高策
·
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和行为，但常遇到指令遵从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，发现多轮交互难以处理，需要更好的调试工具。最终通过后训练提升了模型表现，体验了后训练的过程。
🎯
关键要点
- 主Agent需要维护状态机以追踪环境状态和行为，但常遇到指令遵从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，发现多轮交互难以处理，需要更好的调试工具。
- 使用MoonPalace工具进行调试，能够捕获完整请求信息，帮助定位问题。
- 缺乏有效的调试工具，尤其是对于多轮交互的Agent，调试过程复杂。
- 通过vibe coding实现了一个简单的调试器，记录请求信息以便分析。
- 最初使用ReAct实现Agent，但换用小模型后完成率下降，推理能力不足。
- 尝试使用SFT进行后训练，发现推理和工具使用的能力互相干扰。
- 开始尝试RL训练，使用GRPO方法，调整超参数以提高训练效果。
- 实现NGRPO方法以提高奖励方差，训练效果显著提升。
- 通过这个实验对后训练过程有了完整的体验，感受到框架的便利性。
❓
延伸问答
主Agent在决策过程中面临哪些主要问题？
主Agent面临指令遵从问题和状态记忆丢失的问题。
后训练如何提升模型的决策效率？
后训练可以让模型学习状态机的形式化描述，从而提升决策效率。
在开发A股投资Agent时遇到了哪些调试挑战？
多轮交互难以处理，缺乏有效的调试工具使得调试过程复杂。
MoonPalace工具的主要功能是什么？
MoonPalace工具能够捕获完整请求信息，帮助定位问题，适合调试Agent。
使用小模型进行推理时遇到了什么问题？
换用小模型后，完成率下降，推理能力不足，尤其在区分港股和A股时。
NGRPO方法在训练中有什么优势？
NGRPO方法通过添加虚拟满分样本来增加奖励方差，从而提升训练效果。
➡️
