wuyang6
142 lines
7.3 KiB
Markdown
142 lines
7.3 KiB
Markdown
---
|
||
name: online-mining
|
||
description: 历史版线上挖掘 skill，已停用；新任务请使用 online-mining-v2。
|
||
when_to_use: 不再用于新任务；保留此文件仅用于查看旧 parquet 挖掘流程说明。
|
||
aliases: badcase-mining, router-mining
|
||
allowed_tools: read_file, grep_search, glob_search
|
||
---
|
||
|
||
> 这个 skill 是历史版实现，依赖的 router-session 平台工具已经下线。
|
||
> 新的线上挖掘任务请使用 `online-mining-v2`，通过 skill 内脚本和 `elk-fetch` 能力完成。
|
||
|
||
使用这个 skill 处理“badcase 或标签定义 -> 挖掘策略 -> 候选召回 -> 抽样 review -> 策略迭代 -> mined dataset”的工作流。
|
||
|
||
## 输出目录约束
|
||
|
||
所有线上挖掘产物必须放在当前用户当前会话的 output 目录下。不要把 records、候选样本、策略说明、review 报告或中间结果写到项目根目录的 `output/`、`tasks/`、`src/`、`skills/` 或其他源码目录。
|
||
|
||
落盘规则：
|
||
|
||
- canonical records 必须用 `data_agent_export_dataset_records` 导出，`output_path` 固定传 `output/records.jsonl`。工具会把它路由到当前会话 `output/records.jsonl`，展示给用户时以工具返回的实际路径为准。
|
||
- 不要用 `write_file` 手写 records、JSONL 或最终样本文件。
|
||
- 如果系统提示词提供了“会话 scratchpad 目录”，当前会话 output 目录就是该 scratchpad 的同级 `output` 目录。例如 `.../<session_id>/scratchpad` 对应 `.../<session_id>/output`。
|
||
- 如果需要保存策略草案、候选样本、review 报告等非 records 产物，只有在已经拿到或能从 scratchpad 推导出当前会话 output 目录的实际路径时，才可以用 `write_file` 写入该目录下的稳定文件名；否则只在对话中展示，不要猜测路径。
|
||
- 不要按数据集名创建子目录，不要自定义时间戳、中文专题名、随机文件名或临时脚本名。
|
||
- 用户显式指定外部输出目录时，先复述风险并确认；未确认前仍使用当前会话 output 目录。
|
||
|
||
## 两条分支
|
||
|
||
线上挖掘后必须先判断用户要的是哪条分支。
|
||
|
||
### 分支 A：线上候选直接作为数据样本
|
||
|
||
当用户说“把筛选出的数据变成样本”“拿这些线上数据做评测集”“保留这批线上 case”“导出候选样本”时，走这个分支。
|
||
|
||
流程：
|
||
|
||
1. 用 `data_agent_profile_router_sessions` 查看数据概貌。
|
||
2. 用 `data_agent_search_router_sessions` 按策略召回线上候选。
|
||
3. 用 `data_agent_sample_router_candidates` 抽样展示给用户 review。
|
||
4. 根据用户 review 意见形成 include/exclude/uncertain 决策和目标标签。
|
||
5. 用 `data_agent_convert_router_candidates_to_records` 把线上候选直接转换为 canonical records。
|
||
6. 如果用户要求落盘，用 `data_agent_export_dataset_records` 导出紧凑 JSONL，`output_path` 固定传 `output/records.jsonl`。不要用 `write_file` 手写最终 records。
|
||
|
||
这个分支不生成新 query，不调用数据生成计划工具，不调用 dataset draft 归一化工具。
|
||
|
||
### 分支 B：基于线上问题再生成补充数据
|
||
|
||
当用户明确说“生成/扩写/构造/造一批类似 case/补充训练数据”时，才走这个分支。
|
||
|
||
流程：
|
||
|
||
1. 先完成线上召回、抽样和 review。
|
||
2. 总结线上问题模式和需要覆盖的边界。
|
||
3. 再切换到数据生成流程，创建待 review 的 generation goal 和 generation plan。
|
||
4. 用户确认后才生成 draft，并转换为 canonical records。
|
||
|
||
如果用户只是要求“把线上数据作为样本”，不要进入这个分支。
|
||
|
||
## 输入假设
|
||
|
||
用户可能会提供：
|
||
|
||
- 产品或标签定义
|
||
- 线上 badcase 样例
|
||
- 期望/正确 label
|
||
- 线上预测 label
|
||
- query、tts、agent type、function name、垂域、设备、日期、模型版本或其他元数据
|
||
|
||
线上字段和允许使用的筛选条件还没有最终确定。
|
||
|
||
## 必要工作流
|
||
|
||
1. 读取用户提供的 badcase 或定义文件。
|
||
2. 分析 badcase 共性：
|
||
- query 模式
|
||
- label 混淆
|
||
- agent/function 类型
|
||
- 垂域
|
||
- 如存在，分析设备/日期/模型等元数据
|
||
3. 起草带明确筛选条件的挖掘策略。
|
||
4. 当筛选条件不清或影响较大时，先请用户 review，再做宽泛线上召回。
|
||
5. 只使用批准的工具检索或请求候选数据。
|
||
6. 先抽取小批 review 样本，通常约 100 条。
|
||
7. 总结样本命中率和主要 false positive 模式。
|
||
8. 根据结果调整策略，并按需重复。
|
||
9. 最终产出以下一种或多种：
|
||
- 线上问题评估报告
|
||
- 专项评测集候选
|
||
- 专项 badcase 集合
|
||
- 训练候选数据
|
||
|
||
## 当前工具状态
|
||
|
||
当前先使用已有工具完成本地分析和策略起草：
|
||
|
||
- `read_file`
|
||
- `write_file`：只用于用户明确要求保存非 records 文档，并且路径已经明确位于当前会话 output 目录时；不要写项目根目录、`tasks/` 或源码目录。
|
||
- `edit_file`：只用于修改用户明确指定的已有文档；不要用它移动或重写最终数据产物。
|
||
- `grep_search`
|
||
- `glob_search`
|
||
- `ask_user_question`
|
||
- `data_agent_profile_router_sessions`：读取 `/data/online_data/router_session_parquet/date=YYYYMMDD/` 的小样本概貌，查看 schema、设备、轮次、domain、intent、func 等分布。
|
||
- `data_agent_search_router_sessions`：按日期、设备、domain、intent、func、query 关键词/正则、轮次数等条件召回线上 session 候选；输出命中 turn、前文 turn、req_id 和 action_json 解析结果。
|
||
- `data_agent_sample_router_candidates`：对召回候选做稳定抽样，并输出 review 需要的基础统计。
|
||
- `data_agent_convert_router_candidates_to_records`：把 review 后的线上候选直接转换为 canonical records；用于“线上数据作为样本”的分支。
|
||
- `data_agent_export_dataset_records`：后续把 review 后的线上候选转换为 canonical records 后落盘；默认紧凑 JSONL，固定传 `output/records.jsonl`，不要再用 `write_file` 手写 records 文件。
|
||
|
||
TODO：后续规划中的专用工具：
|
||
|
||
- `analyze_badcases`
|
||
- `build_mining_strategy`
|
||
- `create_annotation_batch`
|
||
- `read_annotation_result`
|
||
- `evaluate_mining_precision`
|
||
- `refine_mining_strategy`
|
||
- `export_mined_dataset`
|
||
|
||
不要手写 raw SQL，也不要用宽泛 shell 命令进行数据检索。
|
||
|
||
## 推荐产物
|
||
|
||
```text
|
||
output/source_context.md
|
||
output/badcase_analysis.md
|
||
output/mining_strategy.md
|
||
output/candidate_sample.jsonl
|
||
output/review_report.md
|
||
output/mined_candidates.jsonl
|
||
output/records.jsonl
|
||
```
|
||
|
||
上面的 `output/...` 是逻辑文件名，实际路径必须是当前会话 output 目录下的路径。对 canonical records，只能通过 `data_agent_export_dataset_records` 写 `output/records.jsonl`，由工具返回实际落盘路径。
|
||
|
||
## 约束
|
||
|
||
- 除非批准的工具输出已经脱敏，否则不要导出敏感线上原始字段。
|
||
- 不要把第一版挖掘策略当成最终策略。
|
||
- 始终让筛选条件和抽样决策可 review。
|
||
- 只有用户明确要求生成、扩写或构造新数据时，才进入数据生成分支。
|
||
- 如果用户要求把筛选出的线上候选变成样本，必须先使用 `data_agent_convert_router_candidates_to_records`，不要改走 generation goal/plan。
|
||
- 任何落盘动作都必须遵守“输出目录约束”；路径不明确时，宁可只展示摘要并询问用户，也不要写到项目目录。
|