v0.3 发布验收（CI + 原生 MCP 真机研究）

日期：2026-08-20 结论：PASS（v0.3 的单机/小规模裸进程 + SQLite 边界内） 真机：WSL2，NVIDIA RTX 5090 32GB 研究 Agent：GPT-5.6 Luna，通过 Codex 原生 gpuctl MCP 工具调用

本轮发布验收补齐 CI、版本、README、前端浏览器 smoke、MCP 并发与鉴权， 并让一个全新的 Luna 研究 Agent 在看不到实现的条件下完成真实训练、监控、 失败诊断、checkpoint 评估、比较和推荐。最终证据支持合并到 main；它不等同于 多节点、长时间 soak 或任意模型工作负载的生产验证。

决策契约与方法

• 决策：当前 v0.3 是否可以合并到 main 并作为本地 GPU 控制平面发布。
• 包含：Python/前端质量门、20 个 MCP 工具、真实 GPU 训练与评估、语义一致性、 checkpoint 数据完整性、并发与失败路径、HTTP MCP 鉴权。
• 排除：多节点训练、数日 soak、不同框架的大模型训练、跨公网暴露和多租户。
• 发布阻断规则：任何 checkpoint 交叉污染、错误推荐、未鉴权写入口、原生 MCP 传输不稳定、质量门失败，均判定不通过。
• 黑盒约束：Luna 只能读取 AGENTS.md 与三个 gpu-training skills，并直接调用 model-visible gpuctl 工具；禁止 FastMCP/httpx/curl/REST/SSH、MCP client 或协议脚本， 禁止读取实现、测试和数据库。

发布质量门

Gate	结果
uv run pytest tests/ -q	121 passed（1 个已知 Starlette deprecation warning）
uv run ruff check packages/ tests/	PASS
uv run mypy packages/	PASS，56 source files
cd web && pnpm build	PASS，TypeScript strict + Vite
cd web && pnpm test:e2e	2 passed，Chromium
git diff --check	PASS
CI	GitHub Actions 覆盖 pytest、Ruff、mypy、web build、Playwright
版本	Python workspace、runtime、FastAPI/FastMCP、plugin、web 统一为 0.3.0

研究迭代与负面证据

迭代	观察	诊断与处置	结果
native1	原生工具已注入，但非交互子会话把调用标为 user cancelled	给独立验收会话配置无交互审批；未把本轮当业务证据	方法问题，重跑
native2（修复前）	baseline/low/high 三个 run 都指向同一 checkpoints/checkpoint-469；三次 eval 均读到 high-LR 权重	示例 artifact 未按 run 隔离；增加 run-scoped 路径、递归 watcher、共享路径评估拒绝	确认 release blocker
native3	服务端 409 成功阻止污染，但旧 run 的 grace-period watcher 把新 run 子树登记给自己	watcher 跳过 sibling run_* 子树；增加重叠 watcher 回归	防线有效，归属仍需修复
native4	checkpoint 隔离、指纹、事件和 metrics 已正确；Agent 按 skill 调 eval.py --suite heldout，但示例入口名称不一致	实际示例统一为 eval.py 并接受 --suite	skill/可执行契约修复
native4 follow-up	两个旧 checkpoint 发生 FileNotFoundError	发布同步误用了 rsync --delete，删除了远端示例运行时 artifacts；不是产品逻辑缺陷。停止对 examples 使用 --delete，重新训练生成全新证据	环境受污染，整轮废弃
native5（fresh）	从零训练、等待 watcher、评估、比较、失败诊断、并发读全部通过	无需进一步产品修复	PASS

部署误删的远端 MNIST checkpoint 无法从原目录恢复；历史 SQLite 记录仍在，但对应旧文件 不可再用于评估。native5 使用全新 run/checkpoint，不复用这些记录。

native5 真机结果

原生会话 transcript：/tmp/gpuplane-luna-native5-transcript.jsonl。

• 原生 MCP 调用 68 次；工具错误 0；并发读 17 次；Event-loop/transport 错误 0。
• Node：nd_01M09MKC9GEBG3AEAS0ZATE49V（RTX 5090）。
• Project / Experiment：prj_01M0F7JMBQFF44EFQKVXY5W5XV / exp_01M0F7JMBQJXPJQVR2W7PEFAF3。
• Primary metric：eval/loss，minimize。

Variant	Run	Train eval/loss	Heldout eval/loss	Accuracy	结论
baseline, lr=0.001	run_01M0F7JNQMY8AHJM3RQV8Y07JZ	0.1198393541	0.1198393541	0.9630	winner
high-LR, lr=1.0	run_01M0F7MEE5X423BW3SJDRRXDKW	3.8933912964	3.8933912964	0.0202	reject

两者均为 CUDA、1 epoch、469 steps、exit 0。每个 run 恰有 48 个指标点， (metric name, step) 重复数为 0；每个 run 恰有一个 CHECKPOINT_CREATED，且无跨 run 事件。

Run	Checkpoint	Path suffix	Fingerprint
baseline	ckpt_01M0F7MDE57BMJTPYRHVHH3VWD	checkpoints/run_01M0F7JNQMY8AHJM3RQV8Y07JZ/checkpoint-469	7668378dd91e4694312b58714b5517244e8a10cd
high-LR	ckpt_01M0F7MHNCCZSW4J2W6YNZD57Q	checkpoints/run_01M0F7MEE5X423BW3SJDRRXDKW/checkpoint-469	8311a7d1cea807c69aa6a07343819d6a762e097b

两次 evaluation 均为 SUCCEEDED：

• baseline：eval_01M0F7NNQ9RPJCPESA7Q57S4GS；
• high-LR：eval_01M0F7NNPGHSMSJCB9Z23G41C8。

compare_runs、compare_checkpoints、run 级和 experiment 级 get_best_checkpoint 均选择 baseline checkpoint，值为 0.11983935413360595， 且 source=evaluation，不存在训练 fallback 掩盖评估空洞的问题。

失败、并发与鉴权

受控 CPU 失败 job_01M0F7QBHGBYE9D2YBX1T4TFS5 / run_01M0F7QC9439616R512E7GJKQP 按预期 exit 7。explain_failure 返回：

• cause：process exited with code 7；
• suggested fix：先检查 stderr，并修正 command、working directory、依赖或输入；
• next action 为 tail_logs，明确说明 unchanged retry 很可能原样失败；
• 未建议 retry_job，未重试，也未取消健康任务。

MCP client 改为每请求独立 httpx.AsyncClient 后，native2 的 114 次和 native5 的 68 次原生调用均未再出现 Event loop is closed；native5 的 17 次并发读同样为 0 错误。

Streamable HTTP 现在使用 constant-time Bearer verifier。正确 token 的全部原生调用通过； 错误 token 的独立原生 Codex 探针在 MCP 初始化时收到 HTTP 401，工具未注入。stdio 保持 单客户端模式，不叠加 HTTP transport auth；上游 server 的 scope 仍决定 write tools 是否可用。

修复清单

• MCP：跨 event loop/concurrency 生命周期隔离；HTTP Bearer 鉴权。
• Checkpoint：示例按 GPUCTL_RUN_ID 隔离；watcher 支持嵌套路径且跳过 sibling run； 共享物理路径拒绝评估；SDK/watcher replay 不重复发创建事件。
• Metrics：GPUPlane job 内只走 SDK，同一示例不再同时由 SDK + TensorBoard 重复上报。
• Failure semantics：未知失败先看日志和改配置，不盲目原样 retry。
• Evaluation：提供与 skill 契约一致的 examples/mnist/eval.py --suite heldout。
• Release：CI、0.3.0 版本统一、README 工具/测试数据、Playwright smoke。

非声明与后续边界

本报告支持“v0.3 在当前单机 RTX 5090、裸进程、SQLite 目标边界内可发布”。它不证明：

• 多节点或多 GPU 分布式训练；
• 长时间负载、断电恢复和海量 checkpoint 容量；
• 所有训练框架的 checkpoint 目录布局；
• 面向公网或多租户的安全性。

这些应作为后续独立容量/故障注入研究，而不是扩大本次 v0.3 结论。