技能介绍

问题背景

垂直领域的分析任务（财报解读、行业指标、合规审查等）往往标注数据少、错误代价高，而直接依赖 100B+ 通用大模型成本高、在专业口径上也不稳定。DATAMIND 针对的是：在有限算力与数据下，如何把「小模型 + 可复现流程」做到专业任务可用，并在特定场景上接近或超过通用大模型。

技能如何工作

本技能是一套可执行的 SOP，把方法论拆成三条技术线，并给出与场景对应的输出模板：

数据合成：用种子标注 + 小模型迭代生成，缓解领域数据稀缺；示例流程是「少量人工标注 → 模拟/扩展样本 → 质量筛选」。
阶段强化学习：把任务按难度拆成阶段（如基础指标识别 → 趋势与异常 → 完整解读），逐步训练而非一次性端到端。
动态容错：执行链路中检测错误并尝试自动修复，避免单步失误导致整段分析作废。

按 SKILL 中的指令集，Agent 会按三类输入分流：了解决策路径（理念对比 + 三大技术 + 是否适合引入）、设计训练流程（在你给出领域、任务类型、现有数据后输出合成方案与阶段设计）、评估效果（任务场景与当前表现 → 评测框架与对比方法）。附带的 Python data_synthesis() 模板仅用于理解合成参数的占位演示，完整训练与部署需企业级资源。

适用边界

文档声明在 Claude 3.5 Sonnet 与 GPT-4 Turbo 上表现最佳；小模型超越大模型的结论依赖任务定义、合成数据质量与阶段设计，不能泛化到所有开放域推理。
技能侧重方法论与流程设计，不是开箱即用的训练代码库；大规模 RL 与容错策略落地需自行对接算力与评测集。
作者标注协作标识 SOP-DATAMIND-V1.0.0-20260530，引入前建议对齐版本与领域评测口径。