YG_FT/docs/first-version-development-plan.md

第一版系统开发计划

说明：本计划虽然以“可演示闭环”为阶段目标，但实现内容按正式系统第一版开发，不在工程模块、配置项、接口标签、数据库对象中使用临时代码命名。初始化数据仅作为样例种子数据，后续可在此基础上继续扩展为生产能力。

1. 阶段目标

第一版系统需要在没有完整生产环境、没有真实 GPU 或没有 LLaMA-Factory 运行环境时，仍然可以跑通模型微调平台的主链路：

登录
 -> 模型管理
 -> 数据集管理
 -> 创建微调任务
 -> 调度算力节点与 GPU
 -> 模拟资源副本检查和同步
 -> 启动训练任务
 -> 查看任务状态、GPU 占用、训练日志、loss 曲线
 -> 训练完成后登记训练产物

该阶段不是一次性展示代码，而是后续系统继续开发的基础版本。算力、训练框架、资源同步、任务状态机均按真实平台边界设计，当前仅以 simulator 模式补齐无 GPU 环境下的可运行能力。

2. 运行模式

模式	说明	当前状态
simulator	模拟 GPU、训练进程、日志、指标、checkpoint 和训练产物	第一版默认实现
real	预留真实 nvidia-smi、LLaMA-Factory 进程启动、真实日志解析和产物扫描	后续接入

第一版实现必须保留 real 模式边界，不允许把训练命令直接写死在应用平台后端。训练相关能力统一沉淀在 compute/engines/ 适配层。

3. 第一批开发范围

3.1 应用平台后端

对应目录：

backend/app/
  api/v1/endpoints/platform.py
  db/platform_store.py
  db/session.py

已覆盖能力：

• 统一 API 响应结构 { code, message, data }。
• 初始化样例用户、模型、数据集、算力节点、GPU 和微调任务。
• 登录、当前用户、用户列表与权限。
• 模型管理、训练产物列表、权重合并任务占位。
• 数据集管理、文件上传、预览、版本管理和下载。
• 微调任务创建、启动、停止、删除、进度查询、checkpoint 查询。
• 系统健康指标、系统信息、训练日志、系统日志。
• 算力节点、GPU、队列、资源副本、资源同步任务接口。

开发约定：

• 当前本地可运行存储使用 SQLite，配置项为 LOCAL_DB_PATH。
• 生产数据库仍以 PostgreSQL 为目标，正式表结构以 docs/postgres-schema.sql 为准。
• backend/app/db/session.py 已提供 SQLAlchemy session 入口，后续替换正式 ORM 时从此处收口。

3.2 算力平台服务

对应目录：

compute/
  api/main.py
  engines/llama_factory/adapter.py

已覆盖能力：

• /health 与 /api/v1/compute/health 节点健康检查。
• /compute/resources/gpus GPU 状态模拟。
• /compute/jobs 创建、查询、停止训练任务。
• /compute/jobs/{id}/logs 拉取训练日志与解析指标。
• /compute/files/upload 与 /compute/files/{id}/download 文件网关占位。
• LLaMA-Factory 参数校验、命令生成、日志指标解析。

设计约定：

• 多算力节点阶段，每台单机多 GPU 服务器都部署一套 Compute API、Agent、File Gateway 和训练框架。
• 应用平台通过 compute_nodes 中维护的 api_base_url、file_gateway_url 主动轮询算力节点。
• 算力节点之间默认不互访，资源副本和同步状态由应用平台统一编排。

3.3 前端页面

已接入页面：

• /login：登录接口。
• /model-manage：模型列表与模型来源。
• /dataset、/dataset/:id/preview：数据集列表、预览和版本。
• /fine-tune、/fine-tune/create：微调任务创建、启动、状态轮询。
• /training-log/:id：训练日志和 loss 曲线。
• /hardware：平台 GPU 与系统性能。
• /compute：算力节点、GPU、队列、资源副本。

新增前端能力：

• frontend/src/api/modules/compute.ts：算力节点 API 包装。
• frontend/src/views/compute/ComputeNodesView.vue：节点、GPU、队列、资源副本四个视图。
• 权限枚举增加 compute，菜单增加“算力节点”入口。

3.4 数据库

第一版运行时使用本地 SQLite 以降低开发环境门槛，但数据库模型仍按 PostgreSQL 正式设计推进。

核心表范围：

• 用户、租户、项目、角色、权限。
• 模型、训练产物、数据集、数据集文件、存储对象。
• 微调任务、训练指标、checkpoint、审计日志。
• 算力节点、GPU 设备、算力任务、GPU 分配。
• 资源副本、资源同步任务。

优化方向：

• 任务状态、租户/项目隔离字段、资源副本定位字段需要建立索引。
• 审计日志、训练指标、日志归档后续建议按时间分区。
• 大文件只落本地磁盘或对象存储，数据库保存元数据和版本关系。

4. 验收标准

第一版完成后应满足：

• 前端不启用静态 Mock 时，可以通过 FastAPI 获取主要页面数据。
• 登录后可以看到模型、数据集、微调任务和算力节点。
• 创建微调任务后可以启动任务，任务状态自动流转。
• GPU 状态会随任务进入 syncing、queued、running 发生变化。
• 训练日志持续生成，日志详情页能解析 loss、grad norm、learning rate、epoch。
• 任务完成后训练产物出现在模型管理的训练产物列表中。
• 算力节点页面可展示节点地址、权重、标签、启用状态、队列和资源副本。
• 工程命名、配置和接口分组均可作为后续正式开发基础。

5. 后续开发计划

阶段	重点	说明
第二阶段	PostgreSQL ORM 与 Alembic	将 platform_store.py 的能力迁移为正式 ORM、迁移脚本和 repository/service 分层
第三阶段	真实 Compute Agent	接入 nvidia-smi、GPU 锁定、进程管理、训练日志文件采集
第四阶段	LLaMA-Factory 真实训练	生成 YAML/命令、启动训练进程、停止任务、扫描 checkpoint 和 adapter
第五阶段	企业治理	多租户、项目/模型/数据集隔离、审批流、审计留存、配额和资源申请
第六阶段	多节点调度	基于 compute_nodes、资源副本和节点标签实现自动/手动调度策略