AI 智能体人格提示词语料库
数据集简介
目录里有什么
仓库按功能划分为若干目录,覆盖原始文本、结构化记录、标注结果与模式定义:
data/records.jsonl:主记录文件,每行一条记录;data/content/:179 个原文文件;data/dup_clusters.csv:跨仓库近重复簇;labels/rater1.csv、labels/rater2.csv:两名标注员各自独立产出的标签;labels/disagreements.csv:1017 行分歧记录;schema/record.schema.json:记录字段模式。
单条记录长什么样
data/records.jsonl 中每条记录由一组固定字段构成,核心是把提示词钉在可复现的代码位置上:
id:记录标识;source:包含repo、path、commit_sha、url、collected_at、search_path,其中commit_sha保证引用的是特定提交时的文件内容;license:包含spdx、redistributable、copyleft_review、content_included,直接决定该条是否收录原文;full_text_ref与content_sha256:指向原文文件并给出内容校验值;summary、tags:内容摘要与主题标签;stats:字符数、词数、语言、格式、标题最大层级、是否含代码块、是否含表格;refetch、refetched_at:重新抓取状态与时间。
许可筛选:为什么有 102 条没有原文
数据集对原文收录执行许可筛选。data/content/ 中收录 179 条原文,其 SPDX 许可分布为 MIT 138 条、Apache-2.0 31 条、CC-BY-4.0 7 条、BSD-3-Clause 2 条、CC0-1.0 1 条。其余 102 条因上游未声明许可或采用 copyleft 许可,只保留元数据,不附带提示词正文;这些记录的 license 字段中 content_included 为否,copyleft_review 记录复核结论。
标注字段与信度
labels/rater1.csv 与 labels/rater2.csv 由两名标注员对全部记录独立编码,字段包括:
identity_declared、rule_declared:是否显式声明身份与规则;has_role、has_goal、has_context、has_output_spec、has_conditions:提示词结构要素是否存在;multi_step、structured_relation、conditions_count、structure_form:多步性、结构化关系、条件数量与结构形式。
两份标签的差异汇总在 labels/disagreements.csv,共 1017 行,可用于计算标注者间一致性并定位歧义样本。
许可
元数据、标签、模式与文档采用 CC BY 4.0;scripts/ 下的脚本采用 MIT;data/content/ 中的原文遵循各记录自身的 SPDX 许可。Zenodo 提供 v1.1.0 打包下载(clawsouls/persona-prompt-corpus-dataset-v1.1.0.zip,426.8 kB),也可从 GitHub 仓库获取。
使用示例
读取 data/records.jsonl 后,可按 source.repo 聚合分析同一仓库的人格设定,按 stats.lang 与 stats.format 筛选语种与文档形态,或结合 labels/rater1.csv 统计身份声明与规则声明的比例。需要原文时,先检查 license.content_included 与 full_text_ref,再通过 source.commit_sha 回到上游仓库定位到确切版本。
局限
数据集覆盖 168 个公开仓库的 281 条记录,规模有限;102 条记录缺少原文,相关分析只能依赖摘要与统计字段;标注存在分歧,使用标签时应结合 disagreements.csv 评估噪声。
引用与版本
当前版本为 v1.1.0,发布日期 2026 年 10 月 30 日,共 8 次提交。引用时请注明数据集名称 Persona Prompt Corpus、版本号与 Zenodo 打包文件。