要让CodeBuddy智能体准确理解“你是谁、该做什么、在哪些场景下不能越界”，训练数据的质量至关重要。依赖零散对话远远不够，效率低下。我们需要结构清晰、语义精准、带有约束边界的四大类数据——这相当于为AI构建了一个完整的认知框架，而不是让它从杂乱无章的对话日志中自行摸索。
角色定义数据：明确身份与边界
首先，在skills/role_definition/目录下新建backend_engineer.md文件。这相当于给AI发放一本“员工手册”，使用YAML+Markdown混合格式声明角色身份、职责范围和硬性禁令。手册必须包含四个核心字段：role_name（角色名称）、scope（允许操作的文件类型与路径模式）、forbidden_actions（明确禁止的行为，例如执行rm -rf /、读取.env文件）、以及default_toolset（默认工具集）。需要特别注意：scope字段如果写成**/*.py而未限定根目录，会导致AI在任意嵌套层级遍历代码，很可能误触测试环境配置，这是实战中容易踩的坑。
接下来，为这个角色补充3到5条典型用户指令示例。每条示例都需要标注意图标签（intent）和应触发的技能模块名（expected_skill）。举个例子：用户说“请把UserService.java里所有硬编码的超时值改成可配置参数”，对应的意图标签是refactor_configurable_timeout，触发的技能模块是java-refactor-timeout。这样做的目的是让AI能够“对号入座”，精准调用正确的处理逻辑。
行为示范数据：真实任务执行轨迹
有了角色定义，还需要展示“怎么做”的完整过程。这里有两种方法。
方法一：人工录制高质量操作链
打开CodeBuddy IDE，启用Agent Trace Recorder插件，然后亲自动手执行一个完整闭环任务——比如“修复Spring Boot Controller中NPE异常”。关键在于，每一步操作都要包含工具调用、上下文切换、错误回退与最终验证。录制结束后导出.trace.jsonl文件，仔细检查几个关键点：tool_calls字段是否包含合法命令、file_context是否只加载了必要的文件、error_handling节点是否体现了重试逻辑。这就像给AI看一套“教学录像”，让它学得有模有样。
方法二：用CodeBuddy Code引擎自动生成带校验的示范
这个方法效率更高。调用codebuddy-code --mode=generate-trace --task="add pagination to Django ListView"，自动生成10条任务执行轨迹。但别急着用——需要用trace-validator脚本过滤掉那些有问题的样本，比如包含未声明权限的shell_exec调用，或者read_file路径超出scope限制的。最终保留的每条轨迹必须通过context_minimality_score > 0.85的阈值。这个分数由AST节点覆盖率与无关行剔除率联合计算得出，简单说就是衡量AI是否“只说必要的话、只做必要的事”。
约束强化数据：越界行为负样本
光教AI怎么做还不够，还要教它“什么不能做”。这就像给孩子立规矩，需要准备一些“反面教材”。
第一步，构造三类典型越界指令：
① 权限越界型：“读取项目根目录下的secrets.yaml”；
② 工具滥用型：“用curl直接调用生产数据库API”；
③ 上下文污染型：“忽略当前打开的React组件文件，去修改webpack.config.js”。
第二步，为每条越界指令设计标准拒答响应模板。这里不是简单回复“我不能做”，而是有一套规范的输出流程：首句必须声明权限边界（例如“根据角色设定，我无权访问非src目录下的配置文件”）；次句给出合规替代路径（例如“建议您将敏感配置通过环境变量注入，并在src/config/下新建env-loader.ts统一处理”）；末句主动提供辅助动作（例如“需要我帮您生成该loader的TypeScript骨架代码吗？”）。
第三步，将拒答响应与原始越界指令配对，存入data/constraints/negative_samples/目录，文件命名格式为backend_engineer-001-v2.json，确保input与output字段严格对齐。这条规矩很重要：output中不能有任何模型自由发挥的内容，必须严格遵循模板规范。
领域知识注入数据：动态加载的上下文锚点
最后，在skills/java-springboot/references/下放置三类文件：
① architectural_constraints.md：明确项目采用分层架构，例如Controller层禁止直接调用DAO，Service层必须抛出业务异常而非RuntimeException；
② code_style_guide.json：规定Lombok注解的使用规则，比如@Data禁用于Entity类，@Builder必须配合@NoArgsConstructor；
③ common_patterns/子目录：存放5个高频模板文件，例如rest-api-error-handler.java。每个模板头部都用标记唯一ID，供技能匹配系统识别。
这步操作不做任何训练数据打包，而是确保文件物理存在且元数据可被CodeBuddy的skill-scanner模块实时索引。当用户提问涉及“统一异常处理”时，系统会自动将rest-api-error-handler.java的内容注入上下文，而不是依赖模型本身的记忆——这才是更可控、更可靠的方式。