利用LLM接口，以三种不同策略，构建一系列针对不同能力的单轮SFT数据。策略包括：
- ImitateGenerator：以若干案例样本为模板，扩增数据。支持同时生成多种语言数据。
- AbilityExtractionGenerator: 利用LLM接口，归纳出若干案例样本中包含的能力。根据这个能力集合，生成新样本和答案。
- AbilityDirectGenerator: 根据指定的能力类型，或者任务类型，直接生成与该能力或任务相关的新样本。例如，指定能力为“逻辑推理”，则可生成一系列逻辑推理题目及答案。为增强生成样本的多样性，支持排除已生成样本。
具体示例见example.py
example_ls = [
'我小时候吃虾，然后出现过敏反应。几年后，我吃了带有章鱼的虾，然后出现了更严重的过敏反应。每次我去那些有强烈虾味的餐馆，我都会一贯性地出现过敏反应。这可以推断出：',
'小明观察到他周围的人们都喜欢吃巧克力。因此，他得出结论：所有人都喜欢吃巧克力。请问这个结论是否可靠？如果可靠，可以如何解释这种观察结果？如果不可靠，应该如何修正这个结论？',
'在一个实验中，A组实验者使用药物X，B组实验者使用药物Y。最后发现A组的痊愈率明显高于B组。基于这一结果，我们可以得出什么结论？',
'如果一个人经常迟到，那么他的时间观念是强还是弱？',
'如果一个地区的犯罪率降低了，那么这个地区的治安是提高了还是降低了？']
task = '逻辑推理'