GRPO 微调技能（Qwen3 / Fireworks）
用一句自然语言任务描述和数据集，即可在 Fireworks 托管 GPU 上启动 GRPO 强化学习微调，全程无需手动配置训练脚本。
密钥从本地.env加载，奖励函数在GPU消费前经过验证且向用户展示并等待确认，属正面证据；但技能要求以硬编码消息伪造式地直接打印检查点输出（如Training complete），与真实状态可能脱节，且run_pipeline自动启动付费GPU训练（30-60分钟），无显式成本确认和回滚机制，依赖的外部cookbook代码未随附，数据流（上传数据集到Fireworks）披露有限。
奖励验证器（generate_reward.py）设计良好，含探测输入和自测，失败信息清晰；但run_pipeline.py依赖相对路径./cookbook/training/training.recipes.rl_loop，该代码未包含在技能文件中，静态看关键路径不可复现；数据集轮询无超时上限，异常处理（如凭据缺失）薄弱。
description声称通用GRPO微调（任意任务+数据集），但reward.py被硬编码为发票四字段schema且禁止修改，与通用性声明明显矛盾；触发条件描述较具体，但能力边界未声明；核心功能完全依赖Fireworks和OpenRouter等海外付费API，无中文支持，对中国大陆用户有成本和可达性摩擦。
仓库MIT许可、README结构清晰、技能文件分层（SKILL.md+三个脚本）、有内嵌自测和使用说明，属可读可用；但技能本身无版本/变更记录，依赖隐藏假设（.env、cookbook目录、notebook已运行），缺FAQ和已知限制披露。
对发票抽取这一具体用例，流程（验证奖励→上传→GRPO训练→评估→演示）逻辑完整且有边际价值；但奖励为schema-only且硬编码到发票schema，通用微调场景需用户大改，SKILL.md还禁止修改，输出直接可用性受限，无静态可验证的结果证据。
仅静态审查：generate_reward含可执行的契约验证逻辑和SELF_TESTS设计，属部分可审计材料；但该技能无提交的测试套件或CI覆盖其关键路径，训练/部署结果不可独立复现，性能声明无第三方佐证。
- SKILL.md要求直接打印预设检查点消息，可能掩盖真实训练状态，使用时应以API实际返回为准。
- run_pipeline会自动启动付费GPU训练（30-60分钟），启动前请确认成本并预留7200秒以上超时。
- 技能依赖未随附的cookbook/training代码和预置数据集ID，静态看可能无法直接运行，需先核对依赖。
- reward.py硬编码发票schema且被禁止修改，通用任务需谨慎评估适用性。
- 完全依赖Fireworks/OpenRouter等海外付费服务，中国大陆用户需评估可达性与成本。
这个 Skill 能做什么，适合哪些场景？
这是 AI Engineering Hub 仓库中的一个技能，专门用于 GRPO 强化学习微调。用户提供任务描述和数据集（.l 格式）后，技能会自动生成基于 JSON Schema 校验的奖励函数 reward.py，与用户确认后调用 Fireworks 托管 GPU 运行完整训练流水线。训练完成后模型自动部署，并输出准确率结果。整个过程预设了固定的奖励逻辑，用户可以编辑但需自行把握风险。
技能触发后先读取用户任务描述并抽样 3-5 行 .l 数据集，确认提示格式和是否有金标准答案字段；随后生成固定的 reward.py（评分规则：合法且符合 Schema 的 JSON 得 1.0 分，合法 JSON 但字段不符得 0.5 分，非 JSON 得 0.0 分），展示给用户并等待确认；通过 generate_reward.py --validate 校验通过后，后台运行 run_pipeline.py，在 Fireworks GPU 上训练并在结束时自动在样例发票上运行 agent 演示，逐步输出数据集就绪、训练开始、部署完成和准确率等检查点信息。
- 想让模型学会从文本中抽取发票字段（vendor/date/amount/currency）并输出结构化 JSON 的工程师
- 有分类或打分任务数据集，想用强化学习而非监督微调来对齐输出格式的从业者
- 已有 .l 训练/评估数据，希望一句话描述任务就完成端到端 GRPO 训练的用户
- 使用 Qwen3 等开源模型并希望借助 Fireworks 托管 GPU 而非自建训练集群的团队
- 想学习 GRPO 微调流程（奖励函数设计、训练、部署、评估）的学习者
这个 Skill 有哪些优点和局限？
- 从自然语言任务描述到训练完成的端到端流程，几乎无需手写训练代码
- 奖励函数带有内置自测用例并通过 --validate 前置校验，降低运行时报错风险
- 训练在 Fireworks 托管 GPU 上进行，完成后自动部署并在样例发票上运行演示
- 检查点实时逐条输出，训练进度透明可见
- 奖励函数被强制固定为发票抽取的 JSON Schema 版本，SKILL.md 明确要求不得添加值匹配、ground_truth 比对或字段级评分，对非抽取类任务适配性受限
- 强依赖 Fireworks 和 OpenRouter 两个付费/注册服务，未提及本地或自托管训练选项
- 训练耗时长（30-60 分钟以上），需自行调高超时设置，默认 10 分钟超时会中断
- 未提供独立的测试套件；除样例发票演示外，泛化效果无公开评估数据
- 准确率指标来源完全依赖流水线自身输出，无第三方验证
如何安装这个 Skill？
该技能位于 patchy631/ai-engineering-hub 仓库的 grpo-finetuning-qwen3/agent-skill/grpo-finetune/ 目录。仓库整体采用 MIT 许可证，获取方式为克隆该仓库：git clone https://github.com/patchy631/ai-engineering-hub。SKILL.md 未说明单独的安装脚本；前提是在当前目录的 .env 中配置 FIREWORKS_API_KEY、FIREWORKS_ACCOUNT_ID 和 OPENROUTER_API_KEY（若配套 notebook 已运行过则无需额外设置）。具体的 Agent Skills 客户端安装位置文档未说明。
如何使用这个 Skill？
1) 准备好任务描述和 .l 数据集；2) 用类似「帮我在这个数据集上微调一个模型来抽取发票信息」的自然语言触发技能（无需点名 GRPO 或 Fireworks）；3) 查看技能生成的 reward.py，若你对「好输出」的定义不同可编辑，确认后继续；4) 校验必须输出 PASS；5) 运行 run_pipeline.py，注意训练需 30-60 分钟以上，超时应设为至少 7200 秒，检查点信息会实时逐条输出。
这个 Skill 与同类方案有什么区别？
同一仓库的 DeepSeek-finetuning 等项目走的是 Unsloth 监督微调路线，而本技能采用 GRPO 强化学习并以 JSON Schema 校验作为奖励信号，适合关注输出格式合规而非纯模仿训练数据的场景。