数据安装
- 作者仓库星标 0
- 作者更新于 实时读取
- 作者仓库 FarmFriend-Terminal-React
- 领域
- 通用
- 兼容 Agent
-
- Claude Code
- Cursor
- Cline
- Codex
- Windsurf
- Gemini CLI
- +20
- 信任分
- 88 / 100 · 社区维护
- 作者 / 版本 / 许可
- @0-CYBERDYNE-SYSTEMS-0 · 未声明 license
- Token 消耗评级
- 低消耗
- 接入复杂程度
- 即装即用
- 是否需要外部 API Key
- 不需要
- 兼容的系统
- 未声明（默认跨平台）
- 底层运行要求
- 无特殊要求
- 文件与系统权限
-
- 只读
- 允许写入 / 修改
- 网络行为
- 仅限本地
- 安装命令数
- 26 条
档案由构建时根据 SKILL.md 与安装命令自动衍生，可能与作者实际意图存在差异。
需要注意： 未限定 allowed-tools，默认拥有全部工具权限。
---
name: Model Trainer
description: This skill helps you train and fine-tune language models using TRL (Transformer Reinforcement Le…
category: 通用
runtime: 无特殊运行时
---
# Model Trainer 输出预览
## PART A: 任务判断
- 适用问题：通用任务拆解、检查和交付。
- 输入要求：目标材料、限制条件、期望输出和验收方式。
- 证据边界：围绕“Overview / Core Capabilities / 1. Supervised Fine-Tuning”读取原文规则，不把推断写成作者承诺。
## PART B: 执行结果
- **01** 任务判断：确认你的需求是否属于通用任务拆解、检查和交付，并标出输入、限制和预期结果。
- **02** 执行计划：优先按“Overview / Core Capabilities / 1. Supervised Fine-Tuning”拆成步骤，说明每一步会读取什么、修改什么、产出什么。
- **03** 交付结果：给出可复制的命令、文件改动、检查清单或内容草稿，并说明如何继续迭代。
- **04** 风险边界：结合 读取文件、写入/修改文件、主要在本地完成、通常不需要额外 API Key 给出执行前确认项。
## Running Rules
- 读取文件、写入/修改文件；主要在本地完成；通常不需要额外 API Key。
- 先小样例验证，再放大到真实任务。
- 交付时同时给结果、检查口径和下一步迭代建议。 先确认触发方式
原文没有稳定的斜杠命令要求。安装验证后通常全局生效，直接在对话里点名这个 Skill 并描述任务即可。
给清楚输入和边界
告诉 Agent 目标文件或材料、期望结果、不可改范围、是否允许联网或执行命令。本 Skill 的权限画像是：读取文件、写入/修改文件。
小样例验证后再放大
先用一个小任务确认它会围绕“Overview / Core Capabilities / 1. Supervised Fine-Tuning”工作；涉及文件或命令时，先看 diff、日志、预览或测试结果。
复核后再交付
检查最终产物是否包含明确结果、必要证据和下一步动作；如果输出泛泛而谈，就补充输入、边界和验收标准后重跑。
---
name: Model Trainer
description: This skill helps you train and fine-tune language models using TRL (Transformer Reinforcement Le…
category: 通用
source: 0-CYBERDYNE-SYSTEMS-0/FarmFriend-Terminal-React
---
# Model Trainer
## 什么时候使用
- Model Trainer 是一个通用扩展技能，按 SKILL 适合处理通用任务拆解、检查、交付和复盘，核心价值是把输入、判断、执行、验证和交付边界固定下来，避免 Agent 泛泛回答。 把任务拆成可执行、可检查、可继续迭代的步骤；通常…
- 面向通用任务拆解、检查和交付，优先处理能明确输入、步骤和验收标准的工作。
## 需要提供什么
- 目标材料、目录范围、期望结果和不可改动内容。
- 是否允许联网、执行命令、读写文件或调用外部服务。
## 执行规则
- 围绕「Overview / Core Capabilities / 1. Supervised Fine-Tuning」组织步骤，不把推断写成作者事实。
- 读取文件、写入/修改文件；主要在本地完成；通常不需要额外 API Key。
- 先跑小样例，确认结果可检查后再扩大任务范围。
## 输出要求
- 给出最终产物、关键证据、验证方式和下一步动作。
- 信息不足时标记 unknown，不编造命令、平台或依赖。 证据边界与执行链路
作者原文负责流程事实；仓库文件负责来源和命令；流狐只补充适用场景、限制和质量判断。
skill "Model Trainer" {
输入层 -> 用户目标 + 目标文件 + 禁止范围 + 验收标准
上下文层 -> Overview / Core Capabilities / 1. Supervised Fine-Tuning
规则层 -> SKILL.md 触发条件 / 执行顺序 / 输出格式
运行层 -> 无特殊运行时 | 读取文件、写入/修改文件 | 主要在本地完成
安全层 -> 通常不需要额外 API Key + 小任务验证 + diff / 日志复核
输出层 -> 可复制结果 + 检查清单 + 下一步迭代
}Model Trainer Skill
Overview
This skill helps you train and fine-tune language models using TRL (Transformer Reinforcement Learning) on Hugging Face infrastructure.
Core Capabilities
1. Supervised Fine-Tuning
- Load pre-trained models from Hugging Face Hub
- Prepare datasets for fine-tuning
- Configure training arguments
- Handle model checkpointing and saving
2. Reinforcement Learning from Human Feedback (RLHF)
- Set up reward models
- Configure PPO (Proximal Policy Optimization) training
- Manage reward datasets
- Monitor training metrics
3. Parameter-Efficient Fine-Tuning (PEFT)
- LoRA (Low-Rank Adaptation) configuration
- QLoRA for quantized training
- Memory-efficient fine-tuning strategies
4. Training Infrastructure
- Hugging Face Jobs integration
- Multi-GPU training setup
- Distributed training configuration
- Resource optimization
Usage Instructions
Basic Fine-Tuning
- Choose a base model from Hugging Face Hub
- Prepare your training dataset
- Configure training arguments
- Set up the trainer with appropriate parameters
- Monitor training progress and metrics
RLHF Training
- Set up a reward model
- Prepare preference datasets
- Configure PPO training parameters
- Run training with appropriate safety constraints
- Evaluate model performance
PEFT Training
- Choose PEFT method (LoRA/QLoRA)
- Configure adapter parameters
- Set up memory-efficient training
- Save and load adapter weights
Dependencies
- transformers
- trl
- datasets
- accelerate
- peft
- bitsandbytes (for quantization)
- wandb (for experiment tracking)
Best Practices
- Start with small learning rates for fine-tuning
- Use appropriate batch sizes based on available memory
- Implement gradient clipping for stable training
- Save checkpoints regularly
- Monitor training metrics closely
- Use appropriate evaluation metrics for your use case
Integration Notes
- Works seamlessly with Hugging Face Hub for model storage
- Supports integration with Weights & Biases for experiment tracking
- Compatible with various model architectures (BERT, GPT, T5, etc.)
- Can be used with custom datasets and evaluation metrics
先判断是否适合
作者设计意图
作者的方法与取舍
边界和复核