快速开始（推荐）

• 同步测试脚本（以 README 为真源）：

python scripts/tests/generate_test_scripts.py

• 跑全量（不依赖 LLM prompt）：

./scripts/tests/full_generate_test.sh

• 跑单文件 Demo（不依赖 LLM prompt）：

./scripts/tests/single_generate_test.sh

• 覆盖默认变量（任意脚本前加环境变量即可）：
  • 示例：WORKERS=64 RAW_ROOT=/path/to/data ./scripts/tests/full_generate_test.sh

---

流程概览（原始轨迹 ➜ 混淆 ➜ MCQ ➜ 组装）

• 生成/准备轨迹：parquet → jsonl（generate_toucan.py）
• 统计与 alias：抽取函数签名/元数据、生成 alias（function_stats.py --alias-output）
• 混淆：用 alias 重写工具/函数名（obfuscate_jsonl.py）
• 基于混淆数据重建统计 + 参数池（function_stats.py + build_param_pool.py）
• 生成 MCQ（脚本模式：build_has_api_script.py；全量批处理：batch_generate.py）
• 组装对话+MCQ（assemble_toucan.py）

data/demo/ 内是最小可跑样例：所有 “single” 默认输出到 ${DEMO_DIR}。

---

命令清单（README 为真源，自动生成 scripts/tests/*_generate_test.sh）

下面这段 bash 代码块会被 scripts/tests/generate_test_scripts.py 解析：

• # vars：会写入生成的 .sh 顶部（默认值可被环境变量覆盖）
• # full / # single：各自进入对应脚本
• # online：会被跳过（只做文档示例）
• # test：只做说明，不进入脚本

展开：用于自动生成测试脚本的命令（# vars / # full / # single）

# vars
WORKERS="${WORKERS:-32}"

# full pipeline roots
RAW_ROOT="${RAW_ROOT:-Toucan-1.5M/Toucan-1.5M}"
OBF_ROOT="${OBF_ROOT:-data/Toucan-1.5M-obf}"
GENERATE_ROOT="${GENERATE_ROOT:-data/Toucan-1.5M-generate}"

# stats outputs
STATS_DIR="${STATS_DIR:-stats}"
STATS_RAW_CSV="${STATS_RAW_CSV:-${STATS_DIR}/function_stats_raw.csv}"
STATS_RAW_JSON="${STATS_RAW_JSON:-${STATS_DIR}/function_stats_raw.json}"
ALIAS_JSON="${ALIAS_JSON:-${STATS_DIR}/function_alias.json}"
STATS_CSV="${STATS_CSV:-${STATS_DIR}/function_stats.csv}"
STATS_JSON="${STATS_JSON:-${STATS_DIR}/function_stats.json}"
PARAM_POOL="${PARAM_POOL:-${STATS_DIR}/param_pool.json}"

# stage2 / ablation knobs (assemble_toucan.py)
TASK_SELECT_TAG="${TASK_SELECT_TAG:-<TASK=SELECT>}"
ANSWER_REDACT="${ANSWER_REDACT:-none}" # none|redact|drop
MCQ_SUBSAMPLE="${MCQ_SUBSAMPLE:-1}"  # 0..1 (default: 90% records keep MCQs)
MCQ_SUBSAMPLE_SEED="${MCQ_SUBSAMPLE_SEED:-0}"
MCQ_TAG="${MCQ_TAG:-}"                 # e.g. "[MCQ]" (empty disables)
EMIT_NO_MCQ_TAG="${EMIT_NO_MCQ_TAG:-0}" # 0|1 (1 emits [NO_MCQ] marker on no-MCQ records)
RANDOM_ALIAS_PER_RECORD="${RANDOM_ALIAS_PER_RECORD:-1}" # 0|1
RANDOM_ALIAS_SEED="${RANDOM_ALIAS_SEED:-0}"
EMIT_LOSS_MASK_TAGS="${EMIT_LOSS_MASK_TAGS:-0}" # 0|1 (wrap context blocks with loss_mask=0 tags)
LOSS_MASK0_BEGIN_TAG="${LOSS_MASK0_BEGIN_TAG:-<LOSS_MASK=0>}"
LOSS_MASK0_END_TAG="${LOSS_MASK0_END_TAG:-</LOSS_MASK=0>}"
SPLIT_SHARDS="${SPLIT_SHARDS:-0}"      # 0|1
SPLIT_SHARDS_FLAG=""
if [ "${SPLIT_SHARDS}" = "1" ]; then
  SPLIT_SHARDS_FLAG="--split-shards"
fi
EMIT_METADATA="${EMIT_METADATA:-0}"    # 0|1 (1=emit)
EMIT_METADATA_FLAG=""
if [ "${EMIT_METADATA}" = "1" ]; then
  EMIT_METADATA_FLAG="--emit-metadata"
fi
EMIT_QUESTION_QUALITY="${EMIT_QUESTION_QUALITY:-0}"  # 0|1 (1=emit)
EMIT_QUESTION_QUALITY_FLAG=""
if [ "${EMIT_QUESTION_QUALITY}" = "1" ]; then
  EMIT_QUESTION_QUALITY_FLAG="--emit-question-quality"
fi
EMIT_RESPONSE_QUALITY="${EMIT_RESPONSE_QUALITY:-0}"  # 0|1 (1=emit)
EMIT_RESPONSE_QUALITY_FLAG=""
if [ "${EMIT_RESPONSE_QUALITY}" = "1" ]; then
  EMIT_RESPONSE_QUALITY_FLAG="--emit-response-quality"
fi
EMIT_NO_MCQ_TAG_FLAG=""
if [ "${EMIT_NO_MCQ_TAG}" = "1" ]; then
  EMIT_NO_MCQ_TAG_FLAG="--emit-no-mcq-tag"
fi
RANDOM_ALIAS_PER_RECORD_FLAG=""
if [ "${RANDOM_ALIAS_PER_RECORD}" = "1" ]; then
  RANDOM_ALIAS_PER_RECORD_FLAG="--random-alias-per-record"
fi
EMIT_LOSS_MASK_TAGS_FLAG=""
if [ "${EMIT_LOSS_MASK_TAGS}" = "1" ]; then
  EMIT_LOSS_MASK_TAGS_FLAG="--emit-loss-mask-tags"
fi

# demo (single) paths
DEMO_DIR="${DEMO_DIR:-data/demo}"
DEMO_PARQUET="${DEMO_PARQUET:-Toucan-1.5M/Toucan-1.5M/Kimi-K2/train-00000-of-00040.parquet}"
DEMO_RAW_JSONL="${DEMO_RAW_JSONL:-${DEMO_DIR}/toucan_raw.jsonl}"
DEMO_PRETTY_TXT="${DEMO_PRETTY_TXT:-${DEMO_DIR}/toucan.txt}"
DEMO_JSONL="${DEMO_JSONL:-${DEMO_DIR}/toucan.jsonl}"
DEMO_API_AVAILABLE="${DEMO_API_AVAILABLE:-${DEMO_DIR}/toucan_api_available.jsonl}"
DEMO_API_PARAMS="${DEMO_API_PARAMS:-${DEMO_DIR}/toucan_api_params.jsonl}"
DEMO_API_PARAM_VALUES="${DEMO_API_PARAM_VALUES:-${DEMO_DIR}/toucan_api_param_values.jsonl}"

# ---------- full: end-to-end (no prompt) ----------
# full
python scripts/data_preprocess/generate_toucan.py \
  -i "${RAW_ROOT}" --drop-non-utf8 --workers "${WORKERS}"

# full
python scripts/analysis/function_stats.py \
  -i "${RAW_ROOT}" \
  -o "${STATS_RAW_CSV}" \
  --meta-output "${STATS_RAW_JSON}" \
  --alias-output "${ALIAS_JSON}" \
  --workers "${WORKERS}"

# full
python scripts/data_preprocess/obfuscate_jsonl.py \
  -i "${RAW_ROOT}" \
  -o "${OBF_ROOT}" \
  --alias "${ALIAS_JSON}" \
  --alias-scope global \
  --workers "${WORKERS}"

# full
python scripts/analysis/function_stats.py \
  -i "${OBF_ROOT}" \
  -o "${STATS_CSV}" \
  --meta-output "${STATS_JSON}" \
  --workers "${WORKERS}"

# full
python scripts/data_preprocess/build_param_pool.py \
  -i "${OBF_ROOT}" \
  -s "${STATS_JSON}" \
  -o "${PARAM_POOL}" \
  --workers "${WORKERS}"

# full
python scripts/build_has/batch_generate.py \
  -i "${OBF_ROOT}" \
  -o "${GENERATE_ROOT}" \
  -s "${STATS_JSON}" \
  --workers "${WORKERS}" \
  --param-pool "${PARAM_POOL}"

# full
python scripts/data_postprocess/assemble_toucan.py \
  -i "${OBF_ROOT}" \
  -m "${GENERATE_ROOT}" \
  --workers "${WORKERS}" \
  --task-select-tag "${TASK_SELECT_TAG}" \
  --answer-redact "${ANSWER_REDACT}" \
  --mcq-tag "${MCQ_TAG}" \
  ${EMIT_NO_MCQ_TAG_FLAG} \
  ${RANDOM_ALIAS_PER_RECORD_FLAG} \
  --random-alias-seed "${RANDOM_ALIAS_SEED}" \
  ${EMIT_LOSS_MASK_TAGS_FLAG} \
  --loss-mask0-begin-tag "${LOSS_MASK0_BEGIN_TAG}" \
  --loss-mask0-end-tag "${LOSS_MASK0_END_TAG}" \
  --mcq-subsample "${MCQ_SUBSAMPLE}" \
  --mcq-subsample-seed "${MCQ_SUBSAMPLE_SEED}" \
  ${SPLIT_SHARDS_FLAG} \
  ${EMIT_METADATA_FLAG} \
  ${EMIT_QUESTION_QUALITY_FLAG} \
  ${EMIT_RESPONSE_QUALITY_FLAG}

# ---------- single: demo (no prompt) ----------
# single
python scripts/data_preprocess/generate_toucan.py \
  -i "${DEMO_PARQUET}" \
  --sample-size 1 \
  --seed 23 \
  --drop-non-utf8 \
  -o "${DEMO_RAW_JSONL}"

# single
python scripts/analysis/pretty_toucan.py \
  -i "${DEMO_RAW_JSONL}" \
  -n 1 > "${DEMO_PRETTY_TXT}"

# single
python scripts/data_preprocess/obfuscate_jsonl.py \
  -i "${DEMO_RAW_JSONL}" \
  -o "${DEMO_JSONL}" \
  --alias "${ALIAS_JSON}" \
  --alias-scope global

# single
python scripts/build_has/build_has_api_script.py \
  -i "${DEMO_JSONL}" \
  -s "${STATS_JSON}" \
  -o "${DEMO_API_AVAILABLE}" \
  --mode available \
  --negatives 12

# single
python scripts/build_has/build_has_api_script.py \
  -i "${DEMO_JSONL}" \
  -s "${STATS_JSON}" \
  -o "${DEMO_API_PARAMS}" \
  --mode params \
  --negatives 5

# single
python scripts/build_has/build_has_api_script.py \
  -i "${DEMO_JSONL}" \
  -s "${STATS_JSON}" \
  -o "${DEMO_API_PARAM_VALUES}" \
  --mode param_values \
  --negatives 5 \
  --param-pool "${PARAM_POOL}"

# single
python scripts/data_postprocess/assemble_toucan.py \
  -i "${DEMO_DIR}" \
  -m "${DEMO_DIR}" \
  --task-select-tag "${TASK_SELECT_TAG}" \
  --answer-redact "${ANSWER_REDACT}" \
  --mcq-tag "${MCQ_TAG}" \
  ${EMIT_NO_MCQ_TAG_FLAG} \
  ${RANDOM_ALIAS_PER_RECORD_FLAG} \
  --random-alias-seed "${RANDOM_ALIAS_SEED}" \
  ${EMIT_LOSS_MASK_TAGS_FLAG} \
  --loss-mask0-begin-tag "${LOSS_MASK0_BEGIN_TAG}" \
  --loss-mask0-end-tag "${LOSS_MASK0_END_TAG}" \
  --mcq-subsample "${MCQ_SUBSAMPLE}" \
  --mcq-subsample-seed "${MCQ_SUBSAMPLE_SEED}" \
  ${SPLIT_SHARDS_FLAG} \
  ${EMIT_METADATA_FLAG} \
  ${EMIT_QUESTION_QUALITY_FLAG} \
  ${EMIT_RESPONSE_QUALITY_FLAG}

# ---------- optional / docs-only ----------
# test
python scripts/data_postprocess/assemble_toucan.py \
  -i "${OBF_ROOT}" \
  -m "${GENERATE_ROOT}" \
  --workers "${WORKERS}" \
  --passthrough-only

# online
python scripts/build_has/batch_generate.py \
  -i "${OBF_ROOT}" \
  -o data/has_prompt_batch \
  -s "${STATS_JSON}" \
  --prompt-mode \
  --prompt-limit 10 \
  --prompt-temperature 0.4 \
  --prompt-max-tokens 512

# online
python scripts/build_has/build_has_api_prompt.py \
  -i "${DEMO_JSONL}" \
  -s "${STATS_JSON}" \
  -o data/demo/has_prompt_toucan.jsonl \
  --temperature 0.4 \
  --max-tokens 512

---

关键脚本与常用参数（速查）

• scripts/data_preprocess/generate_toucan.py：parquet → jsonl

  • -i/--input：parquet 文件或目录
  • -o/--output：输出 jsonl（不指定时按脚本默认路径）
  • --workers：并行度
  • --sample-size / --seed：抽样（demo 用）
  • --drop-non-utf8：过滤不可编码内容

• scripts/analysis/function_stats.py：统计函数/工具元数据，可生成 alias

  • -i：输入 jsonl 文件或目录
  • -o：输出 csv
  • --meta-output：输出 json（schema/meta）
  • --alias-output：输出 alias map（从 raw 构建时用）
  • --workers：并行度

• scripts/data_preprocess/obfuscate_jsonl.py：按 alias 混淆 jsonl

  • -i / -o：输入/输出（文件或目录）
  • --alias：alias map 路径
  • --alias-scope {global,record}：alias 作用域（默认 global；record 会对每条 record 重新随机一套 alias）
  • --emit-alias-map <dir>：当 --alias-scope record 时可选开启：输出逐行对齐的 alias 日志（供后续构池做反映射聚合）
  • --workers：并行度（目录模式）

• scripts/data_preprocess/build_param_pool.py：构建参数值池（供 param_values 负样本）

  • -i：混淆后的 jsonl（文件或目录）
  • -s：function_stats.json
  • -o：param_pool.json
  • --alias-log-dir <dir>：可选：指向 obfuscate_jsonl.py --emit-alias-map <dir> 产出的日志目录；会把 func_xxx -> 原始函数名 映射回 canonical 后再聚合，避免 key 爆炸
  • --workers：并行度

• scripts/build_has/build_has_api_script.py：生成单文件 MCQ（demo）

  • --mode：available | params | param_values
  • --negatives：负例数量
  • --param-pool：param_values 模式需要

• scripts/build_has/batch_generate.py：全量批处理生成 MCQ（无 prompt 或 prompt）

  • --workers：并行度（脚本模式）
  • --param-pool：参数池
  • --prompt-mode：启用 prompt 生成（串行更适合小规模）
  • --prompt-limit / --prompt-temperature / --prompt-max-tokens：prompt 控制

• scripts/data_postprocess/assemble_toucan.py：将轨迹 + MCQ 拼装为训练格式

  • -i/--conv-root：对话根目录
  • -m/--mcq-root：MCQ 根目录
  • --workers：并行度
  • --answer-redact {none,redact,drop}：控制是否输出 Answer: 行（默认 drop；训练版建议 redact 或 drop）
  • --mcq-subsample <p>：按 uuid 确定性下采样 MCQ 注入比例（0..1，默认 1）
  • --mcq-subsample-seed <n>：下采样随机种子（用于可复现）
  • --mcq-tag "<tag>"：每个 MCQ block 前插入一行 tag（样式隔离/检索；空字符串等价于不输出）
  • --emit-no-mcq-tag：对无 MCQ 的 record 插入 [NO_MCQ] marker（用于 shard 标记/下游过滤）
  • --random-alias-per-record / --random-alias-seed <n>：记录级随机 alias，覆盖 Available tools / MCQ / function_call.name（默认开启；如需关闭用 --no-random-alias-per-record）
  • --no-random-alias-per-record：关闭记录级随机 alias（默认开启）
  • --emit-alias-map-dir <dir>：输出“记录级随机 alias”的对齐日志（默认：<mcq_root>/alias_logs/assemble/；文件名：<conversation_filename>.alias_map.jsonl，逐行记录 {uuid, line_index, alias_map{original->alias}}），便于从 assembled 中反查原名
  • --no-emit-alias-map：关闭上述 alias 日志输出（默认开启；仅在 --random-alias-per-record 时生效）
  • --emit-loss-mask-tags：对“只读/上下文块”包一层 <LOSS_MASK=0> ... </LOSS_MASK=0>（便于下游做 token loss mask）
  • --loss-mask0-begin-tag / --loss-mask0-end-tag：自定义 loss_mask=0 标签
  • --split-shards：分 shard 输出 *_mcq_assembled.* 与 *_no_mcq_assembled.*
  • --emit-metadata / --emit-question-quality / --emit-response-quality：如需保留 Metadata: / Question/Response quality assessment: 段落（默认不输出）
  • --passthrough-only：不注入 MCQ，仅做 UTF-8 严格写出（消融/对比）
  • --no-text-output：只输出 jsonl，不写 txt
  • --show-function-name：MCQ 题头展示函数名（默认隐藏）

---

HAS-API 题型策略（脚本模式细节）

生成逻辑集中在 scripts/build_has/build_has_api_script.py：

1. available 模式

   • 仅在 assistant 且包含 function_call 的消息上出题。
   • 先使用 available_tools 中的真实候选，再补充同 family / 语义相近 alias 作为干扰项。
   • 输出格式为 alias_name，不含描述，防止模型通过原名记忆。

2. params 模式

   • 根据 function_stats.json 中的 JSON Schema 解析必填字段。
   • 正确选项是所有 required 参数集合；干扰项包括缺失必填、加入额外 optional、或单字段组合。

3. param_values 模式

   • 真值来自实际 function_call.arguments（字符串先 json.loads）。
   • 负例来源：
     • ParamPool（函数/参数/类型三级聚类）抽取真实历史值。
     • _mutate_with_pool 支持一次扰动 1~2 个字段。
     • _drop_argument 针对 required / 任意字段生成缺失参数的负例。
   • ParamPool.sample() 优先从相同函数/参数的历史值采样，并以较小概率注入跨函数干扰项。

参数值生成思路
1. 解析真实参数：correct_option = _format_arg_values(_parse_arguments(fc))
2. 扰动策略（按类型推断）：
   - bool：取反
   - int/float：±1/2/5
   - enum string：挑其他枚举值；否则附加少量后缀
   - 其余：若无法生成则跳过
3. ParamPool：按 (函数, 参数) → 单参数 → 类型 三层聚类，并记录去重值
4. 组装题目：variations[:num_neg] + correct_option，随机打乱

以上策略保证：

• 负样本具备语义相关性与多样性，避免模型靠“公共特征”偷懒。
• 所有 jsonl 输出仅包含 alias 名称；pretty_toucan.py --alias-map 可在人工检查时恢复原名。

---

数据拼装（轨迹 + MCQ）

scripts/data_postprocess/assemble_toucan.py 会扫描 -i/--conv-root 目录下的对话 jsonl，并在 -m/--mcq-root 里查找同前缀的 _api_{available,params,param_values}.jsonl。一旦发现完整组合，就会写出 <prefix>_mcq_assembled.jsonl + <prefix>_mcq_assembled.txt（路径位于 MCQ 目录）。data/demo/ 已内置 toucan

Answer: 行是否保留由 --answer-redact {none,redact,drop} 控制（默认 drop：不输出答案；redact：输出但隐藏答案；none：输出原始答案，便于人工校验）。如不需要文本副本可使用 --no-text-output。

运行方式：

• 推荐：直接运行 README 顶部的 ./scripts/tests/full_generate_test.sh / ./scripts/tests/single_generate_test.sh
• 消融/过滤（不注入 MCQ）：运行 assemble_toucan.py --passthrough-only（见上方“命令清单”的 optional 区块）

展开：拼装规则（详细）

1. 开头写 Question:、工具清单：，需要注入这个轨迹对应MCP文件中的假工具，工具乱序。
2. System tool declare: 来自原始 messages 中 system/tool_declare，需要注入这个轨迹对应MCP文件中的假工具，工具乱序。
3. 展开 user/assistant/function 消息；在 assistant 准备 function_call 时，插入与该 message_index 对应的 MCQ（顺序：available → params → param_values）。 注意是每个assistant的function_call按照function，params，parma_values的顺序插入mcq
4. MCQ 题头格式：

[MCQ:param_values|function=func_xxx|msg=4]
问：……
选项：A.… B.… C.… D.…

5. MCQ 区块后接 function_call 参数与 function 响应，再附 [[原文回答]]。
6. 轨迹结束后补 Target tools:、Question quality assessment:、Response quality assessment:、Metadata:。

该流程确保模型既能看到完整对话，又能学习多项选择题，不暴露答案。更多细节、字段含义及 concat 规划请参考 scripts/ARCHITECTURE.md。

P.S 清洗数据脚本

# test
python scripts/data_preprocess/clean_utf8_dir.py -i /path/to/src_dir -o /path/to/dst_dir --workers 32

测试

• 测试脚本生成（自动同步 README 标签）

  # generate tests based on README.md python commands
  # test
  python scripts/tests/generate_test_scripts.py
  

• 全量数据构建（不依赖 LLM prompt）

  ./scripts/tests/full_generate_test.sh
  

• 单文件 Demo 构建（不依赖 LLM prompt）

  ./scripts/tests/single_generate_test.sh
  

---

Stage2：抑制“背函数名 / 见 MCQ 就答”的副作用（训练与数据改造清单）

现象（问题定义）

• 用大规模 *_mcq_assembled.txt 做 CPT 后，模型在没有工具上下文、也没有被要求评估/做题时，会主动输出 MCQ 答案/评分段落。
• 行为上更像在“记住稳定的 function/alias name”，而不是“读当前可用工具描述再决定”。

根因假设（高概率）

• 名字信号过强且稳定：同一工具在全语料里 alias 固定，极易被记忆。
• 格式触发过强：训练文本里 MCQ/Answer/评分段落出现频繁，模型学到“看到类似上下文就输出答案/评估”。
• 选项缺少语义对齐：MCQ options 里出现的干扰项如果不在 Available tools 中，模型只能“背名字/记分布”，无法做“基于描述选择”。

数据侧改造（优先做）

• 记录级随机 alias：同一条记录内自洽，不同记录重新随机（避免稳定可背的名字）。
  • 已实现（jsonl 侧）：scripts/data_preprocess/obfuscate_jsonl.py --alias-scope record
  • 已实现（组装输出侧）：assemble_toucan.py --random-alias-per-record
  • 注意：如果你用 obfuscate_jsonl.py --alias-scope record 生成了“每条 record 一套随机 func_xxx”的混淆数据，那么构建 param_pool.json 时需要同时：
    • 混淆时开启：--emit-alias-map <alias_logs_dir>
    • 构池时传入：build_param_pool.py --alias-log-dir <alias_logs_dir> 否则会出现 param_pool.json 里几百万个 func_xxx key 的爆炸现象。
• 弱化/隐藏名字（避免泄露原始函数名）：已实现：obfuscate_jsonl.py 会重写 available_tools / messages.function_call.name / tool_calls / <tools>...</tools> 以及 MCQ 字段（question/answer/options）中的名称为 alias。
• MCQ 干扰项描述补全（让模型能“读描述选”）：已实现：assemble_toucan.py 会将 MCQ options 中出现但不在 available_tools 的函数，从 stats/function_stats.json 补齐 description + schema 并合并进同一个 Available tools 列表（不创建 “Extended tools” 区块）。
  • 默认行为：若未显式传 --stats，会自动尝试加载 stats/function_stats.json
  • 仅补当前记录涉及的少量工具（通常就是 MCQ options 里的那几个），长度可控；若仍担心上下文，可在训练里用 negative 强化“不能靠名字偷懒/必须看描述”
• Answer 遮蔽：已实现：assemble_toucan.py --answer-redact {none,redact,drop}（默认 drop；redact 保留行但隐藏答案；none 输出原始答案用于人工校验）。
• MCQ 下采样 + 分 shard：已实现：assemble_toucan.py --mcq-subsample <p> --split-shards（按 uuid 确定性下采样；输出 *_mcq_assembled.* 与 *_no_mcq_assembled.* 两个 shard）。
• 加入反例：未提供工具/未要求评估时，目标输出是澄清/拒答；加入相似描述但不同 alias 的对比样本，强化“读描述”。

训练侧建议（配合数据）

• 分阶段：先 CPT（含上面数据改造 + 下采样/隔离），再少量 SFT 强化“仅在用户要求时才做题/评估”的指令遵守。
• 推理侧约束：system prompt 明确要求“仅基于当前可用工具描述；描述不足就澄清；未要求时禁止自出题/自打分”。

工程开关（assemble_toucan.py 已支持）

• --stats <path>：为 MCQ options 中的干扰项补齐工具 description/schema（不传则默认尝试 stats/function_stats.json）
• --answer-redact {none,redact,drop}：控制是否输出 Answer: 行（默认 drop）
• --random-alias-per-record：记录级随机 alias，覆盖 Available tools / MCQ / function_call.name
• --mcq-subsample <p> + --split-shards：控制 MCQ 注入比例与分 shard
• --mcq-tag "<tag>" / --task-select-tag "<tag>" / --emit-no-mcq-tag：样式隔离与 shard 标记

验收标准（最小可测）

• 在无工具声明/无评估指令的输入上，模型不再自发输出 [MCQ] / Answer: / 评分段落。
• 在**工具描述齐全（包含 MCQ options 干扰项）**且 alias 被随机化的场景下，仍能基于描述正确选工具/参数。