Writing Plans - 訓練計畫撰寫
為 LLM fine-tuning 任務撰寫詳細的執行計畫，每個步驟都是 2-5 分鐘可完成的小任務。
核心原則
- 粒度明確：每個任務是單一動作（2-5 分鐘）
- 完整記錄：包含確切指令、預期輸出、驗證步驟
- 可追蹤：每個任務有明確狀態標記
- 可重現：任何人拿到計畫都能執行
計畫存放位置
{task-name}/
├── plans/
│ ├── 2026-01-07-initial-training.md
│ ├── 2026-01-10-improve-accuracy.md
│ └── 2026-01-15-add-data.md
├── task.yaml
└── versions/
計畫結構模板
# {Goal} - 執行計畫
**建立日期**: YYYY-MM-DD
**任務**: {task-name}
**目標版本**: v{n}
**預計時間**: X 小時
## 目標概述
{1-2 句話描述這次迭代要達成什麼}
## 前置條件
- [ ] {條件 1}
- [ ] {條件 2}
## 技術方案
- **基礎模型**: {model}
- **訓練方法**: {method}
- **關鍵配置**: {config highlights}
---
## Tasks
### Task 1: {任務名稱} [pending]
**目標**: {這個任務要完成什麼}
**步驟**:
1. {具體動作}
2. {具體動作}
**驗證**:
- [ ] {驗證條件}
**預期輸出**:
{預期的輸出內容}
---
### Task 2: {任務名稱} [pending]
...
---
## 完成標準
- [ ] 所有 Tasks 標記為 [completed]
- [ ] 驗證全部通過
- [ ] lineage.yaml 已更新
任務狀態標記
| 標記 | 說明 |
|------|------|
| [pending] | 尚未開始 |
| [in-progress] | 執行中 |
| [completed] | 已完成 |
| [blocked] | 遇到阻礙 |
| [skipped] | 跳過（說明原因） |
撰寫流程
步驟 1: 收集資訊
確認以下資訊後才開始撰寫：
- 任務目標是什麼？
- 這是新任務還是迭代？
- 目標版本號？
- 有什麼資源限制？
- 成功標準是什麼？
步驟 2: 拆解任務
將目標拆解為 2-5 分鐘的小任務：
LLM Fine-tuning 常見任務拆解：
目標：訓練情感分析模型 v1
Task 1: 檢查資料格式 [pending]
Task 2: 產生訓練配置 [pending]
Task 3: 執行資料前處理 [pending]
Task 4: 啟動訓練腳本 [pending]
Task 5: 監控訓練進度 [pending]
Task 6: 執行評估腳本 [pending]
Task 7: 檢查評估結果 [pending]
Task 8: 更新 lineage.yaml [pending]
Task 9: 決定下一步 [pending]
步驟 3: 填充細節
每個任務必須包含：
- 明確目標：這個任務完成什麼
- 具體步驟：確切的指令或動作
- 驗證條件：如何確認完成
- 預期輸出：應該看到什麼
步驟 4: 審核計畫
撰寫完成後檢查：
- [ ] 每個任務都是 2-5 分鐘可完成
- [ ] 步驟足夠具體，不需要額外判斷
- [ ] 驗證條件明確
- [ ] 任務之間有正確的依賴順序
範例計畫
# 實體情感分析 v1 - 執行計畫
**建立日期**: 2026-01-07
**任務**: entity-sentiment
**目標版本**: v1
**預計時間**: 3 小時
## 目標概述
建立實體情感分析模型的初始版本，目標 Macro-F1 > 0.75。
## 前置條件
- [x] 資料已準備 (500 筆)
- [x] GPU 環境已設定 (A100)
- [x] 依賴套件已安裝
## 技術方案
- **基礎模型**: Qwen/Qwen3-4B
- **訓練方法**: SFT + LoRA (r=32)
- **關鍵配置**: lr=1e-5, epochs=8
---
## Tasks
### Task 1: 驗證資料格式 [pending]
**目標**: 確認訓練資料格式正確
**步驟**:
1. 讀取 data/train.jsonl
2. 檢查欄位：text, entity, sentiment
3. 統計類別分佈
**驗證**:
- [ ] 所有必要欄位存在
- [ ] 無空值或異常值
- [ ] 類別分佈已記錄
**預期輸出**:
Total samples: 500 Classes: 正面(180), 負面(170), 中立(150) Format: OK
---
### Task 2: 產生訓練配置 [pending]
**目標**: 建立 training_config.yaml
**步驟**:
1. 複製模板 configs/template.yaml
2. 填入：base_model, lora_r, learning_rate
3. 設定輸出路徑
**驗證**:
- [ ] 配置檔語法正確
- [ ] 路徑存在
---
### Task 3: 執行訓練 [pending]
**目標**: 啟動訓練並監控
**步驟**:
1. 執行: `python scripts/train.py --config configs/v1.yaml`
2. 監控 loss 曲線
3. 等待訓練完成
**驗證**:
- [ ] 訓練無錯誤完成
- [ ] Final loss < 0.5
- [ ] Checkpoint 已儲存
**預期輸出**:
Epoch 8/8: loss=0.32 Training completed. Model saved to models/v1/
---
### Task 4: 執行評估 [pending]
**目標**: 評估模型效能
**步驟**:
1. 執行: `python scripts/evaluate.py --model models/v1`
2. 檢查各類別 F1
**驗證**:
- [ ] Macro-F1 > 0.75
- [ ] 無類別 F1 < 0.60
---
### Task 5: 更新 Lineage [pending]
**目標**: 記錄版本資訊
**步驟**:
1. 建立 versions/v1/lineage.yaml
2. 填入訓練配置和結果
3. 記錄變更說明
**驗證**:
- [ ] lineage.yaml 格式正確
- [ ] 所有欄位已填寫
---
## 完成標準
- [ ] 所有 Tasks 標記為 [completed]
- [ ] Macro-F1 > 0.75
- [ ] lineage.yaml 已建立
計畫命名規則
YYYY-MM-DD-{goal}.md
範例：
2026-01-07-initial-training.md
2026-01-10-improve-neutral-class.md
2026-01-15-expand-dataset.md
執行方式
計畫撰寫完成後，有兩種執行方式：
- 使用 executing-plans skill：批次執行，每 3 個任務暫停 review
- 手動逐步執行：自行按照計畫步驟操作
相關資源
- executing-plans - 批次執行計畫
- task-manager - 任務管理
- llm-coach - 教練引導