drost-ai/tinker-ai-skill

项目介绍

这个仓库把一套 Agent Skill 打包成完整微调流水线：收集 Claude Code 会话记录，做规范化与匿名化，按模型上下文长度切片，构建监督微调数据集，在 Tinker 上训练 LoRA，采样检查点，合并适配器，最后导出为 llama.cpp 可运行的量化 GGUF。目标是让模型贴合自己的仓库、约定和调试方式。

作者称这套方法是其 Tess 系列模型的产出流程，Tess-4-27B 与 Tess-4.5-27B 的权重和 GGUF 版本已在 Hugging Face 发布 (10)。仓库交付物包括九步 SKILL.md、十一个小脚本、六份参考笔记，以及不接触真实数据的合成会话生成器 (17)。

适合已经在使用 Claude Code（或能按文档格式输出消息记录的其他 Agent）、并且愿意为 Tinker 训练 token 付费的开发者。

快速使用

作为技能安装时，克隆目录名必须是 tinker-ai-skill，git clone 默认会得到这个名字。Claude Code 的个人目录是 ~/.claude/skills/tinker-ai-skill/；Codex 用 ~/.agents/skills/tinker-ai-skill/，OpenCode 用 ~/.config/opencode/skills/tinker-ai-skill/ (24)。

README 提供了一个只使用合成数据的五分钟试跑流程 (20)：

git clone https://github.com/drost-ai/tinker-ai-skill.git ~/.claude/skills/tinker-ai-skill
cd ~/.claude/skills/tinker-ai-skill
uv venv && source .venv/bin/activate && uv pip install -r requirements.txt

python scripts/make_sample_transcript.py --out ./demo-claude-projects --turns 14 --long-results
python scripts/collect_sessions.py   --claude-dir ./demo-claude-projects --data-dir ./demo-data --min-bytes 1000
python scripts/normalize_sessions.py --data-dir ./demo-data
python scripts/anonymize_sessions.py --data-dir ./demo-data --name "Taylor Quintrell"
python scripts/build_dataset.py      --data-dir ./demo-data --model Qwen/Qwen3.6-35B-A3B --max-len 8192 \
                                     --system-prompt-file assets/system-prompt.md
python scripts/train_tinker.py       --data-dir ./demo-data --name qwen3.6-35b-a3b-8k

最后一条命令不带 --train 时是离线冒烟测试，会打印解码后的训练样本、token 数和解析后的配置；加上 --train 才真正启动 Tinker 训练，之后由 export_checkpoint.py 和 make_gguf.sh 产出 GGUF (22)。

处理真实会话前，README 建议先延长 Claude Code 的记录保留期（在 ~/.claude/settings.json 中设 "cleanupPeriodDays": 3650，默认 30 天会删除会话），把 .env.example 复制为 .env 并填入 TINKER_API_KEY 与 WANDB_API_KEY，再按 identity.example.json 编写 identity.json 供匿名化使用 (23)。

使用约束

• 需要 Python 3.11+ 和 uv（或 pip）、tinker-cookbook>=0.6.0 与 wandb。
• Tinker API key 是必需的，W&B key 可选但建议配置；第 8–9 步还需要已编译的 llama.cpp，以及容纳基座模型和合并后副本的磁盘空间 (28)。
• Tinker 按 token 计费。按 2026 年 11 月价格，约 100 行（约 5M token）的数据在 Qwen3.6-35B-A3B 上单轮训练约 6 美元，约 1,000 行（约 45M token）约 55 美元 (26)。冒烟测试会在付费启动前打印 token 数，当前价格见价目表。
• 非 Claude Code 的会话需要先按文档中的消息格式输出，然后从第 2 步继续 (28)。
• 匿名化脚本设计为发现泄漏时直接失败，而不是写出带泄漏的文件；data/、demo-*/、runs/、export/、wandb/ 和 .env 已被 git 忽略，但训练前仍应人工检查匿名化后的样本 (35)。
• 项目采用 MIT 许可证，作者为 Migel Tissera；Tinker 与 tinker-cookbook 是 Thinking Machines Lab 的产品，本技能是基于它们构建的独立指南 (36)。

HotRepo 点评

仓库没有记录到 GitHub 日榜名次，唯一的快照是 2026-11-08 的新项目记录：106 个 Star、19 个 Fork，全部集中在 2026-11-07T16:50Z 到 2026-11-08T00:45Z 约八小时的窗口内。仅一天、一份快照不足以判断趋势，更有参考价值的是内容规模本身：从数据收集到量化部署的九步流水线、脚本、参考笔记和合成数据试跑路径，加上作者已公开发布的 Tess 权重，构成了一套可核查的方法，而不是泛泛的 SFT 教程。对考虑用自己编程会话做自托管微调的人，这些是值得进一步评估的依据。