feat: 添加 LCCC 训练数据说明及相关文件，更新 .gitignore 以忽略大文件

.gitignore

@@ -34,3 +34,8 @@ Thumbs.db
 # 日志
 *.log
 logs/
+
+# LCCC 训练数据（不纳入版本控制，仅本地使用）
+corpus/lccc/lccc_base_train.jsonl
+corpus/lccc/lccc_base_train.jsonl.gz
+corpus/lccc/lccc_dialogues.txt

corpus/README.md

@@ -0,0 +1,18 @@
+# Corpus 语料库总说明
+
+本目录 `corpus/` 汇集用于模型训练的多来源中文语料。
+
+## 1. LCCC 中文对话语料（HuggingFace 下载）
+- 位置：`corpus/lccc/`
+- 详见 `lccc/README.md`。
+- 概要：从 HuggingFace 下载的大规模中文对话数据集。其中 `lccc_base_train.jsonl`（约 872MB）、`lccc_base_train.jsonl.gz`（约 353MB）因单个体积超过 100MB，已从 git 跟踪中移除并加入 `.gitignore` 忽略，仅保留本地文件。
+
+## 2. 模型编写的教材（Kimi / GLM / Hy3）
+- 位置：`教材/`、`义务教育教材/`
+- 由 **Kimi（K2.7 Code）、GLM（5.2）、Hy3** 三个模型共同编写，覆盖**幼儿园、小学、初中、高中**各学段教材内容（含语文、数学、英语、物理、化学、生物、历史、地理、政治等学科，以及幼儿成长日志等大量 `.md` 文本）。
+- 各模型分别承担不同学段 / 学科的编写工作。
+
+## 版本控制约定
+- 大体积训练语料（如 LCCC 的 jsonl / gz，>100MB）不纳入 git 提交，已忽略。
+- 教材类 `.md` 文本体积小，正常纳入版本控制。
+- 各语料具体说明见对应子目录文档（如 `lccc/README.md`）。

corpus/lccc/README.md

@@ -0,0 +1,34 @@
+# LCCC 训练数据说明
+
+本目录 `corpus/lccc/` 存放 LCCC 中文对话语料相关的**训练数据**：
+
+> **数据来源**：本目录语料为从 HuggingFace 下载的中文对话语料（LCCC，大规模中文对话数据集），仅作本地训练使用。
+
+- `lccc_base_train.jsonl` / `lccc_base_train.jsonl.gz`：基础训练语料（对话数据）
+- `lccc_dialogues.txt`：对话文本导出
+
+数据处理脚本 `scripts/prepare_lccc.py` 位于仓库 `scripts/` 目录，属于代码，**正常纳入版本控制**。
+
+## 版本控制说明
+
+LCCC 训练数据为生成式语料、体积较大，**不纳入 git 提交 / 跟踪**。
+
+已通过 `git rm --cached` 取消跟踪（仅保留本地文件，不删除磁盘数据），并在仓库根 `.gitignore` 中追加了忽略条目。请勿将其提交到远程仓库。
+
+### 已从 git 移除的语料（体积大于 100MB）
+
+以下语料因单个文件体积超过 100MB，已从 git 跟踪中移除，仅保留在本地磁盘，不进入版本库 / 远程仓库：
+
+| 文件 | 体积 | 内容说明 |
+| --- | --- | --- |
+| `lccc_base_train.jsonl` | 约 872 MB | LCCC 基础训练语料（原始 JSONL 对话数据，未压缩） |
+| `lccc_base_train.jsonl.gz` | 约 353 MB | 上述语料的 gzip 压缩版本 |
+
+这两个文件已执行 `git rm --cached` 取消跟踪，并在仓库根 `.gitignore` 中显式忽略；全仓库扫描确认已无大于 100MB 的被跟踪文件。
+
+### 仍纳入版本控制的文件
+
+- `scripts/prepare_lccc.py`：数据处理脚本（位于仓库 `scripts/` 目录），正常跟踪。
+- 本说明文档 `README.md`。
+
+如需在本地使用训练语料，直接读取本目录下的 `lccc_base_train.jsonl` / `lccc_base_train.jsonl.gz` 文件即可。

corpus/教材/幼儿园/小班/小班成长日志/11月1日.md

@@ -0,0 +1,57 @@
+# 11 月 1 日 星期六 周末
+
+**早上看到的**：妈妈给我穿了一件橘色卫衣。我看见窗外风把叶子吹得满地都是。爸爸在吃早饭。
+
+**听到的**：妈妈说：“今天周末，爸爸带你去公园捡叶子。”爸爸说：“多捡几种颜色。”
+
+**自己说的**：“我要捡红色的叶子。”
+
+**脑子里想的**：上周我捡了黄叶子做了小鱼。今天要捡红色的，做一只小鸟。
+
+**对话**：
+- 妈妈：“穿好鞋子。”
+- 我：“好。”
+- 爸爸：“走，去公园。”
+- 我：“耶！”
+- 爸爸：“今天捡什么颜色？”
+- 我：“红色和绿色。”
+- 爸爸：“好，做小鸟。”
+
+**在公园**：
+- 我捡了一片红叶子。
+- 我：“爸爸，这片红红的像小手掌。”
+- 爸爸：“对，像枫叶。”
+- 我捡了一片绿叶子。
+- 我：“这片绿绿的。”
+- 爸爸：“放在袋子里。”
+- 我还捡了黄色的。
+- 我：“我有红、绿、黄三种。”
+- 爸爸：“真多。”
+
+**中午**：在公园吃面包。
+- 我：“面包软软的。”
+- 爸爸：“吃了有力气。”
+- 我：“我吃了，去玩沙子。”
+- 爸爸：“小心眼睛。”
+
+**下午**：在家做叶子贴画。
+- 我用红叶子做小鸟的身体。
+- 我用绿叶子做翅膀。
+- 我：“爸爸，小鸟做好了。”
+- 爸爸：“真好看，像在飞。”
+- 我：“它要去南方。”
+- 爸爸：“对，秋天小鸟往南飞。”
+
+**晚上家里**：
+- 妈妈：“今天捡到几种叶子？”
+- 我：“三种，红、绿、黄。”
+- 妈妈：“做了什么？”
+- 我：“一只小鸟。”
+- 爸爸：“小鸟往南飞。”
+- 我：“对，秋天到了。”
+- 妈妈：“乐乐手真巧。”
+- 爸爸：“早点睡。”
+
+**脑子里想的**：叶子有好多颜色，能做不同的画。小鸟秋天往南飞，真神奇。
+
+**今天学到的**：1. 叶子有红、绿、黄等颜色。2. 秋天小鸟往南飞。3. 用叶子能做贴画。

train_chat.py

@@ -43,7 +43,7 @@ def clean_corpus() -> str:
     cc_s2t = OpenCC('s2t')  # 简转繁
     cc_t2s = OpenCC('t2s')  # 繁转简
 
-    corpus_dir = Path(__file__).parent.parent / 'corpus'
+    corpus_dir = Path(__file__).parent / 'corpus'
     raw_paragraphs = []
 
     # 1. 内嵌唐诗宋词论语
@@ -52,7 +52,16 @@ def clean_corpus() -> str:
         if para:
             raw_paragraphs.append(para)
 
-    # 2. 递归读取 corpus/ 下所有文件
+    # 2. LCCC 对话语料（最高优先级，真实对话）
+    lccc_file = corpus_dir / 'lccc_dialogues.txt'
+    if lccc_file.exists():
+        lccc_text = lccc_file.read_text(encoding='utf-8')
+        for para in lccc_text.split('\n\n'):
+            para = para.strip()
+            if para:
+                raw_paragraphs.append(para)
+
+    # 3. 递归读取 corpus/ 下其他所有文件（教材+百科）
     if corpus_dir.exists():
         for filepath in sorted(corpus_dir.rglob('*')):
             if not filepath.is_file():