agente-fase2-dataset: Build Phase 2 v1 training dataset from sanitized sources and synthetic seeds

+12568

4 Commits

Author	SHA1	Message	Date
aleleba	3f14aa5cec	Fase 2: 06_validate_dataset.py - validacion con tokenizer/chat_template real (1470/1470 ok, 0 excepciones, 0 filtrados, 0 secretos) El chat_template.jinja de produccion no tiene tags {% generation %}, por lo que return_assistant_tokens_mask salia vacio para el 100% de los ejemplos en el primer run. Se genero data/chat_template_train.jinja (copia exacta del template real, con {%- generation -%} envolviendo solo el contenido/tool_calls/im_end de cada turno assistant) para el fallback de masking ya anticipado en la Decision de diseno #4 del plan principal -- el chat_template.jinja original no se toca, sigue siendo el que sirve produccion.	2026-07-29 00:56:23 +00:00
aleleba	ab5d78b5c8	Fase 2: 05_build_dataset.py - ensamblado v1 (1470 ejemplos: 750 nuevos + 720 replay, split 90/10 estratificado por bucket)	2026-07-29 00:50:10 +00:00
aleleba	73e7f721cd	Fase 2: seeds de los 6 buckets (294 ejemplos: penpot 41, otros_mcps 102, skills_adherencia 55, delegacion_subagentes 25, negativos 46, manejo_errores 25)	2026-07-29 00:49:25 +00:00
aleleba	837f91060f	Fase 2: 04_sanitize.py - scrubbing de secretos de skills/agentes/plans (10 secretos unicos, gate en verde)	2026-07-29 00:35:59 +00:00

agente-fase2-dataset: Build Phase 2 v1 training dataset from sanitized sources and synthetic seeds #1