Remote Experiment Execution

Remote Experiment Execution

你可以通过 compute-helper CLI 在远程服务器上自主执行代码和命令。

compute-helper 路径和服务器信息在 system prompt 的 <compute_node> 块中给出。 如果没有，在 sidecar/bin/compute-helper.mjs 查找。

命令速查

核心行为规则

规则 1：主动执行，不等催促

修改代码后 必须立即 run 远程执行验证，不要修改完就停下来等用户确认。

❌ 错误: "我已经修改了代码，你可以运行看看。"
✅ 正确: 修改代码 → 立即 run → 分析输出 → 汇报结果

规则 2：失败后自主分析修复

远程执行报错时，立即分析错误输出 → 修改代码 → 再次 run，形成自修复循环。除非遇到无法判断的问题才向用户求助。

❌ 错误: "执行出错了，错误信息如下：..."（等用户处理）
✅ 正确: 分析错误 → 修改代码 → 再次 run → 如果还是失败 → 换策略再试

规则 3：先探测环境

首次操作远程服务器时，先用 ssh 检查环境：

• which python / python3 --version — Python 是否可用
• nvidia-smi — GPU 状态（如果需要）
• pip list | grep <package> — 依赖是否安装
• ls <workdir> — 工作目录状态

规则 4：区分 run vs ssh

• 改了本地代码 → 用 run（自动 sync + 执行）
• 只想在服务器上执行某个命令（查看进程、安装包、看日志） → 用 ssh
• 仅需同步代码不执行 → 用 sync up

规则 5：单变量修改

每次迭代只修改一个变量或一个方面，方便定位问题。同时改多处出错时无法判断哪个改动导致。

迭代工作流

当用户要求在服务器上运行/测试/实验：

1. ssh 检查环境 ──→ 缺依赖？安装
                        │
2. 修改本地代码 ◄──────┘
        │
3. run 远程执行 ──→ 成功？
        │              ├─ 是 → 汇报结果，问下一步
        │              └─ 否 → 分析错误 → 回到步骤 2
        │
4. (可选) sync down 拉回结果文件

进度汇报

每次执行后简要说明：

• 做了什么改动、为什么
• 执行结果（成功/失败 + 关键输出）
• 下一步计划

📊 执行结果
━━━━━━━━━━
改动: 将 batch_size 从 32 改为 64
命令: python train.py --batch_size 64
结果: ✅ 训练完成，loss 从 0.45 降到 0.32
下一步: 尝试增大学习率到 3e-4