从 vibe coding agent 到后训练，从零开始的实验科学
💡
原文中文，约6800字，阅读约需17分钟。
📝
内容提要
与做Agent的朋友交流后，发现主Agent需维护状态机以追踪环境状态，但常遇到指令遵循和状态记忆丢失的问题。考虑通过后训练让模型学习状态机描述，以提升决策效率。在开发辅助A股投资的Agent时，发现多轮交互处理困难，需要更好的调试工具。最终通过后训练提升了模型表现，获得了完整的训练体验。
🎯
关键要点
- 主Agent需要维护状态机以追踪环境状态和行为，但常遇到指令遵循和状态记忆丢失的问题。
- 考虑通过后训练让模型学习状态机的形式化描述，以提升决策效率。
- 在开发辅助A股投资的Agent时，发现多轮交互处理困难，需要更好的调试工具。
- 调试工具MoonPalace能够捕获完整请求信息，帮助分析模型行为。
- 缺乏有效的调试工具，尤其是对于多轮对话的Agent。
- 通过后训练提升了模型表现，但推理能力和工具使用能力之间存在矛盾。
- 尝试使用RL训练模型，发现reward标准差低，模型不学习。
- 实现NGRPO方法来提高训练效果，最终模型在测试集上的表现提高到85%。
- 对后训练过程有了完整的体验，感受到框架的便利性和实验的乐趣。
➡️
