标，如查询性能提升。

异常诊断：

提示工程：通过手动设计提示，指导LLM进行系统异常诊断。

检索增强：通过检索增强技术，为LLM提供历史诊断经验，提高诊断的准确性。

多智能体协作：通过多智能体协作机制，提高诊断的全面性和准确性。

https://github.com/weAIDB/awesome-data-llm
https://arxiv.org/pdf/2505.18458
A Survey of LLM × DATA

推荐阅读

• 动手设计AI Agents：（编排、记忆、插件、workflow、协作）

• DeepSeek R1 + Agent 的下半场

• 单智能体（Agent）：企业员工AI助理

• Agent到多模态Agent再到多模态Multi-Agents系统的发展与案例讲解（1.2万字，20+文献，27张图）

---

欢迎关注我的公众号“PaperAgent”，每天一篇大模型（LLM）文章来锻炼我们的思维，简单的例子，不简单的方法，提升自己。