🚀 训练引擎吃得到数据、评得出好坏——企业异构数据(CSV/Excel/DB/API)经质量闸门进训练集,训练连着评估出报告,FDE 六引擎让方法论变成可执行工具。
TL;DR (EN): Training pipeline with data versioning + eval-in-the-loop for enterprise data (CSV/Excel/DB/API), plus six MCP-native FDE engines — methodology as executable tooling. 76 MCP tools, 2903 tests, MIT.
⚡ Install / Upgrade
# 新装(五形态任选:FDE 插件 / Skill / MCP / CLI / GitHub Action)
curl -fsSL https://raw.githubusercontent.com/KongFangXun/sofagent/main/install.sh | bash
# 已装用户升级到本版
npx @sofagent/audit@1.4.2 --doctor
# GitHub Action(PR 自动审计)
uses: KongFangXun/sofagent@v1.4.2
🔨 核心变更
📊 训练数据管道与版本
- 企业数据 → 训练集管道(
train_dataset_ingest等 MCP tool,CSV/Excel/JSON/文本 + PG/MySQL/REST 多源,CSV 类型推断端到端) - 训练集版本管理(dataset_version 台账三件套:指纹冻结 + 不可变 + 续跑版本锁,两版 diff)
🎯 训练评估闭环
- 训练中 eval 闭环(
train_eval_submit,阈值判定双态,不 eval 的训练是盲训) - 训练 dry-run 显存估算(单调性外推 + ScaleRL sigmoid 拟合建议,失败前预防)
- 训练报告
train_report(客户可读 Markdown+JSON 双产物归档,量化四字段 ROI)
🛠️ 训练环境与运维
- train env / train doctor(执行面前置,doctor 基线显性 fail +
--baseline子命令) - 训练异常退出资源回收四步链(S330 行为锁)
🧩 FDE 六引擎工作台
- 方法论 → 可执行引擎:
fde_interview/fde_classify/fde_quantify/fde_derive/fde_distill/fde_deploy(全部 MCP tool 化,data/fde/ 结构化资产 + 独立 fde-audit HMAC 留痕) - 入门:FDE 方法论 · WIKI 全局索引
📡 IM 桥远程指挥
- dsh-im 指南 + install.sh 可选分支(默认关/失败不阻断/不代装 DSH 三纪律)——无头设备 FDE 标准执行通道
🔒 BugFix(上版遗留)
- 四轮 16 视角审查 30 项全修:commit-msg 三层防线(P0)/ A2 密钥盲区补四类 / dataDir SSOT 收编 11 处 / webhook 脱敏 / 空白折叠
⚠️ 破坏性变更
升级必读——两条,第二条有迁移命令。
- MCP 工具数 67→76(新增 fde 六件 + 训练三件,全量见
AGENTS.md「MCP 全量工具表」) - doctor 基线缺失从「首跑自动记录」改为显性报错:如遇
doctor: baseline missing,执行npx @sofagent/audit@1.4.2 train doctor --baseline显式建立后重跑
🔗 深入了解
| 想看什么 | 链接 |
|---|---|
| 全部变更明细 | CHANGELOG |
| 上手指南 | HANDBOOK |
| 有问题 / 晒场景 | Discussions · good first issues |
| npm 包 | @sofagent/audit · @sofagent/fde · 共 13 包(npm) |