一句话定义：Alpaca 数据格式（Alpaca data format）是一种用 instruction、input、output 三个字段描述单条微调">指令微调（instruction tuning）样本的 JSON 结构，最初由斯坦福的 Alpaca 项目提出，用来把“任务描述 + 材料 + 期望回答”打包成一条可直接用于训练的数据。
一条样本实际长这样：
```json
{
"instruction": "把下面这段话改写成正式邮件",
"input": "老板，明天我请假一天，家里有事。",
"output": "尊敬的领导：因家中有事，本人明日需请假一天，恳请批准。"
}
```
整个数据集就是一个 JSON 数组，每个元素都是上面这样的对象；工程中常见的 JSONL（每行一个 JSON 对象）只是同一结构在流式处理时的写法。
三个字段分工明确：
- instruction（指令）：必填，说明模型要做什么。
- input（输入）：可选，任务所需的材料；没有材料就留空字符串，而不是删掉这个字段。
- output（输出）：期望模型生成的答案，也就是训练时的监督信号。
打个比方，这像一张外卖工单：instruction 是“做哪道菜”，input 是“顾客备注：不要辣”，output 是“出餐标准”。没有备注就空着，工单格式不用变。
它成为事实标准的原因
1. 结构极简，三个字段一看就懂，人工标注和脚本批量生成的成本都很低。
2. 同一套 schema 同时覆盖“带材料”和“不带材料”两类任务，不必维护两种格式。
3. 渲染成提示词时只要套一个固定模板：把 instruction 与 input 拼进用户消息，output 作为回答。主流训练框架普遍内置了这类模板，数据换框架基本不用改。
4. Alpaca 项目用强模型自动生成了数万条同格式数据并公开，社区随后大量复用和二次生成，形成了路径依赖。
和相邻格式的区别
| 格式 | 一条样本的结构 | 典型场景 |
|---|---|---|
| Alpaca | instruction / input / output | 单轮指令微调 |
| ShareGPT | conversations 数组，每轮带角色与内容 | 多轮对话 |
| OpenAI 微调格式 | messages 数组，角色为 system / user / assistant | 对话微调、带系统提示 |
Alpaca 的短板也在结构本身：它天然只能表达一问一答。社区常见补法是额外加 system 字段（系统提示）或 history 字段（历史轮次），这些属于事实上的扩展而非原始定义，跨框架迁移时以目标框架的文档为准。
实际意义
对从业者，Alpaca 更像是数据流水线里的“中间格式”：各种来源的数据先统一汇入这一结构，再转换成训练框架要求的形态；看到 instruction / input / output，映射关系几乎不用想。对普通职场人，它也是一个描述工作的最小模板——说清任务、给足材料、写明期望产出，比写一大段话让模型猜要有效得多。