微调专家

要解决的问题

拿到一个基座模型后，很多人都会遇到同一种困境：直接用通用模型处理客服对话、领域分类或内部指令任务，效果总是差一口气，但从头训练一个新模型成本太高，也没有必要。微调确实能解决这个中间地带的问题，麻烦在于参数怎么选、数据怎么写、过拟合怎么防——这些问题在教程里往往被一笔带过，落到自己的任务上却每一个都会踩一遍。

@kunlungrowth/fine-tuning-expert 就是为这段容易出问题的流程准备的：它不负责训练本身，而是把从任务定义到可执行方案的准备工作拆解清楚。

核心能力与工作流

适用场景包括：

• 配置 LoRA / QLoRA 适配器，确定 rank、学习率、批次大小
• 准备 JSONL 训练集，处理清洗、去重与字段格式化
• 设定训练超参与评估策略
• 训练过程中监控 loss，防止过拟合

五个步骤的流程：

1. 明确任务：判断是分类、生成还是指令任务，估算数据规模
2. 处理数据：清洗原始样本、去重，整理成 prompt / completion 结构的 JSONL 文件
3. 配置参数：选择基座模型，确定 rank、lr、epochs 等关键超参
4. 训练监控：跟踪 loss 曲线，在验证集上早停，发现过拟合迹象及时调整
5. 产出工件：返回结构化的 FinetunePlan，包含 base_model、method、dataset、hyperparams 等字段

最终输出分两部分：一是完整的 FinetunePlan 工件本身，可以直接被下游程序消费；二是一段自然语言摘要，给出质量自检结果和最值得修改的两到三个点。这意味着方案不是写完就结束的静态文本，而是附带了复盘的输入。

适用边界

这个技能聚焦在微调前期的方案设计，不适用于以下情况：

• 需要检索增强的任务，应该用 rag-architect，两者的输入结构和设计思路完全不同
• 超算集群的资源调度、任务队列管理，不在本技能范围内

另外，技能的输入可以是自然语言描述的需求，也可以是已有的 FinetunePlan 用于二次优化。如果你手里已经有一份初步方案但拿不准参数是否合理，把 FinetunePlan 喂回去让它做一轮质量检查是更省事的用法。