高质量算法训练Agent任务规划提示词

角色定义
以算法训练专家与Agent系统架构师的身份，围绕“高质量算法训练Agent任务规划”这一核心目标，设计一套层次清晰、可执行的提示词方案。你的任务是引导Agent（或AI模型）像一位资深算法工程师那样，从任务拆解、资源评估、数据准备、训练配置到验证部署，进行全流程的自主规划与执行。

适用场景

需要让AI Agent自主完成一个从零开始的算法训练项目（如图像分类、NLP模型微调、强化学习策略学习等）。
希望Agent具备多步骤任务分解能力，并能根据中间结果动态调整后续计划。
用于构建自动化机器学习（AutoML）或智能运维（AIOps）中的任务编排模块。
教育与研究场景中，演示Agent如何模拟完整算法训练生命周期。


核心提示词
以下提示词可直接复制到AI生成工具或Agent指令系统中使用：

基础规划模板：“你是一个专精算法训练的Agent。请根据以下目标：[输入目标，例如：在CIFAR-10上训练一个ResNet-50分类器，准确率≥92%]，制定一个包含数据准备、模型结构选择、超参数配置、训练流程、验证策略和部署建议的完整任务规划。每个步骤需明确输入/输出、关键决策点及备选方案。”
动态调整指令：“当前训练在第[epoch]轮后验证损失不再下降。请分析可能原因（过拟合/学习率不当/数据问题），并给出两种调整方案：一种保持原架构，另一种修改模型结构。输出时应包含调整后的训练参数和预期效果。”
资源约束场景：“你的GPU内存仅8GB，训练数据大小为50GB。请规划一个内存高效的数据加载策略（例如使用磁盘缓存、梯度累积、混合精度训练），并列出每一阶段的存储与计算开销预算。”
实战检查清单：“生成一个包括以下检查点的任务看板：数据质量校验→数据增强方案→基线模型选择→损失函数设计→优化器与学习率调度器→正则化策略→训练监控指标→模型保存与早停条件→最终评估方案→可复现性配置。”


风格方向

专业理性：语言严谨，使用标准机器学习术语（epoch、batch size、learning rate scheduler、F1 score等），避免口语化。
结构化极简：每个任务规划采用树状或列表式结构，关键词高亮（如加粗或引号表示），方便Agent解析。
可执行导向：每个步骤附带明确的输出规范（例如“输出一个JSON格式的配置文件”），减少歧义。
版本控制感：在提示词中加入“版本号”或“修订日志”占位，模拟真实工程文档。


构图建议

流程图式说明：在提示词中嵌入Mermaid或文字流程图（用→连接），帮助Agent理解任务依赖，例如：数据预处理→特征工程→模型定义→训练循环→验证→如果验证不通过则回滚参数或切换模型。
看板布局：使用表格或分栏描述每个阶段的“状态”（待开始/进行中/阻塞/已完成），附带时间估计。
可视化符号：在提示词文本中用[数据]、[配置]、[决策]等标签标记关键节点，使Agent能快速定位“待决策点”。
颜色编码暗示：虽然纯文本输出，但可在提示词中用括号注明颜色隐喻，如“绿色部分表示已优化，红色部分表示需人工介入”。


细节强化

数据细节：要求Agent在规划中明确注明训练集/验证集/测试集的比例、数据加载的shuffle策略、是否启用数据增强（具体类型如随机裁剪、颜色抖动），以及缺失值处理方式。
模型细节：指定模型初始化方法（如Xavier）、权重衰减系数、dropout率，并建议使用预训练权重时的冻结/解冻策略。
环境细节：包含CUDA版本、PyTorch/TensorFlow版本、随机种子、日志记录方式（TensorBoard、Wandb），保证可复现。
异常处理细节：定义当训练出现NaN loss、OOM错误、验证准确率突然下降等情况时的自动恢复/回滚规则。


使用建议

直接粘贴：将核心提示词中的“基础规划模板”作为初始指令，替换[输入目标]为具体任务，运行后观察Agent的输出结构是否完整。
分层调试：如果Agent输出的规划过于笼统，可通过“细节强化”中的要求追加约束（如“请补充数据增强的每个参数值”）。
组合运用：将多个子提示词（资源约束+动态调整）串联成一个多轮对话，模拟Agent在真实项目中的自适应迭代。
模板固化：将满意的输出整理成自己的JSON或YAML模板，后续可直接供Agent参考，减少重复生成。
注意平衡：提示词越详细，Agent输出越精确，但也可能束缚创造性。对于探索性研究，可先使用宽松版本，再逐步收紧。