SkillPoison: Progressive Skill Poisoning via Successful Experiences

Dieses Repository enthält die Implementierung von SkillPoison, einer Pipeline für die Formationsphase, mit der verifizierte erfolgreiche Erfahrungen konstruiert und in Formationsdatensätzen organisiert werden.

Repository-Struktur

.
├── assets/
│   └── framework.png
├── configs/
│   └── main.yaml
├── core/
│   ├── hts/
│   ├── legsa/
│   ├── gctir/
│   ├── utils/
│   ├── config.py
│   └── pipeline.py
├── prompts/
│   ├── legsa/
│   ├── target_audit.txt
│   ├── counterfactual_generation.txt
│   └── counterfactual_audit.txt
├── scripts/
│   └── run_skillpoison.py
├── .env.example
├── requirements.txt
└── README.md

core/ enthält die Implementierung von HTS, LEGSA und GCTIR; prompts/ speichert die modellseitigen Prompt-Vorlagen; configs/ speichert die Experimenteinstellungen; und scripts/run_skillpoison.py ist der Haupteinstiegspunkt für die Ausführung.

Installation

Python 3.10 oder höher wird empfohlen.

python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

Modellkonfiguration

Legen Sie den Modell-Endpunkt vor einem Live-Lauf fest:

export MODEL_API_KEY="your-api-key"
export MODEL_BASE_URL="https://your-endpoint/v1"
export MODEL_NAME="your-model-name"

Eine Vorlage für Umgebungsvariablen ist in .env.example enthalten.

Konfiguration

Die Hauptkonfigurationsdatei ist:

configs/main.yaml

Sie legt das Ausgabeverzeichnis, die Modelleinstellungen, das Zielverhalten, das Embedding-Modell, die HTS-Schwellenwerte, das LEGSA-Prompt-Verzeichnis und die GCTIR-Formationseinstellungen fest.

Eingabeformat

Die Pipeline akzeptiert JSON- oder JSONL-Eingaben. Verwenden Sie für JSON eine experiences-Liste:

{
  "experiences": [
    {
      "id": "example_001",
      "category": "category_name",
      "task_text": "task input",
      "solution": "externally verified solution",
      "trajectory": {
        "task_input": "task input",
        "model_output": "recorded successful output"
      },
      "requirement_checks": [true],
      "verified_success": true,
      "output_format": "text"
    }
  ]
}

Jeder Kandidat sollte eine eindeutige id, Aufgaben-/Kategorieinformationen, eine aufgezeichnete erfolgreiche Trajektorie, Verifikationsergebnisse und ein Ausgabeformat (text, json oder python) enthalten.

Ausführung

python scripts/run_skillpoison.py \
  --config configs/main.yaml \
  --input /path/to/candidate_experiences.json \
  --out outputs/run

Die Pipeline führt Folgendes aus:

Candidate Experiences
        ↓
       HTS
        ↓
      LEGSA
        ↓
      GCTIR
        ↓
Formation Records

--out überschreibt das in configs/main.yaml angegebene Ausgabeverzeichnis.

Ausgabe

Ein Standardlauf schreibt:

outputs/run/
├── selection_audit.json
├── formation_records.json
└── run_summary.json

• selection_audit.json: Ergebnisse der Kandidatenauswahl und -validierung.
• formation_records.json: endgültige Formationsdatensätze.
• run_summary.json: Laufstatistiken, Konfiguration und Nutzungszusammenfassung.

Replay-Modus

Für eine deterministische erneute Ausführung aus aufgezeichneten Zwischenartefakten:

python scripts/run_skillpoison.py \
  --config configs/main.yaml \
  --input /path/to/replay_input.json \
  --out outputs/replay \
  --replay

Die Replay-Eingabe muss bereits die von der Pipeline benötigten aufgezeichneten Artefakte enthalten.