LLM fine-tuning 教練式引導工作流程 v2。 核心功能：主動探索使用者痛點、引導明確目標、多任務管理、資料來源追蹤、完整版本 lineage。 支援：LoRA/QLoRA/DoRA 微調、SFT/ORPO/DPO 對齊、資料準備、Benchmark 評估、HuggingFace 部署。 特色：教練式引導、可重現的資料管線、多任務版本追蹤。 觸發詞：「訓練模型」「fine-tune」「微調」「LoRA」「建立新任務」「改善模型」「優化準確率」「資料管線」「任務管理」
Guides LLM fine-tuning projects from goal clarification to deployment. Automatically triggers when users mention training, fine-tuning, or optimization tasks to manage multi-task workflows with reproducible data pipelines and version tracking.
/plugin marketplace add p988744/nlp-skills/plugin install p988744-nlp-skills@p988744/nlp-skillsThis skill is limited to using the following tools:
CHANGELOG.md自動引導使用者完成 LLM 訓練專案，從痛點探索到模型部署。
v2 採用「教練式引導」設計：
「我想訓練一個模型」
「幫我分析這個任務該怎麼做」
→ 觸發 goal-clarifier agent，主動引導釐清目標
「列出所有任務」
「比較 entity-sentiment v1 和 v2」
→ 使用 /nlp-skills:tasks 指令
「資料從 PostgreSQL 來」
「用 GPT 生成訓練資料」
→ 觸發 data-source-advisor agent
| Skill | 職責 |
|---|---|
| llm-coach | 教練式引導主入口 |
| llm-knowledge | 獨立知識庫 |
| task-manager | 多任務管理 |
| data-pipeline | 資料管線配置 |
| 指令 | 功能 |
|---|---|
/nlp-skills:coach | 啟動教練式對話 |
/nlp-skills:tasks | 列出所有任務狀態 |
/nlp-skills:new-task | 建立新任務 |
/nlp-skills:data-source | 配置資料來源 |
/nlp-skills:generate | 生成專案結構 |
/nlp-skills:evaluate | 執行評估分析 |
/nlp-skills:deploy | 部署模型 |
| Agent | 觸發時機 | 功能 |
|---|---|---|
| goal-clarifier | 偵測模糊需求 | 主動引導釐清目標 |
| data-source-advisor | 詢問資料來源 | 協助配置資料管線 |
| problem-diagnoser | 效能問題 | 自動診斷推薦改善 |
| result-analyzer | 訓練/評估後 | 分析結果決策建議 |
| Hook | 事件 | 動作 |
|---|---|---|
| data-validation | 資料更新後 | 自動驗證格式分佈 |
| version-tracking | 訓練完成 | 記錄完整 lineage |
每個任務是完全獨立的自包含專案：
{任務名稱}/
├── task.yaml # 任務定義
├── data_source.yaml # 資料來源配置（可重現）
├── versions/ # 版本追蹤（完整 lineage）
│ ├── v1/
│ │ ├── config.yaml # 訓練配置快照
│ │ ├── data_snapshot.json # 資料版本資訊
│ │ ├── results.json # 評估結果
│ │ └── model_info.json # 模型資訊
│ └── v2/
├── data/
│ ├── raw/ # 原始資料
│ ├── train.jsonl
│ ├── valid.jsonl
│ └── test.jsonl
├── scripts/ # 執行腳本
│ ├── 01_regenerate_data.py # 重新生成資料
│ ├── 02_validate_data.py
│ ├── 03_convert_format.py
│ ├── 04_train.py
│ ├── 05_evaluate.py
│ └── 06_upload_hf.py
├── configs/
├── models/
├── benchmarks/
└── docs/
v2 的核心特色是可重現的資料管線：
# data_source.yaml
sources:
- type: database
connection: postgresql://user:pass@host/db
query: "SELECT text, label FROM annotations"
snapshot_date: 2026-01-06
- type: api
endpoint: https://api.example.com/data
params:
limit: 1000
- type: web_scrape
urls: ["https://..."]
keywords: ["金融", "股票"]
- type: llm_generated
prompt_template: |
生成 {count} 筆金融情感分析訓練資料...
model: gpt-4o
count: 500
regeneration:
script: scripts/01_regenerate_data.py
last_run: 2026-01-06T10:30:00
完整的 lineage 追蹤每次迭代：
# versions/v2/lineage.yaml
version: v2
created: 2026-01-06T14:00:00
parent: v1
data:
source_hash: abc123
train_count: 500
valid_count: 100
test_count: 100
config:
base_model: Qwen/Qwen3-4B
method: sft
lora_r: 64
epochs: 6
results:
macro_f1: 0.815
accuracy: 0.82
changes:
- "增加 LoRA rank 32 → 64"
- "新增中立樣本 200 筆"
uv run python支援混合模式：
v2.0.0 - 教練式引導設計
Use when working with Payload CMS projects (payload.config.ts, collections, fields, hooks, access control, Payload API). Use when debugging validation errors, security issues, relationship queries, transactions, or hook behavior.