Agent skill
writing-plans
This skill should be used when the user asks to "write a plan", "create training plan", "plan my fine-tuning", "make a plan for model training", or when starting a new training task that requires multiple steps. Creates detailed implementation plans with bite-sized tasks for LLM fine-tuning workflows.
Install this agent skill to your Project
npx add-skill https://github.com/p988744/nlp-skills/tree/main/skills/writing-plans
SKILL.md
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
Recommended Agent Skills
Expand your agent's capabilities with these related and highly-rated skills.
p988744/nlp-skills
finetune-llm
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」
p988744/nlp-skills
data-pipeline
This skill should be used when the user asks to "configure data source", "data from database", "fetch data from API", "scrape web data", "generate training data with LLM", "regenerate data", "data pipeline", "where does data come from", or needs to set up reproducible data collection. Provides data source configuration, reproducibility tracking, and data regeneration capabilities.
p988744/nlp-skills
task-manager
This skill should be used when the user asks to "list tasks", "show all tasks", "compare versions", "switch to task X", "task status", "version history", "what tasks do I have", or needs to manage multiple training tasks. Provides multi-task management, version tracking, and performance comparison capabilities.
p988744/nlp-skills
executing-plans
This skill should be used when the user asks to "execute plan", "run the plan", "start executing", "continue plan execution", or has a plan file ready to execute. Manages phased implementation with batch execution and checkpoint reviews.
p988744/nlp-skills
llm-coach
This skill should be used when the user asks to "train a model", "fine-tune", "build NLP model", "create training task", "optimize model performance", "improve accuracy", "what model should I use", or expresses vague training needs like "I want to do sentiment analysis" or "help me with NER". Provides coaching-style guidance to clarify goals, diagnose pain points, and recommend optimal training approaches.
p988744/nlp-skills
llm-knowledge
This skill should be used when the user asks "what is LoRA", "compare models", "which model is best for Chinese", "SFT vs DPO", "how to handle overfitting", "class imbalance solution", "model architecture", "training method comparison", or needs reference information about LLM fine-tuning. Provides structured knowledge base for models, methods, architectures, and troubleshooting.
Didn't find tool you were looking for?