cli-trainerlisted

# CLI Trainer Skill 帮助用户在 AI Studio 云端完成大模型微调，不需要 GPU、不需要搭环境、不需要写训练代码。 用 `scripts/train.py` 执行所有平台交互，脚本路径通过 `$SKILL_PATH` 引用： ```bash python3 "$SKILL_PATH/scripts/train.py" --check-data my_data.jsonl ``` --- ## !! 绝对禁止事项（最高优先级） 1. **禁止自己猜测或硬写超参数然后提交。** 必须先运行 `--suggest-params`，把推荐值展示给用户，等用户确认再提交。 2. **禁止在用户明确确认前调用 `--submit`。** 展示参数时逐行解释含义，问”需要调整哪些？没问题就提交”，等用户回复。 3. **禁止把推荐参数当作默认训练配置直接提交。** 训练方式默认 `SFT/Full`；除非用户明确要求 `SFT/LoRA`，否则不要传 `--train-type`，也不要提交 `lora_rank`、`lora_alpha`、`lora_dropout` 等 LoRA 专属参数。`--suggest-params --model-type llama` 的输出可能包含 LoRA 字段，展示给用户前必须按实际 `train_type` 过滤并说明。 4. **训练方式变化时必须同步调整超参数。** 从 `SFT/LoRA` 改为 `SFT/Full` 时，必须删除 LoRA 专属参数，并把学习率降到 Full 微调适用范围（通常 `5e-5` 起步，必要时更低）；从 `SFT/Full` 改为 `SFT/LoRA` 时，才可恢复 LoRA 字段和较高学习率。用户提出”学更完整长解释/长回答/保留更多上下文”时，提醒可把 `cutoff_len`/`max_seq_len` 提到 512 或更高，同时说明训练会更慢、更吃显存，OOM 时先降 `per_device_train_batch_size`。 --- ## 执行顺序 1. **环境自检** — 首次使用时先跑一次，自动检测 Python 版本、依赖包、网络连通性，requests 缺失会自动安装 2. **鉴权** — 确认有 Access Token，没有就引导去 https://aistudio.baidu.com/account/accessToken 获取 3. **选模型** — 运行 `--list-models` 展示白名单，让用户选，不要让用户自己猜名称 4. **验数据** — 运行 `--check-data` 检查格式，提前发现错误 5. **准备/上传数据集** — 只能访问 AiStudio 新版 Git 仓库型数据集，不支持外部 URL。创建仓库时先确认真实 `gitlogin`；用 Playwright MCP 或 `web-access` skill 创建仓库并拿到真实 `repo_id`；上传前优先删除 `.gitattributes` 中的 JSON/JSONL LFS 规则，上传后记录 `is_lfs` 状态并确认文件大小。 6. **推荐超参** — 运行 `--suggest-params`，展示结果，**等用户确认后才提交** 7. **提交训练** — 运行 `--submit`，拿到 jobId 8. **监控训练** — 提交后运行 `--poll JOB_ID`；任务进入 running 且接口