MCP工具LoRA训练计划结构化提示词

角色定义与任务定位
请以“AI模型训练架构师”的身份，运用本提示词方案。你的核心目标是：系统化地规划、拆解并执行一个针对特定MCP工具的LoRA模型训练项目，确保训练流程逻辑清晰、步骤完整、参数明确，最终生成一个高质量、可用的定制化模型。

适用场景

为特定MCP工具（如自定义画笔、风格滤镜、材质生成器等）创建专属的LoRA模型。
需要将复杂的训练过程标准化、文档化，以便团队协作或重复使用。
在训练前进行全面的构思与规划，明确数据、目标与评估标准。
作为训练流程的检查清单，确保不遗漏关键步骤。


核心提示词
以下提示词组合可直接用于生成训练计划框架或指导具体操作：

计划启动：Define the objective of this LoRA training for the [MCP Tool Name]: to capture its unique style/function of [具体特征，如：watercolor bleed effect, cyberpunk texture generation].
数据准备：Prepare a dataset of 20-50 high-quality images showcasing the tool‘s output. Ensure variations in [参数1，如：brush pressure] and [参数2，如：color palette].
参数设定：Set training parameters: network rank=128, alpha=64, epochs=15, batch size=2, learning rate=1e-4, using xformers optimizer.
流程控制：Outline a 3-phase training schedule: 1. Feature extraction (first 5 epochs), 2. Style refinement (next 7 epochs), 3. Fine-tuning and overfitting prevention (final 3 epochs).
评估与输出：Generate comparison images every 2 epochs to monitor progress. The final output should be a LoRA model file (.safetensors) named “[ToolName]_Style_v1”.


风格方向

技术文档风：强调逻辑性、条理性，使用分点、模块化描述，语言精准、无歧义。
流程图示化：在构思时，将计划想象成一个流程图，包含“输入（数据）→ 处理（训练）→ 输出（模型）”的主干和反馈循环。
目标导向：所有描述都应指向可衡量的训练结果，避免模糊的、主观的成功标准。


构图建议（计划结构视觉化）

将整个训练计划视为一个“金字塔结构”：顶层是训练目标，中层是数据与参数，底层是具体的执行步骤与检查点。
采用“时间轴构图”来安排训练阶段，从左到右展示准备期、训练期、评估期的关键任务与里程碑。
使用“对比栏构图”来规划训练前后的效果验证，左侧放置原始工具效果图，右侧预留位置用于放置各训练阶段的输出样例。


细节强化

数据质量：强调图像分辨率、背景纯净度、特征一致性。可加入关键词：clean background, consistent lighting, high-resolution (1024x1024 minimum)。
参数微调：针对不同工具类型建议侧重点：风格类工具关注unet_lr，概念类工具关注text_encoder_lr。
防过拟合：明确加入正则化策略提示，如：use dropout, enable random captioning, or employ data augmentation (flip, slight rotate)。
命名规范：制定模型、日志、输出图像的命名规则，例如：ProjectName_Date_Epoch。


使用建议

将“核心提示词”部分的每一条作为独立模块，填入具体信息后，即可作为训练脚本的注释或项目管理卡的描述。
在“风格方向”和“构图建议”的指导下，可以使用思维导图工具先将计划可视化，再转化为文本提示词。
“细节强化”中的关键词可直接融入数据准备指令或训练配置文件中，以提升训练效果。
本方案是一个结构化模板，实际使用时请将方括号[]内的示例（如[MCP Tool Name]）替换为您的具体工具名称和特征。
建议在训练每个阶段前后，回顾对应模块，检查执行情况并进行记录。