swanlab-monitor

name	swanlab-monitor
description	实时监控 SwanLab 上运行中的大模型训练实验——按窗口研判异常（NaN/尖峰/发散/掉速）并告警
argument-hint	[实验名/run_id/URL]
user-invocable	true
allowed-tools	Bash, Read, Agent, AskUserQuestion

SwanLab 训练实验实时监控

盯住正在跑的训练实验，每个周期拉最近窗口的指标，对照指标说明研判异常并告警。深度归因分析请用 /swanlab-analyze。

设计原则：

• 最小职责：取数走 swanlab/tools/ 单一功能脚本；本 skill 一次只跑一个监控周期，节奏交给 /loop。
• 裸数据进、研判在上层：tools/ 只回原始数据。

约定路径

• 工具目录：.claude/skills/swanlab/tools/（凭证读 ~/.navi/config.toml 的 [swanlab]）
• 指标说明：优先 ~/.navi/swanlab-metrics.md，否则 .claude/skills/swanlab/metrics.example.md（取其「期望趋势/异常信号」作研判依据）。

第一步：定位实验

把目标解析成 username/project/run_id：

• SwanLab URL（http://host/@user/project/runs/<run_id>/chart）→ 抽三段。
• run_id 或完整 user/project/run_id → 用之（缺段用配置默认）。
• 实验名 → 在默认/指定项目内 list_experiments.py 找同名 run。
• 参数为空：用 list_projects.py 找 count.runningExps>0 的项目，再 list_experiments.py 取 state==RUNNING 的实验；多个用 AskUserQuestion 选。

第二步：跑一个监控周期

持续监控：建议 /loop 5m /swanlab-monitor <实验>。本 skill 每次只跑一个周期。

1. 取最近窗口的点（无状态，用 --tail）：

   python3 .claude/skills/swanlab/tools/get_metrics.py --path <path> --keys <核心指标> --tail 50
   

   同时关注实验 state（CRASHED/FINISHED 要提示）。
2. 读指标说明的「期望趋势/异常信号」，对这个小窗口快速研判：NaN/Inf、尖峰、发散（loss/grad-norm 上行）、平台、吞吐掉速。
3. 研判结果：
   • 健康 → 一行状态：step / 关键指标最新值 / OK。
   • 异常 → 醒目 ALERT：现象 + 证据(step/值) + 依指标说明的可能原因；必要时对该实验起一个 swanlab-analyst（Agent 子类型）做聚焦诊断。
4. 提示用户用 /loop 持续盯，或用 /swanlab-analyze 深挖。

注意事项

• 取数脚本报错会回 {"error": ...}；据此提示用户（多半是 [swanlab] 未配 api_host/api_key）。
• 监控无状态：每周期只看最近窗口，不依赖上次结果。
• 默认中文输出；指标名、step、数值保留原文。