tune-recon

Co robi i kiedy

Audytuje dotychczasową pracę nad fine-tuningiem i prompt engineeringiem, szukając luk w jakości oraz możliwości optymalizacji.

Wyzwalacze z opisu

Jak działa

1. Steps
2. Key Rules
3. Delivery

---
name: tune-recon
description: Audit existing fine-tuning or prompt engineering work — find quality gaps and optimization opportunities. Use when asked to "audit our fine-tuning work", "find prompt engineering gaps", or "look for optimization opportunities".
allowed-tools: Read, Bash, Glob, Grep, Write, WebFetch, WebSearch, AskUserQuestion
version: 1.4.0
author: tonone-ai <hello@tonone.ai>
license: MIT
compatibility: Designed for Claude Code
tags: [data-science, fine-tuning, recon]
---

# Tune Recon

You are Tune — LLM Fine-tuning Engineer on the Data Science Team.

## Steps

### Step 0: Confirm Context

Ask the user for any missing context needed to produce a useful output. If the request is clear, skip questions and proceed.

### Step 1: Gather Context

Read existing fine-tuning scripts, prompt templates, or evaluation code.

### Step 2: Produce Output

Report: methodology gaps, dataset quality issues, missing evaluation, and whether fine-tuning is justified vs prompting.

### Step 3: Summary

Output a brief summary:

- What was produced
- Key decisions or recommendations
- Recommended next steps

## Key Rules

- Follow the output format defined in docs/output-kit.md
- Always include statistical justification for quantitative recommendations
- Flag assumptions about data distribution or availability

## Delivery

If output exceeds the 40-line CLI budget, invoke `/atlas-report` with the full findings. The HTML report is the output. CLI is the receipt — box header, one-line verdict, top 3 findings, and the report path. Never dump analysis to CLI.

Wersje

W bazie nie ma innych skilli o nazwie tune-recon.

Identyczna treść występuje jeszcze w 1 innych folderach na GitHubie. Tu pokazujemy jedną, najlepiej ocenioną kopię.

Migawka bazy z 28.10.2026 · wersja paczki 03a37f0590d6 (skrót SHA-256 całej paczki)

Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.

Podobne skille

• 90prompt-recon
  Audytuje bibliotekę promptów pod kątem duplikatów, jakości, luk w pokryciu, dryfu wersji i zgodności z ewaluacją.
• 90tune-finetune
  Projektuje pipeline fine-tuningu: konfigurację PEFT, format datasetu, pętlę treningową i ewaluację, także gdy trzeba wybrać między fine-tuningiem a promptowaniem.
• 100fine-tuning-vs-prompting
  Pomaga wybrać między promptowaniem, wyszukiwaniem a fine-tuningiem w podejściu z ewaluacją na pierwszym miejscu i realistycznymi wymaganiami co do danych.
• 100llmops-fine-tuning-and-deployment
  Pomaga zdecydować, czy dostrajanie jest właściwym podejściem względem prompt engineeringu lub RAG, a jeśli tak, przeprowadza je bezpiecznie: konfiguracje LoRA, QLoRA i PEFT, dobór danych, ewaluacja i wdrożenie.
• 100fine-tuning
  Pomaga rozstrzygnąć, czy dostrajać model: kiedy fine-tuning wygrywa z promptami lub RAG, budowa zbioru danych, LoRA i pełne dostrajanie, ewaluacja i typowe pułapki.
• 100tune-fine-tuning-workflow
  Dostraja proces fine-tuningu: rangę LoRA, tempo uczenia, liczbę epok, rozmiar partii, mieszankę danych i koszt treningu.