Spec Agent 合训
目标:联合 Spec Model、Judge Model 和 Fix Model,使 Agent 能生成 Spec,并自主判断何时执行 Judge、Fix 和停止,最终准出可指导 Code Agent 的 Spec。
当前状态:角色边界和依赖链路已明确,尚未形成完整的冻结训练协议与受控 E2E 结果。目前应作为目标架构管理,而不是已完成能力。
前置门槛:稳定 Rubric、可验证 Judge、可量化 Fix pass@1、路由/停止决策标注、统一 SDK/Judge runtime 锁文件。
当前材料
- SpecAgent 与 CodeAgent 的训练和交付总览:团队级飞书原文,说明 Query/Spec 数据治理、Spec Agent 与 Code Agent 的训练清单、线上接口及 Spec Judge;其中 Code Agent 属于相邻执行层。
- Spec Agent 训练链路:从数据合成到 SFT/RFT/DPO
- SFT OOD 遗忘实验复盘:SpecDoc 长结构化生成的 checkpoint 选点与 OOD probe 证据。
- RL 训练指标与泛化概念总结:基于实际 RL 训练面板,区分含 KL 惩罚的训练目标、纯奖励评估以及 train/valid/test 的角色。
- 多维表格 Mid-Train 专题资料包:包含主原稿、深度解析及其引用背景;记录 CPT 1,859、主 SFT 65,971、Spec Review 候选 122 及 lineage/manifest 缺口。相关数据规模属于相邻 Mid-Train 事实,不等同于 Spec Agent 已完成合训。
- Query → SpecDoc → Code 的 Agentic RL 设计调研:飞书原文,覆盖两阶段 MDP、奖励、信用分配与按需 Spec 门控。
- 方舟 Agent RL 与精调 SDK 资料包:方舟平台能力、Agent RL Rollout / Grader 最佳实践及 SDK 合同;作为合训工程载体参考,不代表当前已完成训练。
- ReAct 轨迹构建与后训练指南:通用方法参考。
相邻团队实践
- 多维表格 CodeAgent 训练体系与 Auto-Thinking 资料包:飞书原始方案、用户提供的完整解析稿与符号速查同目录保存,属于相邻 CodeAgent 后训练;用于思考门控、轨迹标注和奖励设计对照,不并入 Spec Agent 实验事实。
- Merlin 小模型训练操作原文:只作为训练平台操作依据,不代表 Spec Agent 已完成训练。
通用训练方法放在 bytetech-community/AI工程/框架与调研;本目录只维护 Spec Agent 的方案、实验和证据。