docs/memory/AGENTS.md 写了怎么读、怎么新建、不能写什么、怎么和本机副本同步,以及索引。 推送前已核对:只有变量名,没有密钥或密钥片段。 Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
6.2 KiB
| name | description | metadata | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| compile-server-reclaim | model-compile 编译机要被回收(10-08 告知);主控实际占用、必须跟着搬的东西、Mac 不能当主控的原因 |
|
2026-10-08 用户告知:model-compile(120.48.151.164,244 核 / 1.4 TB,x86)要被回收。这才是"编译上 Salty、主控放 Mac mini"方案的真实动机,提速不是目的。
10-08 实测:
- 主控很轻:3 个采集器约 1 核、7.8 GB;21 个 agent(42 个进程)约 2.9 GB、几乎不占 CPU。
- 吃算力的是编译:hb_compile 138 个进程,其中 77 个属于 bench 轨迹,其余是同机器上别人的实验(tune1.py、local_val.py;web_review.py 一个进程就占 124 GB 内存)。
- 本机盘 /home 上 bench 必须搬走的东西:
/home/ming01.wang/bench-state(sqlite 账本和锁,131 MB)、/home/ming01.wang/toolchains(32 GB x86 环境)、生产配置/home/ming01.wang/s100p-glm-8way-20260928-2124/。代码、轨迹、缓存都在网盘 /mnt/data(JuiceFS robotwin-archive)上。 - 只能在 Linux 上跑的部分:agent 沙箱是
unshare -Urmpf --mount-proc(scripts/jail_setup.py),进程管理读 /proc、boot_id、pidfd。06-hbm 用 hb_verifier/hb_model_info(地平线 x86 工具链),占轨迹总时长 16%。 - 不止 05 要 x86:02 基线、03 导出、04 校准数据、08 评测主机侧都用
paths.model_python(job)(网盘 cache/venvs 里的 x86 模型环境),05/06 用地平线工具链。只有 07(板端测速只是 ssh)和 agent/采集器不依赖 x86。 - 模型接口:GLM 走公网 open.bigmodel.cn,Qwen 走 ai-api.d-robotics.cc。
- 用户 10-08 的想法:Mac mini 只做任务下发,集群只提供执行环境。我的建议:能要到小云主机(8 核 32 GB)就用它当主控,因为它和网盘、集群在同一个机房,省掉数据搬运。
- Mac mini:
ssh amos@192.168.66.251(10-08 已装本机 id_ed25519 公钥,不要用密码),工作目录/Users/amos/work(10-08 为空)。 M6 12 核、16 GB 内存、剩余 121 GB 磁盘,macOS 27.0(arm64),没装虚拟机工具和 node。 电源设置:sleep=1、autorestart=0(断电后不会自动开机)。改电源设置属于系统设置,要用户自己执行。 10-08 实测能连通:GLM、Qwen、板卡 40009 端口、编译机 22 端口。 - 我当时操作用的 Mac 是 Mac16,1(MacBook Pro M4,16 GB),不是那台 Mac mini。
Why: 换机器时最容易漏的是本机盘上的账本和工具链,以及"只把 05 搬走"不够:06 也离不开 x86 工具链。 How to apply: 讨论新主控放哪时,先问能否拿到同机房的 Linux 机器;搬之前按 bench-restart-hazards 正常排空(只用 SIGTERM)。相关:rollout-time-breakdown-20261008
2026-10-08 实际回收(19:13–21:02 之间,ssh 主机密钥三种全换):没跑 migration-meta-20260928/stop-time-refresh.sh,所以本机盘上的东西只有 9-28 22:17 的 tar 备份(/mnt/data/ming01.wang/migration-meta-20260928/home-tars/:bench-state.tar、toolchains.tar 33G、s100p-glm-8way-*.tar、.local.tar 含额度账本)。9-28 的 bench-state 比 r20260929-0x 批次还早,这几个批次的账本没有备份;今天写的 raise-concurrency-20261008 配置也没备份。
新机器 ming01.wang@36.144.20.182:112 核、944 GB、Ubuntu 22.04,JuiceFS 已挂 /mnt/data,/home 盘只剩 23 GB(放不下 32 GB 工具链),unshare 沙箱可用、python3.10 在、没有 node。新机器上 ming01.wang 是 uid 1006,网盘文件属 uid 1004(新机器上叫 xiaoyan.zhao):bench 目录、批次目录全部不可写,.env.local 和每条 rollout.json 都读不了。网盘上的记录文件数(04=119、05=214、06=319)与回收前一致。
更正(2026-10-11 实测):网盘 bench/runs 下的文件现在属 uid 1006(36 上的 ming01.wang)、组 1004,36 上能读能写,rollout.json、agent/events.jsonl、HBM 都读得到。120 已于 10-11 关机清理,旧轨迹以后从 36 读。
2026-10-09 捞回:老机器重装后仍是 root@120.48.151.164(我用本机 ~/.ssh/id_ed25519_codex_180_76_192_183 登录,用户自己 ssh-copy-id 装的),原 home 整盘在 /home/cce/ming01.wang(属 uid 1004)。账本 jobs.sqlite / quota.sqlite 记到 10-08 20:47,完整性 OK。已拷到新机器暂存区 ~/restore-20261009(sha256 一致):bench-state、.local/state/bench-shared、三个配置目录、resume-glm-20261002-104649 日志、.ssh、toolchains/node。
- toolchains 只有 node 在 9-28 后变过(多了 mcp-remote),其余 bench-venv 7.5G / oe-3.7.0 13G / oellm2 11G 可从网盘
migration-meta-20260928/home-tars/toolchains.tar解;四块都在配置里,沙箱会全挂载,缺一不可。venv 的 base 都是 /usr/bin python3.10。 paths.work_root=/home/ming01.wang/bench-work是每条轨迹的编译临时目录,老机器上 444G,不用搬(续跑不依赖),但新机器需要大盘装它(重模型一条 10–17G)。- 停机时在跑的 37 条(04=5、05=16、06=16)账本里仍是 RUNNING,启动前要先处理。
更正(10-09):网盘上 bench/cache、bench/data、bench/state 都是指向 /home/ming01.wang/bench-{cache,data,state} 的软链接,缓存和数据其实在本机盘,不在网盘。老机器上:bench-cache 415G(baseline 160、onnx 88、weights 81、adapter-probes 80、venvs 1G),9-28 备份(374G,19:43 打包)之后新增 397 个文件 71G(baseline 49G + onnx 22G,可由 02/03 阶段自动重算,约 12.3+1 小时串行累计);bench-data 46G,备份后零改动,网盘备份即最新。LLM 网关 .local/state/litellm-formal-gateway 备份后改动 231G(不属 bench,用户定)。
cache_contract 锁的是模型 Python 路径和导出器版本,不是缓存内容;路径用 abspath 比对、不解软链接,所以大目录可放网盘、原路径放软链接。开 Salty 后只有 05(PTQ)上云、06 读 Salty 回执;01/02/03/04/08 仍在主控跑,需要 bench-venv + 缓存 + 数据(约 380G+)。