Web 控制台
Web UI 由 gpuctl-server 静态托管（默认 :8600），是给人看的观测面：
Agent 走 MCP，人走浏览器，两者读的是同一份数据。
下面按页面说明各自能做什么。截图来自一个演示环境：单机 RTX 4090，
项目 qwen-sft 下有一次完成的 baseline、一次正在跑的 lr-sweep、一个排队的作业和一次 OOM 失败。
图表交互（全站统一）
Section titled “图表交互（全站统一）”所有训练曲线由同一套图表面板渲染，交互与 W&B / TensorBoard 对齐：
- 精确读数：鼠标悬停出现十字线与悬浮框，同时显示该点的 step、相对时间、 墙钟时间，以及每条曲线的平滑值与（括号内）原始值。
- 平滑：面板右上滑杆做 EMA 平滑（TensorBoard 语义，0 = 原始曲线）； 平滑开启时原始线以淡色衬底。
- 缩放：在曲线上拖拽框选放大，双击或 ⟲ 按钮复位。
- X 轴模式：
step / relative / wall三种坐标切换（相对时间/墙钟时间便于对齐多台机器）。 - 图例：点击显隐某条 run，Ctrl/⌘-点击隔离单条，悬停高亮。
- 每条 run 的颜色由 run id 哈希决定——同一个 run 在 Experiments、Compare、 Dashboard、Run 详情里颜色永远一致。
- 运行中的 run 通过 SSE 实时推点（
/runs/{id}/metrics/stream），曲线逐点生长， 另有 5 秒水位轮询兜底修复丢点。
Dashboard：舰队一览
Section titled “Dashboard：舰队一览”
- 顶部卡片：在线节点、GPU 占用、RUNNING / QUEUED 数、未处理告警数（critical 单独标红）。
- Alerts：EventDetector 最近的 warning/critical 事件（含 critical/warning 计数）。
- Active Runs：正在跑的 run——进度条、step/max_steps、primary metric 最新值， 以及该指标的实时 sparkline；点击直达 run 详情。
- Queue：排队中的前 5 个作业及其资源需求，方便判断何时有空位。
- Fleet：每张卡的利用率 / 显存条与心跳时间；卡变灰说明 agent 掉线。
打开 Dashboard 十秒钟，回答的就是“现在能不能再交一个任务？有没有任务需要我处理？”
Runs 与 Run 详情
Section titled “Runs 与 Run 详情”
Runs 列表按实验归组展示所有观测单位（含 SDK 自注册和 import 的历史 run）， 带进度条与 primary metric 的 best/latest 两列。点击进入 run 详情，五个标签页：
Overview
Section titled “Overview”
- RUNNING 时 live 优先：顶部大进度条 + primary metric 实时曲线（SSE 逐点推送）、 最近 10 条事件、可展开的日志 tail。
- FAILED/LOST 时诊断优先：顶部出现失败诊断卡（
GET /runs/{id}/failure）—— likely cause、证据列表、suggested fixes。先按建议改配置，再点 retry； retry 按钮的提示也会提醒你这一点（同配置重试必然同样失败）。
- 其余：状态、step/epoch、每个指标的 latest / trend / best、config 与环境快照。
- 页头动作：experiment / job / node 直达链接；write token 可见 cancel（需确认）与 retry。
Metrics
Section titled “Metrics”
每个指标一张 ChartPanel（交互见上）。图中这条 eval/loss 在 step 1200 后重新抬头、
而 train/loss 仍在下降——典型的过拟合形态，EventDetector 也正是据此发出了
OVERFITTING_SUSPECTED 预警。
Checkpoints
Section titled “Checkpoints”
本 run 注册的全部 checkpoint（step / epoch / 大小 / 路径）。顶部横幅是
get_best_checkpoint 的推荐结果：这里推荐的是 step-1000——因为它挂着评估结果
（[held-out evaluation]），比训练期 best 值更可信。每行末尾的 evaluate 按钮
可直接为该 checkpoint 排一个评估作业。
Evaluations
Section titled “Evaluations”
评估记录：指标、suite、耗时、对应的评估 job。评估是回挂在 checkpoint 上的一等记录， 不是散落在日志里的文本。
Events
Section titled “Events”该 run 的全部生命周期与异常事件（见下文 Events 页）。
Experiments：实验工作区
Section titled “Experiments：实验工作区”
列表页是实验的管理视图：每个实验一行，展示 run 状态计数（running/succeeded/failed）、 primary metric 的 best 值、最近活跃时间；顶部项目筛选 chips + 搜索，URL 可分享。 “create” 区就地创建项目与实验；指标方向与 primary metric 的三级继承 （experiment 覆盖 project 覆盖 global）收进右上 ⚙ metric definitions 抽屉里管理。
点进某个实验即进入分析工作区：
- primary metric 面板置顶通栏（★ 标记 + 方向说明），其余指标两列网格排布， “+ add metric panel” 随时加面板；
- 平滑、X 轴模式、选中的 run、面板列表全部编码在 URL
（
?metrics=&runs=&smooth=&x=）——把链接贴给同事，他看到的就是你看到的； - 下方 runs 表按 primary metric 排序：勾选控制哪些 run 进图（颜色与曲线一一对应）、 best 徽章、进度条；勾选 ≥2 个出现 “compare selected →” 直达 Compare 页。
Compare：多 run 叠加对比
Section titled “Compare：多 run 叠加对比”
从 Runs 列表或实验工作区勾选多个 run 进入 Compare（URL 形如 /#/compare?runs=a,b，
可直接分享）：
- 同一指标的多 run 叠加曲线（下拉切换指标，★ 标记 primary；运行中的 run 实时更新）；
- 取数走批量端点
POST /runs/metrics:query，不再有 N+1 请求； - 下方表格按 primary metric 排序并标出 best——扫参（lr sweep）场景一页出结论。
Jobs：调度队列
Section titled “Jobs：调度队列”
调度视角的任务列表：状态徽章（RUNNING/QUEUED/FAILED/SUCCEEDED）、优先级、
attempt 次数、命令、耗时。右上 + submit job 可在浏览器里直接提交；
FAILED 任务有 retry 按钮（同 id、attempt+1），RUNNING/QUEUED 任务可 cancel。
写操作按钮（submit/retry/cancel）对 read scope 的 token 一律隐藏——界面随
GET /auth/whoami 的 can_write 自适应。
Nodes：机器与 GPU
Section titled “Nodes：机器与 GPU”
每台 agent 主机一张卡片：GPU 型号/显存、CPU/内存、实时利用率与显存条、心跳时间。 心跳超过 90 秒未更新，节点自动标记 OFFLINE，其上的 RUNNING 作业进入恢复流程。
Events：事件流
Section titled “Events：事件流”
全系统事件的统一时间线：生命周期（JOB_QUEUED / RUN_STARTED / CHECKPOINT_CREATED…） 与异常（OOM / LOSS_NAN / OVERFITTING_SUSPECTED…），按严重度着色， 可按 run / job / node 过滤。右上 live 开关通过 SSE 实时推送新事件。
排查问题时的时间线还原就靠它：谁先发生、谁紧随其后，比翻日志快得多。