SFT与工具轨迹监督

SFT教的是被监督的行为

监督微调用合格输入与目标输出训练模型，适合稳定字段抽取、领域格式、工具选择、证据不足时退让和教学提示风格。它不保证模型学会最新法律事实或未来价格，也不替代检索权限。先明确要减少的稳定行为错误，确保样本目标比当前输出更可靠，而非仅因文字漂亮就进入训练。

多步Agent需要对齐真实协议

完整轨迹要保留工具请求、结果和恢复的关系，并与线上chat template及schema一致。检查assistant-only或completion-only等loss masking是否实际生效，尤其不要让模型背诵工具返回中的私人事实。用于SFT的失败案例应改成正确处理过程；未纠正错误可作诊断或偏好负例，不能不加区分作为正向示范。

训练参数跟随学习曲线

固定基座revision、tokenizer、数据manifest、模板、代码和依赖，记录序列长度、batch、学习率、epoch、精度、seed、资源和费用。先在小规模高质量样本上观察学习曲线，避免用固定“几千条就够”取代任务分析。验证格式、工具行为、拒答和跨域能力，训练loss下降仅说明拟合目标改善。

用完整Harness决定是否有价值

比较base加原prompt、base加改进prompt、SFT候选加相同prompt，在同一任务、数据和预算下多次运行。检查未见任务、严重错误、人工修订、成本和P95；训练之后仍可能依赖旧工具协议而退化。发布包含基座、adapter、模板与serving配置，量化或合并adapter后重新评测。TRL文档提供训练接口，实际业务效果须通过自己的合同验证。