全链路模型训练

要解决什么问题

在 Agent 场景里，「帮我训个模型」往往停在脚本片段或单步调参：数据怎么拆、预处理能否复现到推理、验证集是否被用来选超参，这些细节一错，线上指标和 notebook 就对不上。本技能把从原始数据到可部署产物的训练生命周期收成一条可执行路径，而不是零散 API 调用。

技能如何工作

Agent 按固定工作流推进：

• 数据：从磁盘、数据库或远程存储加载，探查分布、缺失与类别平衡；需要时用分层采样划分训练 / 验证 / 测试。
• 预处理：归一化、标准化、文本分词或图像增强等，并构建可序列化流水线，保证训练与推理一致。
• 建模与配置：经典 ML 可选 XGBoost、SVM 等；深度学习可定义层、dropout、迁移学习骨干 + 任务头；优化器、损失、学习率调度（含 warmup）、批大小一并设定；GPU 上可开 torch.amp 或 tf.keras.mixed_precision。
• 训练与验证：带 epoch 级指标记录、验证集定期评估、早停（patience）；检查点按最佳验证分与间隔保存，并可导出 ONNX、TorchScript、SavedModel；超参与指标可写入 MLflow、W&B 等。

分布式侧支持 PyTorch DDP、Horovod、TensorFlow MirroredStrategy；数据侧可用 DataLoader、tf.data、Hugging Face Datasets 等。

适用边界与注意点

你只需给出数据位置、任务 / 目标变量、框架偏好、算力与指标约束，Agent 会跑完整流程并返回模型与评估结果。小样本、严重类别不平衡、训练 NaN、OOM、概念漂移等场景，技能文档里给出了分层拆分、focal loss、梯度裁剪、梯度累积、按时间切分等对应做法；最终泛化仍应在未参与训练与调参的留出集上评估，避免把验证集当「第二份训练集」用。