用途
Research 是一个面向 Fireworks 平台模型后训练(post-training)的规划技能。它的目标是以最小摩擦帮助用户获得真实、可衡量的训练结果。它根据用户已经描述的任务目标,推荐训练方法、cookbook 条目、数据方案和评估方案,并尽量少提问。
主要能力
- 根据监督信号推断隐含方法(SFT、DPO、RL、embedding)。
- 推荐 cookbook 条目,包括案例研究、示例或配方路径。
- 制定数据集方案:本地、内置、Hugging Face 候选或标注 schema。
- 制定评估方案:指标类别、基线、cookbook 评估钩子。
- 给出建议路径(managed、serverless、dedicated)的粗略方向。
- 扫描完整 cookbook 目录,而不仅是案例研究。
- 在用户批准外部搜索后,可选进行公开数据集搜索。
- 将就绪包写入运行清单,并在用户希望继续时交接给 configure。
使用方式
Research 遵循“先检查、再推荐、评估先于训练”的方法论。它会先阅读 cookbook 目录和入门任务,打开最接近的 README,然后基于已有信息给出一个具体推荐,并附上合理默认值。默认只问一个真正影响后续决策的关键问题(最常见的是:数据在哪里?)。
当用户没有指定任务并询问可以尝试什么时,Research 会直接提供 2–4 个具体想法和入门任务选项,而不是先进行访谈。如果用户已经选择了方法或界面(例如代码优先的 Training API 循环),则直接推荐匹配的入门任务。
当用户表示继续或选择入门任务时,Research 会在同一轮继续进入 configure,呈现最终计划,无需单独的交接问题。
适用场景
- 用户想探索后训练的任务、方法、数据集、评估或示例。
- 用户尚未确定具体训练方案,需要从已有描述中获得推荐。
- 用户想了解可用的 cookbook 条目和入门任务。
- 用户需要数据方案和评估方案的建议。
限制
- 不创建训练任务、不上传数据集、不执行变更操作。
- 不选择超参数或最终模型(由 configure 负责)。
- 不调试失败运行(使用 debug)。
- 不选择最终基础模型、不估算成本、不创建任务。
- 如果用户已经指定了模型 + JSONL + 方法,则跳过 Research,直接进入 configure。
- 训练界面与服务分离:调优后的模型只能从按需部署中提供服务。
- 对于 RL,Managed RFT 已暂停,需路由到 Serverless Training API。
- 执行在 configure 中,失败处理在 debug 中。
- 所有 training/... 路径位于 fw-ai/cookbook 仓库,而非本技能文件夹。
其他说明
- 每轮响应首行显示 Research 技能横幅。
- 在首次结构化问题前,显示一次隐私通知。
- 如果缺少 FIREWORKS_API_KEY,继续帮助并提示用户设置作用域密钥,绝不在聊天中索要。
- 记录推荐、交接和终止研究等里程碑,绝不发送原始客户文本、数据集、凭据或路径。
- 跨技能路由:用户想训练、部署或按已知计划继续时路由到 configure;用户报告失败、任务卡住或错误时路由到 debug;用户仍在探索数据、评估或 cookbook 时留在 research。