YG_FT/docs/20260812/当前项目开发进度.md

当前项目开发进度

评估基线：2026-08-19 当前工作区代码、数据库初始化脚本、Docker 部署文件、前端页面和现有设计文档。

本文以代码实际情况为准。设计文档中已经提出但代码没有形成完整闭环的内容，统一标记为“部分完成”或“未完成”。

一、项目定位与总体结论

当前项目是一个面向多用户、多算力节点的模型训练与推理平台，主要链路为：

Vue 前端
    |
FastAPI Backend API
    |-- PostgreSQL：业务元数据、权限、任务状态、小型内容和预览数据
    |-- Redis：会话、限流、短期缓存和任务辅助状态
    |-- MinIO：模型、数据集、报告和大文件的统一对象存储
    |-- Compute API / Agent：训练、推理、评测、模型合并和 GPU 执行
    |
多台算力节点

整体判断：

范围	当前状态	结论
平台基础架构	基本完成	前后端、数据库、Redis、MinIO、Compute Agent 和 Docker 部署均已具备
核心业务闭环	基本可用	数据集、数据处理、数据转换、训练、模型、推理、评测均有页面和接口
多算力节点	部分完成	节点选择、GPU 分配和缓存准备已经接入，跨节点一致性和失败恢复仍需加强
权限治理	部分完成	登录、角色、权限码、ACL、审批、审计已实现，但完整的租户/项目隔离尚未闭环
MinIO 统一存储	部分完成	大文件和模型已接入，仍存在兼容性的本地路径和部分数据双写/回退路径
生产可靠性	未完成	缓存容量治理、对象清理、流式上传、归档重试、备份和高可用尚未完成
前端体验	基本可用，需优化	构建问题已持续修复，但页面响应等待、首屏体积和部分错误提示仍需优化

二、已完成的功能

2.1 平台基础与部署

• 已建立 Vue 3 + TypeScript + Vite 前端工程。
• 已建立 FastAPI 后端服务，提供登录、平台管理和模型业务接口。
• 已建立 Compute API / Agent，用于连接算力节点并执行训练、推理、评测和模型处理任务。
• 已使用 PostgreSQL 保存核心业务数据，Redis 提供会话、限流和缓存能力。
• 已增加 MinIO 服务及 Backend 的 MinIO 配置，支持和 Compute Agent 分离部署。
• 已提供 docker/app、docker/compute、docker/minio 和 docker/offline 部署目录。
• 已考虑后端、算力服务、MinIO 分布在不同服务器时使用独立网络；Compute 节点访问 MinIO 需要配置所有节点都能访问的固定 IP 或 DNS。
• 离线部署目录已经同步后端、算力相关源码和初始化 SQL 的主要改造内容。

2.2 登录、用户和权限基础

• 用户登录、退出、当前用户信息和密码修改接口已经存在。
• 已有 Token 会话、Redis 会话记录和登录限流逻辑。
• 已建立用户、角色、权限码和角色权限关系。
• 已实现管理员、普通用户等基础角色分层。
• 已实现页面路由守卫、菜单过滤和前端按钮级权限的基础能力。
• 已建立资源 ACL 管理页面和相关接口，可对用户或角色授予资源级权限。
• 已建立审批模板、审批实例和审批步骤的基本数据模型与页面。
• 已建立运行日志、审计日志查询页面及审计记录写入机制。
• 已加入软删除相关字段和部分删除逻辑，避免直接物理删除业务资源。

2.3 算力节点与 GPU 资源

• 已实现算力节点的新增、编辑、启用、禁用、维护/删除、连通性测试和健康检查。
• 已实现节点列表、节点详情、节点副本/同步状态和 Compute Agent 连接。
• 已实现 GPU 信息发现、GPU 状态查询和队列查询。
• 已建立 gpu_allocations、gpu_assignments、调度锁等资源分配表。
• 训练任务已经支持选择调度节点和一张或多张 GPU，并在预检阶段校验资源可用性。
• Compute Agent 已支持训练、评测、推理和缓存准备等任务接口。
• 已存在资源副本和同步任务模型，用于记录节点侧资源同步状态。

2.4 数据集管理

• 已实现数据集创建、列表、详情、编辑、删除和文件上传。
• 已实现数据集文件下载、预览、记录列表和数据记录编辑入口。
• 已处理 JSON 与 JSONL 的记录数差异：JSON 数组按元素计数，JSONL 按有效行计数，避免把整个 JSON 文件误按行数统计。
• 已提供数据集版本列表、版本详情、创建版本、切换当前激活版本和删除版本接口。
• 已增加数据集文件、版本、数据记录等初始化表结构。
• 已支持数据集文件在数据库小内容和 MinIO 大文件之间按策略存储。
• 已在训练预检中检查数据集文件是否存在、是否可从 MinIO 获取以及是否能准备到目标算力节点。

2.5 数据处理与数据转换

• 已提供结构化数据、非结构化数据、外部数据源的处理创建流程。
• 已实现源文件上传、预览、分片/切分、生成、质量检查、去重和结果管理等数据处理流程。
• 已支持处理结果生成数据集或导入数据集版本。
• 已建立数据处理任务、源文件、预览项、结果等数据表。
• 已提供 JSON、JSONL 等数据格式转换页面和后端任务接口。
• 已将数据转换输出接入 MinIO/数据库分层存储：小型文本结果可存数据库，大文件存 MinIO。
• 已处理输出文件下载和转换结果元数据保存问题。

2.6 模型训练

• 已实现训练任务创建、配置预检、命令预览、启动、停止、重试和删除。
• 已接入 LLaMA-Factory 等训练适配逻辑。
• 已支持选择训练数据、基座模型、算力节点和 GPU。
• 已实现训练日志获取、训练任务概览、诊断信息、检查点和训练指标查询。
• 前端训练详情已经具备训练曲线解析和展示逻辑，日志轮询间隔已调整为 3 秒。
• 已增加 GPU 详情展示入口，包括显存和利用率等 Compute Agent 上报信息。
• 已支持训练任务的 MinIO 数据准备和目标算力节点缓存准备。

2.7 模型管理与权重合并

• 已实现在线模型/基座模型和训练模型的列表、创建、详情、用途修改和删除。
• 已建立模型、训练模型、模型血缘、模型产物和导出任务相关表。
• 已提供权重合并入口，能够根据训练任务准备基座模型和 Adapter，并提交 Compute Agent 执行合并。
• 已增加模型产物和 MinIO 对象关联字段。
• 合并结果能够在任务完成后归档到 MinIO 的设计和主要代码路径已经建立。

2.8 模型推理与模型对比

• 已实现推理模型列表、创建、详情和删除入口。
• 已实现模型加载、卸载、服务启动、服务状态查询和对话调用。
• 已实现模型对比任务及多模型聊天相关接口。
• 已增加推理失败重试、停止和资源释放的处理路径。
• 已支持根据页面选择的算力节点准备模型缓存，兼容训练时所选节点优先的业务要求。
• Compute Agent 已提供本地推理会话和模型缓存状态接口。

2.9 模型评测

• 已实现评测任务列表、创建、详情和删除。
• 已实现评测维度管理和评测规则配置页面。
• 已建立评测任务、评测维度、对比任务等数据库表。
• 已支持选择模型、数据集、评测维度、算力节点和 GPU 的基础流程。
• 已接入 Compute Agent 执行评测任务，并保存评测结果和报告相关元数据。

2.10 数据存储策略

• 已建立 storage_objects、storage_cache_jobs 等 MinIO 元数据和缓存任务表。
• 已建立 MinIO 对象上传、下载、预签名 URL 和节点缓存准备的主要接口。
• 已采用分层策略：
  • 小型 JSON、JSONL、CSV、任务参数快照、预览数据保留在数据库，降低频繁预览的 MinIO 延迟。
  • 模型权重、训练产物、评测报告和大文件使用 MinIO。
  • 小型 PDF、DOCX、XLSX 仍优先存 MinIO，以保留原始二进制文件内容。
• 已增加 data_convert_tasks.output_content，用于保存小型转换结果，避免所有小结果都依赖 MinIO。
• Backend 和离线包中的 000_full_init.sql 已同步，当前两份初始化脚本内容一致。

三、部分完成、仍需完善的功能

3.1 MinIO 统一数据源尚未完全闭环

当前 MinIO 已成为模型、大文件和跨节点资源的主存储方向，但仍保留以下兼容路径：

• Compute Agent 仍有本地文件上传、导入本地模型和扫描本地模型目录的旧接口。
• 部分历史数据仍使用数据库中的 content 或 output_content 字段，这是当前已确认的小文件性能策略，不是错误，但必须统一记录来源、大小、校验值和版本。
• Compute Agent 节点侧的大文件上传已改为流式读取；Backend 端部分历史上传/下载路径仍未完成统一的分片传输。
• MinIO 对象和业务资源之间采用多态 resource_type/resource_id 关联，数据库没有直接外键，删除和数据一致性需要应用层保证。
• 删除业务资源后，对应 MinIO 对象的延迟清理、失败重试和孤儿对象扫描尚未形成完整闭环。

3.2 MinIO 预签名接口的权限边界

资源写权限、服务端对象 Key、上传完成确认和对象大小校验已经完成；仍需补充 Content-Type 白名单、对象过期回收和完整审计事件。

3.3 激活版本和跨节点资源版本仍需加强

数据集已经有 active_version_id 和版本表，但以下场景仍需补充：

• 训练、评测、模型对比和权重合并已在任务创建时固化资源版本 ID；推理服务启动和导出任务仍需统一补齐。
• 同一文件名的不同版本不能只依靠文件名同步，应使用资源 ID、版本 ID 和对象 Key 组成唯一定位。
• 已创建任务在后续切换激活版本后，不能被意外切换到新版本。
• 已为资源副本保存版本、对象 ID 和本地路径；对象 ETag/校验值及多文件 manifest 仍需补齐。
• 历史版本的数据库内容回退和 MinIO 对象回退逻辑还需要补全并增加测试。

3.4 权限 2.0 尚未完全落地

已有用户、角色、权限码、ACL、审批和审计基础，但仍存在以下差距：

• 租户、用户、资源、算力节点、模型、数据集之间的隔离规则没有全部在 SQL 查询层统一执行。
• 项目空间设计已经讨论过取消，但数据库中仍保留 projects、project_members 等历史结构，需要明确兼容策略和最终迁移方式。
• 训练创建的模型、数据集和训练任务之间的联合权限约束还没有完全统一。
• 评测、推理、模型合并、导出、缓存准备等动作需要逐一校验资源读权限和操作权限。
• 前端按钮权限已经有基础实现，但不能替代后端鉴权；仍需要对所有关键动作进行后端默认拒绝校验。
• 审批拦截范围、管理员豁免规则和跨租户资源访问规则需要形成可执行矩阵。

3.5 模型合并、导出和评测报告闭环不足

• 权重合并前自动准备 Base Model 和 Adapter 的主要路径已建立，但失败时的清理、重试和幂等性仍需加强。
• 合并结果归档已增加失败状态和服务重启后的补偿轮询；仍需加入独立归档队列和幂等对象清单，降低重复扫描成本。
• 模型导出任务目前有查询模型和表结构，但完整的创建、执行、进度、失败重试和下载闭环尚未完成。
• 评测结果和报告字段已经存在，但报告对象归档、报告下载、报告版本和报告与任务的稳定关联仍需验证。
• 评测指标配置和执行器返回指标之间仍需要强类型映射，避免前端显示为通用的 custom。

3.6 GPU 资源分配需要统一到所有任务类型

• 训练已经有较完整的节点/GPU 选择和预检流程。
• 推理和评测已经出现节点选择、缓存准备和 GPU 选择的接入代码，但还需要确认从页面选择到 Compute Agent 启动参数、进程环境变量和释放逻辑的全链路生效。
• 需要防止同一张 GPU 被多个任务绕过调度锁重复占用。
• 需要处理服务异常退出、Backend 重启、Compute Agent 重启后的分配回收和状态对账。
• 训练详情中的显存使用量、GPU 使用率等指标依赖 Compute Agent 上报，仍需要校验采样时间、单位、空值和任务对应关系。

四、尚未完成的功能

以下功能在当前代码中没有形成可验收的完整闭环，或仍处于设计/基础代码阶段：

1. 完整的租户隔离和资源继承模型：核心列表、详情、下载、缓存、训练、推理、评测和导出接口已补齐基础租户/ACL校验；历史 NULL 租户归属仍需专项迁移。
2. 项目取消后的正式数据迁移方案：当前保留项目表作为兼容结构，正式删除项目设计前仍需为历史数据生成归属迁移和回滚脚本。
3. 预签名上传策略的完整约束：已完成 Content-Type、大小、过期时间、Key 白名单、资源写权限、对象存在性和真实 SHA-256 校验；定时清理过期未完成对象仍需接入运维调度。
4. MinIO 对象生命周期管理：已提供软删除清理、失败记录/重试、孤儿扫描和管理员清理入口；自动定时执行策略需由部署环境接入。
5. Compute Agent 缓存治理：已完成容量上限、LRU、TTL、保护窗口、版本/校验清单和状态查询；运行中任务动态保护和磁盘告警仍需结合生产指标系统。
6. 统一的资源归档编排器：训练、合并、导出、评测已纳入重启补偿轮询和 MinIO 归档；独立消息队列和大规模断点分片仍属于生产增强项。
7. 模型导出完整流程：已完成后端创建、节点准备、CPU 导出、量化参数、任务记录、制品血缘、归档轮询、权限和前端按钮；真实大模型多格式压力测试待专用环境执行。
8. 流式和分片文件传输：数据集单文件下载、Compute Agent 上传/下载已采用流式处理；多文件 ZIP 和超大对象的分片上传仍需继续增强。
9. 生产级 MinIO 安全和高可用：开发环境接入和故障快速失败已完成；默认密钥替换、TLS、网络隔离、Console 隔离、容量监控、备份恢复需在生产部署阶段实施。
10. 完整的端到端测试和持续集成：已新增前端构建、后端编译和存储安全测试 CI 基线；跨租户、多节点、多 GPU 并行压力和故障注入仍需扩展执行矩阵。
11. 统一数据库迁移体系：已形成 005/006/007 幂等增量迁移并加入运行时兼容执行；后续可再替换为 Alembic 等正式迁移工具以满足生产审计要求。

五、需要优化的功能

5.1 后端响应性能

• 页面列表接口需要避免每条记录重复查询用户、资源、MinIO 元数据和 Compute 节点状态。
• MinIO 的 Bucket 检查、对象 Head 和预签名生成应使用连接复用、短期缓存和批量查询。
• 训练、推理、评测页面不应通过过短间隔轮询大量详情接口，应按任务状态动态退避，并在完成后停止轮询。
• 对 dashboard、节点健康、GPU 状态等高频数据应区分实时数据和缓存数据。
• 后端日志轮询和健康检查日志需要继续降噪，仅在状态变化、失败或达到较长周期时输出。

5.2 前端加载和交互

• 列表页面应区分首屏 loading、刷新 loading、操作 loading，避免整页长时间无反馈。
• 推理、评测、训练详情应使用统一的任务状态刷新策略和超时提示。
• 前端仍有 FontAwesome 在线资源解析警告，应清理对外部网络文件的依赖，保证离线环境打开速度。
• 应继续拆分首屏大体积 chunk，并减少一次性加载不相关页面组件。
• GPU 选择组件需要明确显示空闲、占用、不可达、预留和已分配状态。
• 错误提示应携带资源名称、节点名称、版本和下一步处理建议，减少只显示 500/404 的情况。

5.3 训练、推理和评测可靠性

• 所有任务创建前应执行同一套资源权限、版本存在性、MinIO 可用性和 GPU 原子分配校验。
• 任务创建接口应支持幂等键，避免前端重复点击造成重复任务。
• 节点不可达时应快速失败或进入可见的等待状态，不能让页面长时间无反馈。
• 失败重试应区分网络瞬时失败、资源不足、模型文件缺失、参数错误和执行器失败。
• 任务停止后必须释放 GPU 分配、推理端口、缓存锁和临时目录。

5.4 数据和模型一致性

• 每个对象都应保存大小、校验值、版本 ID、来源、创建者、租户和引用状态。
• 数据库中的小文件内容和 MinIO 对象不能同时被当作可独立修改的主副本；需要明确唯一写入入口。
• 数据集激活版本变更需要留下审计记录，并影响后续任务创建但不改变已创建任务。
• 模型权重、Adapter、合并结果和导出结果需要形成完整血缘关系。

六、数据库和初始化脚本状态

当前 backend/app/db/sql/000_full_init.sql 已包含以下主要类别：

• 用户、模型、训练模型、模型血缘、模型产物、模型导出任务。
• 数据集、数据集文件、数据集版本、数据集记录。
• 算力节点、GPU、GPU 分配、调度锁、Compute Job。
• 资源副本、资源同步任务、MinIO 对象、缓存任务。
• 评测任务、评测维度、模型对比任务。
• 租户、项目兼容表、项目成员、角色、会话、ACL。
• 审批模板、审批实例、审批步骤、审计日志、留存策略。
• 数据处理任务、源文件、预览项、处理结果、数据转换任务。

已确认的近期字段包括：

• model_artifacts.storage_object_id
• model_artifacts.storage_backend
• dataset_files.storage_object_id
• data_convert_tasks.output_content
• data_convert_tasks.output_storage_object_id
• data_convert_tasks.storage_backend
• eval_tasks.report_storage_object_id

离线包中的 docker/offline/src/backend/app/db/sql/000_full_init.sql 应与主工程初始化脚本保持同步。需要注意：

• 初始化 SQL 主要用于新数据库或新数据卷；已有数据库不能仅靠重启容器自动获得全部新字段。
• 生产/测试数据库需要执行可追踪的迁移脚本，并在迁移前备份或生成结构快照。
• ensure_schema 类运行时补字段逻辑只能作为兼容兜底，不能替代正式迁移。
• 后续如果正式移除项目设计，需要先完成数据归属迁移，再决定是否删除历史表，不能直接从初始化 SQL 中删除表。

七、当前验证结果

7.1 2026-08-19 本轮按计划落地内容

• P0 MinIO 预签名上传已增加资源存在性、资源写权限、管理员基座模型写权限、资源版本和对象 Key 前缀校验；新增上传完成确认接口，会校验 MinIO 对象存在、大小和状态后再标记为可用。
• 训练、评测、模型对比和权重合并任务会保存创建时的租户信息与资源版本快照，后续切换数据集激活版本不会改变已创建任务的输入版本。
• 数据集、评测任务、训练任务和模型对比列表增加租户范围过滤；用户表、模型/数据集创建入口补齐租户归属；数据转换资源补充所有者权限映射。
• Compute Agent 准备缓存后会回写资源副本的版本、MinIO 对象和本地路径；缓存支持可选容量上限、按访问时间淘汰非临时文件，并提供当前占用量和上限状态。
• 训练产物、权重合并结果和评测报告增加 MinIO 归档、失败状态记录以及 Backend 重启后的补偿轮询；离线部署源码已同步对应逻辑。
• Compute Agent 大文件上传已改为流式读取，避免将整个文件一次性读入内存；离线 Compute Agent 同步完成。
• 增加 005_storage_progress_migration.sql 增量迁移脚本，并修复 000_full_init.sql 中旧数据库执行时索引早于字段补齐的问题；主工程和离线初始化脚本已同步。
• 增加 MINIO_PRESIGN_MAX_BYTES 配置和上传 Content-Type 白名单；首次数据库 schema 检查移出 Compute Poller 的 Uvicorn 事件循环，避免远程 PostgreSQL 慢连接拖垮健康检查；轮询相同失败改为 300 秒限频记录，并跳过已标记 offline 节点。
• 前端 npm run build 已通过；容器内 MinIO Key 越权校验专项测试为 5 passed，Backend 和 Compute Agent 重启后均为 healthy。

已完成的静态和局部验证：

• Backend 和离线 Backend 源码 compileall 检查通过。
• MinIO 分层策略冒烟验证通过：小型 JSON/JSONL 可落数据库，小型二进制和超过阈值的内容进入 MinIO。
• 主工程和离线包初始化 SQL 已做同步检查，内容一致。
• 前端此前已完成 npm run build 类型错误修复，构建剩余问题主要是非阻断的资源/分包警告。
• 已对训练日志、数据集 JSON/JSONL 统计、MinIO 资源准备等重点链路进行过问题修复。
• 当前 WSL 运行验证中 Backend、Compute Agent、MinIO 均为 healthy；gpu-node-02（172.25.179.69:19100）连接、GPU 0 分配和任务执行均正常。gpu-node-01 的历史地址不可达，已通过健康检查标记为 offline，轮询器不再重复轮询其历史任务。

7.2 2026-08-19 gpu-node-02 真实流程验证

• 训练：使用 qwen3.5-0.8B + test_data_0817，任务 ft_172a2da65140 完成，GPU 0 使用期间可看到显存、利用率、温度和进程，结束后恢复 idle；24 个训练产物已归档 MinIO。
• 资源快照：任务 ft_d93b0fdae1c9 创建时已保存数据集 ds_8f6b8c5714c7 的活动版本 file_d550c2128722_v1。
• 训练曲线：任务 ft_d93b0fdae1c9 通过 logging_steps=1 生成 3 个 loss/epoch/learning-rate/grad-norm 数据点，并生成 training_loss.png；后端解析器已兼容带引号数字格式。
• 权重合并：任务 merge_1dc15a290810 完成，基座模型路径、合并路径已回写，8 个合并模型文件归档 MinIO。
• 推理：任务 cmp_abdf0762869d 在 GPU 0 加载 qwen3.5-0.8B 成功，对话接口返回正常；卸载后 GPU 恢复 idle。
• 评测：任务 eval_3c3f84263e23 完成 2 条样本评测，报告、样本明细和基础指标已落库；GPU 恢复 idle。评审模型 HTTP 400 导致评审分数为 0，属于评审模型接口配置问题，算力评测链路本身已跑通。

7.3 多 GPU、MinIO 故障和跨用户权限专项验证

• 多 GPU 调度开发：新增 gpu_reservations 表，评测和推理在远程提交/加载前与训练统一纳入数据库原子预留；失败、停止、删除、节点不可达和卸载路径自动释放预留。当前 gpu-node-02 只有 GPU 0，已通过同卡“推理预留后评测抢占”测试，评测被明确拒绝，释放后 GPU 恢复 idle。多节点、多卡的真实并行测试待增加第二个可达节点和多卡节点后执行。
• 调度锁优化：调度锁改为事务内持有并在提交前释放，避免一次调度成功后后续请求等待 30 秒 TTL；schema 初始化增加 PostgreSQL advisory lock，避免轮询器与首个请求并发初始化造成死锁。
• MinIO 故障注入：停止 yg-ft-minio 后，GET /modelTF/health 返回 HTTP 200 且 storage.status=unavailable；恢复容器后返回 storage.status=ready。MinIO 客户端关闭默认重试链，故障健康探测耗时从约 6 秒降至约 0.3 秒。
• 跨用户权限：创建临时用户 qa_user_0819，未授权访问管理员数据集返回 403；授予资源 read/download ACL 后列表和详情可访问；撤销 ACL 后再次返回 403；非管理员创建用户返回 403。测试用户已删除，未遗留测试 ACL 或 GPU 预留。
• 用户管理接口已补齐管理员依赖，创建、列表、修改、删除和重置密码不再允许普通用户调用。

当前不能据此宣称“全量功能测试通过”：

• 现有部分自动化测试仍保留旧的本地文件或旧 MinIO 行为假设，需要按当前分层存储策略更新。

• 本轮已完成当前 WSL Docker 容器健康检查、gpu-node-02 单节点真实流程、单卡冲突、MinIO 故障恢复和跨用户 ACL 专项验证；多节点、多卡的真实并行测试仍需要第二个可达节点和多卡节点。

• 本轮专项安全测试为 5 passed；全量 pytest 仍未执行完毕，需要按测试类别拆分并设置超时。

7.4 本轮 11 项未验证能力的补齐结果

• 租户管理接口已统一要求管理员身份；模型制品、模型血缘、导出任务、评测报告和 MinIO 资源清单均增加资源级访问校验。
• 新增 POST /modelTF/model-manage/export，导出沿用节点选择、MinIO 缓存准备、GPU/调度约束和归档轮询；导出结果记录到 model_export_jobs，并建立导出制品与模型血缘。
• 新增 GET /modelTF/model-eval/{task_id}/report，优先流式返回 MinIO 报告，历史任务无归档对象时返回数据库报告兼容结果。
• 新增 GET /modelTF/storage/resources/{resource_type}/{resource_id}/manifest、管理员对象清理和孤儿扫描接口；预签名上传增加过期时间和真实 SHA-256 内容校验。
• Compute Agent 增加缓存 TTL、缓存保护窗口和元数据清单；超过 TTL 的非保护缓存会在状态检查时清理，容量淘汰会跳过保护中的资源。
• 数据集单文件下载改为 MinIO 流式传输，避免 Backend 一次性载入完整大文件；训练、合并、导出、评测仍由统一轮询器负责重启后的归档补偿。
• 新增 007_platform_completion.sql，并已加入运行时兼容迁移；主工程和 docker/offline/src 的源码及初始化 SQL 已同步。
• 以上为代码闭环和单节点验证；生产级 MinIO TLS/HA、第二节点/多卡并行压力测试、全量 CI 和历史项目数据正式迁移仍属于上线前专项工作。

八、下一阶段开发计划

P0：安全与数据正确性

1. 为预签名上传补充 Content-Type、大小上限、过期对象清理和上传完成审计；当前已完成 Key、资源写权限、对象存在性和大小校验。
2. 将资源版本快照继续接入推理服务启动、模型导出和缓存准备的所有入口，并增加版本切换回归测试。
3. 完成模型导出接口的后端权限、租户范围和审计闭环。
4. 补充历史数据租户归属迁移；当前新建资源和主要任务列表已完成租户过滤，历史 NULL 租户仍按兼容策略处理。

P1：跨节点可靠性

1. 将当前资源副本字段升级为完整 manifest，记录每个文件的校验值、大小、目标节点路径和准备时间。
2. 完善推理模型缓存的重启对账、失效版本清理和服务级重试；训练、合并、评测归档已具备补偿轮询基础。
3. GPU 原子分配、异常回收和任务释放已完成基础闭环；下一步补充多节点重连对账及多卡并行压力测试。
4. 增加缓存 TTL、运行任务保护、磁盘占用告警和可视化清理入口；当前已实现可选容量上限和按访问时间淘汰。
5. 增加 MinIO 对象引用清理、孤儿对象扫描和软删除回收任务。

P2：性能与用户体验

1. 优化页面列表接口和高频轮询，采用批量查询、短期缓存和动态退避。
2. 将大文件上传/下载/复制改为流式或分片传输。
3. 统一前端任务状态组件、loading、超时、重试和错误诊断信息。
4. 处理前端离线资源警告，继续拆分首屏 chunk。
5. 统一 GPU 状态展示及训练指标采样时间、单位和空值处理。

P3：工程化和上线准备

1. 建立正式数据库版本迁移机制和离线升级脚本。
2. 增加 CI：前端类型检查/构建、Backend 单元测试、Compute Agent 测试、SQL 新库初始化测试。
3. 增加第二个可达节点/多卡节点后执行多节点端到端并行测试；MinIO 故障注入基础测试已完成。
4. 完善 MinIO TLS、密钥管理、网络隔离、监控、备份和恢复方案。
5. 建立生产运行手册，包括首次部署、升级、回滚、数据库迁移、对象清理和故障处理。

九、阶段验收标准

完成下一阶段后，至少应满足：

• 用户只能看到和操作其所属租户授权的模型、数据集、训练任务、推理服务和评测任务。
• 任何任务创建都能明确记录用户、租户、资源版本、算力节点、GPU 列表和 MinIO 对象版本。
• 同一个节点的同一张 GPU 不能被两个活动任务同时分配。
• MinIO 临时不可用时，任务进入可解释的等待/失败状态，并能按策略重试，页面不会无限等待。
• Backend 或 Compute Agent 重启后，任务、缓存、GPU 分配和归档状态可以对账恢复。
• 训练、合并、评测和推理产物都能在 MinIO 中找到，并且可以通过权限校验后的接口下载或使用。
• 删除资源后不会继续出现在普通列表中，关联对象能够按引用状态延迟清理并留下审计记录。
• 新数据库初始化和已有数据库迁移后，所有业务接口不再因为缺表或缺字段启动失败。
• 离线部署不依赖外部字体、图标或 CDN，前端首屏和核心业务操作在无网络环境下可用。

十、相关文件索引

• 平台架构：platform-architecture-requirements.md
• 权限设计：permissions-design.md
• MinIO 与 Compute 缓存方案：minio-compute-cache-plan.md
• 平台治理菜单设计：platform-governance-menu-design.md
• 数据处理设计：data-process-design.md
• 数据库初始化脚本：../backend/app/db/sql/000_full_init.sql
• 离线部署目录：../docker/offline