从问题案例到训练数据

何时使用

• 生产出现 bad case：用户纠正、点踩、事后审计发现失败轨迹，想把它变成后训练输入
• 判断某类失败该修 Harness/工具/tokenizer，还是值得投入训练
• 构造 DPO 偏好对、轨迹前缀回归任务、决策边界示范
• 决定一个失败案例该进 SFT 数据、DPO 偏好对、PRM 负标签还是 RLVP 惩罚规则
• 训练后验证修复效果，担心"修好一个、弄坏一片"
• 从运行轨迹中提取可学习信号，而不是只存一个总分

核心原则

• 归因到首个错误步骤，不是整条轨迹。 以 Coding Agent "过早结束"为例：读代码、改代码可能都没错，错的是"在缺乏证据时下结论"那一个决策边界。归因记录必须落到这一步，训练数据才能对着它构造。
• 失败轨迹不应直接当作正确的 SFT 示范。 它的正确用法是：构造偏好对、发现任务覆盖缺口，或补上诊断与修复后再加入训练。
• 判定必须靠模型写不了的机制。 "是否完成"要由隐藏测试、状态断言或外部终止钩子给出；测试必须读取真实文件或环境状态，不能只检查模型是否说了"已完成"，否则模型会学会口头承诺验证而不真正验证。
• 边界集与保留集缺一不可。 边界集（任务未完成）看模型是否选择继续验证而非宣称完成；保留集（任务已完成）看模型是否仍能正常收尾。只盯边界集会把模型训练成永远不敢结束的过度矫正状态：每个任务都无限验证下去，延迟与成本崩溃。这是"改动不能破坏既有行为"在参数层面的版本。
• 训练与评估严格隔离。 训练集与评估集必须是不同的任务、不同的参数、不同的模板组合；参考解法、隐藏测试和验证器反馈不能泄露给模型。隔离规则应由单元测试强制检查，而不是靠人记得。
• 先排除非模型原因。 沿"文件原始字节 → 工具返回 → Harness 序列化 → 模型上下文 → 模型 token 输出 → 解码字符串 → JSON/tool-call 解析 → 工具匹配"逐层对比。只有模型收到的上下文与原始字符串完全一致、而模型输出是链路上首个出现差异的位置，才能标为模型能力问题。否则修工具/Harness/tokenizer，修完再看还剩多少。
• 小数据 DPO 必须混入通用任务数据。 案例数量少时，按小配比混入通用任务做 LoRA 微调，避免把"逢收尾必验证"学成新的过拟合，也降低灾难性遗忘风险。
• 学习信号必须带证据。 单一总分无法指出该改哪里。可供学习的评价至少包含：任务成功/部分成功/失败、每个维度各自的结论、每条结论对应的证据位置（哪一轮对话、哪一次工具调用）、失败的类型标签。验证器还应被允许在证据不足时拒绝评分——低置信度案例应排除在学习集之外，而不是当作事实固化。

实践模式

完整链路：失败归因 → 双集验证

① 采集与归因。 从用户纠正、点踩、事后审计三类生产信号收集失败轨迹，按错误分类定位首个错误步骤并记录错误类别。轨迹前缀回归任务就是从这个决策边界截取的。

② 分流：该不该训练。 先问 prompt、工具、代码约束、上下文管理能否解决；再沿字节链路排除工具/Harness/tokenizer 问题。都不要动权重时就不训练。

③ 选训练形态。 按第七章评估数据集的类型映射到第八章用法：

你手上的材料	训练用法
端到端回归任务（含验证器）	RL rollout 任务与可验证奖励（RLVR）；拒绝采样（RFT）的采样池
轨迹前缀回归任务	DPO 偏好对、决策边界的 SFT 示范、On-Policy Distillation 的教师状态
失败归因记录（首个错误步骤与错误类别）	过程监督的负标签（PRM）、RLVP 路径惩罚的规则来源
Rubric 多维评分与人工金标集	向量奖励的各维度、生成式奖励模型（GRM）的训练与校准数据

④ 截取轨迹前缀，构造偏好对。 在决策边界上截出"准备宣称完成"的轨迹前缀：rejected 是过早结束的错误行为，chosen 是"先运行测试、逐条核对验收条件，再下结论"的期望行为。chosen 由教师模型生成，再经规则验证器过滤（拒绝采样）。案例太少时用数据扩充（换任务类型、换缺失的验证项、换完成措辞）形成数百条偏好对。失败原因、适用条件和验证器应随样本保存，方便追溯和复查。

⑤ LoRA DPO 训练。 小配比混入通用任务数据防过拟合。参考配置：Qwen2.5-7B-Instruct + bf16 LoRA、4 epochs、学习率 3e-5、单卡约 24GB 显存。训练回执记录配置、数据哈希与时间戳。

⑥ 双集验证。 对未完成任务集和已完成任务保留集分别让模型给出"下一步动作"，判定属于"宣称完成"还是"继续验证"：

• 未完成任务集的过早结束率 —— 训练后应下降
• 已完成任务保留集的正常收尾率 —— 训练后应保持
• 过度矫正率 = 1 − 正常收尾率 —— 应维持在低位

优先采用格式固定、与训练提示一致的候选比较（固定两个候选动作，比较模型更偏好哪一个，直接测量决策边界），而不是开放式自由生成。同时抽查通用能力，确认 LoRA 补丁没有破坏其他能力。

⑦ 记录与追溯。 训练数据与评估集分开保存；数据构造有确定性模板和教师模型两条路径时，两条都留证据回执。

案例参照：Coding Agent 过早结束（实验 8-17）

配套数据：24 条轨迹前缀 bad case，覆盖四类过早结束——未跑测试就宣称完成、多目标只完成一部分、声称完成但验收条件未满足、遇错放弃宣称不可能（含删除失败测试/skip 等 reward hacking 变体）；与训练数据严格隔离的留出评估集为 boundary 12 条 + retention 8 条。

实测结果：基座在固定候选比较的未完成任务集上选对 3/12（25.0%），已完成任务保留集 8/8（100%）；LoRA DPO 后分别为 11/12（91.7%） 和 8/8（100%）。自由生成是补充诊断：过早结束 1/12→0/12，但正常收尾 6/8→0/8——说明小数据 DPO 会让模型在开放式回答里过于谨慎，因此主要结论只采用候选比较口径，不能外推成线上总体成功率提升。

同一个问题还有 RL 分支：把"宣称完成前必须跑通验收测试"写成可验证奖励，测试对模型不可见，模型宣称完成时才运行，通过 +1、不通过 −1。

另外两类常见案例的处理差异

• 规则类反馈（如"中文直引号应统一为弯引号"）：期望描述不是可直接训练的规则，同一个引号在中文自然语言、英文原文、Markdown 行内代码、代码块、注释、JSON、路径中角色完全不同。正确做法是作用域敏感的最小编辑：先把规则写成可审计的 Skill（正例覆盖需转换的中文段落与中文注释，反例覆盖英文原文、字符串字面量、JSON、路径、行内代码），它同时作为合成数据的标签依据、训练后的回归规范和规则变更时的重训输入。
• byte-exact 复制类（如 edit_file 的 old_string 匹配失败）：把复制任务抽象成三个可验证任务——直接逐字复述、在相似且等长的多个字符串中选择完全相同的目标、把指定字符串完整抄写到 old_string 工具参数。样本特意包含真实编辑最容易损坏的空格、换行、反斜杠、Unicode 组合字符。训练后要用独立 tokenizer 审计排除词元化造成的假象：若 round-trip 上限本身就是 80.1%，模型测到 80.1% 就不能算作纯能力提升。

从运行轨迹中提取学习信号（三层验证）

评价一条轨迹实质是依次回答三个问题：事情是否办成了、是否以允许的方式办成、是否让用户舒服。

• 底层结果验证器——读测试结果、数据库状态、工具返回。这类信号来自环境真实状态，比模型对自己行为的描述可靠，是三层中最应优先建立的一层。
• 中间过程验证器——检查业务规则、权限和动作序列，区分"结果已达成"与"结果以允许的路径达成"。删除失败测试用例也能让测试通过；口头承诺也能得到暂时满意。政策库、权限表与动作轨迹均可精确表达，因此这层同样可以由代码判定。
• 上层质量验证器——是否耐心、是否提供合规变通、文本是否自然简洁。用 LLM-as-a-Judge 加预定义 Rubric，要求逐项给分并引用轨迹证据。

输出形态决定它能否成为学习信号：单一总分只能反映一次运行的优劣。四项内容（成败判定、每维度结论、证据位置、失败类型标签）齐备，后续才能判断该更新知识、提示词、程序还是模型参数。

常见陷阱

• 把失败轨迹直接当正确示范训练，把错误行为固化进参数。
• 只优化边界集，不看保留集，把模型训成永远不敢收尾的过度矫正状态。
• 训练集与评估集共享任务或参数，评估失去独立性；隔离规则要由测试强制，不靠人记得。
• 用模型自述当完成判定，模型很快学会"口头声称去验证"而不真的验证。
• 把系统层损坏误报为后训练收益：直接复述探针正确但工具调用仍失败时，该修的是 Harness 或工具协议。
• 把 tokenizer/序列化损坏误判为模型复制能力不足，训练前先做独立 tokenizer round-trip 审计。
• 案例太少又不做扩充，几条偏好对撑不起一个决策边界；或扩充时只换措辞不换任务类型与缺失验证项。
• 小数据 DPO 不混通用数据，学出"逢 X 必 Y"的新过拟合并带来灾难性遗忘。
• 低置信度结论进入学习集，错误经验和提示注入被固化并在后续任务持续放大。
• 把开放式自由生成当主要验收口径——小数据 DPO 下自由生成会过度保守，格式固定的候选比较才与训练提示一致。

配套代码

• chapter8/premature-completion-dpo/ — 全书唯一从生产 bad case 出发的训练实验：24 条 bad case、boundary 12 + retention 8 留出评估集、隐藏测试；python demo.py 离线端到端演示，python -m pytest -q test_pipeline.py 机制单元测试，python build_preference_data.py 生成偏好对（--teacher 走教师模型拒绝采样路径），python train_dpo.py --smoke 数据/tokenizer 前向检查，python train_dpo.py 单卡 LoRA DPO，python evaluate.py --decision-score 双集候选比较评估，python train_grpo_optional.py 同一问题的可选 RL 分支。
• chapter8/curly-quote-sft/ — 规则类反馈的另一种监督目标：先写 SKILL.md 规范，再结构化合成数据做作用域敏感 SFT。
• chapter8/exact-copy-sft/ — byte-exact 复制 SFT，含 tokenizer_audit.py 排除词元化假象。
• chapter8/cot-distillation/ — "生成候选—验证过滤—只留正确轨迹"的拒绝采样流水线范例。

深度阅读

• book/chapter8.md「从问题案例到后训练」
• book/chapter8.md「SFT 数据合成：从示范到可训练轨迹」
• book/chapter8.md「奖励设计：如何把任务目标变成学习信号」
• book/chapter9.md「从运行轨迹中获得学习信号」