aituner/docs/aituner-roadmap.md

AITuner roadmap

本文只维护最小 roadmap：paper framing、claim 树、已有证据、最高优先级实验。 详细实验流水账放到对应专题文档里。

Paper thesis

AITuner 的核心不是“用 LLM 调参”。更准确的 framing 是：

black-box knob optimization
  -> grey-box / mechanism-guided experimental optimization

也就是说，AITuner 仍然通过真实实验测量目标函数，但它不再把 serving engine 当成 完全黑盒的 config vector -> scalar score。Harness 将 workload、SLO failure、 probe trace、topology constraints 和 failure memory 转换成结构化的 serving mechanism state，并把下一步搜索限制在可解释、可验证的 intervention 上。

因此 LLM 不是不可替代的核心。LLM 是 planner backend / copilot；核心系统贡献是 planner-agnostic 的 tuning substrate：

Harness H = (O, R, G, V, M)

O: observation schema
   workload L/C/A profile + probe trace + latency/SLO failure + launch status

R: regime attribution
   SLO violation -> prefill-bound / decode-bound / admission-bound / memory-bound / launch-bound

G: serving intervention grammar
   regime -> legal intervention families, not raw arbitrary knobs

V: validator
   tunable schema + topology constraints + no-repeat + failure memory + stop authority

M: measurement/scoring protocol
   SLO-constrained feasible frontier, req/s/GPU, latency quantiles, pass-rate guard

当前 src/aituner/harness.py 是 prototype：它已经展示 no-LLM loop 和 mechanism-guided proposal 的可行性，但仍然包含大量 rule-based heuristics，不能作为最终 harness contribution。新的目标设计见 Declarative intervention harness design。

Planner 是可替换的：

pi in {LLM, BO, bandit, deterministic heuristic, tree search}

AITuner 的强 claim 应该是：同一个 planner 放在 harness-shaped space 里，比放在 raw knob space 里更快、更稳、更接近最优；弱模型或非 LLM planner 也能从这个 substrate 中获益。

Why not pure white-box

我们不应 claim 完整 white-box optimization。AITuner 没有解析 vLLM scheduler、 kernel、KV cache、通信和排队的闭式性能模型。更稳妥也更强的表述是 grey-box：

• objective 仍然由真实测量决定；
• action space、constraints、failure attribution 和 intervention semantics 是系统知识驱动；
• 每个 trial 是一个 counterfactual experiment，而不是盲目采样一个 knob vector。

关键设计点

设计点	更强表述	作用	需要证明
Observation	mechanism state	将 workload shape、probe trace、SLO failure、launch/memory failure 结构化	agent 看到的是可计算状态，不是自然语言日志
Bottleneck classifier	SLO violation attribution	把失败归因到 serving regime，而不是只看哪个指标超阈值	attribution 和后续有效 intervention 有因果关联
Candidate family	serving intervention grammar	把 raw knobs 提升为 topology / batching / admission / memory interventions	搜索空间被压缩，但不写死某个 case
Scoring	counterfactual verdict	用 SLO frontier 和 req/s/GPU 判断 intervention 是否支持假设	最终 winner 由测量决定，不由 LLM 决定
Validator / stop	fail-safe control	禁止非法、重复、已知失败 family；只有 validator 授权 stop	错误 attribution 最多浪费 trial，不污染 incumbent

Claim roadmap

Claim	当前状态	证据文档	关键缺口
C1. Harness 将 raw knob search 转成 mechanism-guided intervention search，提升固定预算优化效果	已有强信号	No-LLM harness mechanism, Qwen27B 2x2, Qwen30B SLO robustness	补 Qwen235B decode 2x2 aggregate；补 mechanism ablation
C2. 收益来自 harness-defined substrate，不依赖某个强 LLM	Qwen30B no-LLM 已完整闭环；Qwen27B 弱/强模型已有	No-LLM harness mechanism, Qwen27B 2x2	做 BO/heuristic + harness vs BO/heuristic + raw knobs
C3. Weak planner + harness 可以匹配或超过 strong LLM naive	Qwen27B 已支持；Qwen235B 正在补	Qwen27B 2x2, Qwen235B prefill progress	完成 Qwen235B decode 2x2；更新 prefill final doc
C4. Attribution 和 intervention grammar 有机制贡献，不只是 prompt 信息更多	设计和 no-LLM case 已整理；严格 ablation 不足	No-LLM harness mechanism, AITuner summary	做 shuffled attribution / no attribution / no grammar / no topology-first / no validator ablation
C5. AITuner 找到 near-optimal region，而不是只找到一个可行 config	Qwen30B 有解释性信号	Qwen30B SLO robustness	选 1-2 个 case 做局部 grid 或专家配置对照
C6. AITuner 能随 SLO tightness 移动到合适 frontier	Qwen30B 已完成	Qwen30B SLO robustness	再选一个非同质 case 做 SLO sweep；同时画 SLO tightness -> frontier/regime transition
C7. Engine adapter 让 intervention grammar 可迁移到其他 serving engine	设计上可行，暂不作为主实验 claim	EngineLaunchSpec / launch recipe / tunable schema	vLLM 主线完成后，再做 SGLang adapter 和一个低成本验证 case
C8. Harness 对坏初始点有恢复能力，不只依赖可信 base config	当前发现反例，不能 claim	Declarative intervention harness design, Bad-start stop counterexample, No-LLM harness mechanism	重构为 grammar/operator + coverage-relative stop 后跑 random/adversarial start distribution

最高优先级实验

P0a. Declarative harness redesign gate

目的：停止继续向 harness.py 添加 testcase-specific rules，把 harness 重构成 declarative intervention grammar + coverage-relative validator。

最低验收：

• CandidateSet 完整枚举并持久化 snapshot；
• harness_priority 与 backend ranking 分离；
• CoverageUnit 结构化，stop 不能只依赖 exact signature；
• search_high_saturated_by_incumbent 不能绕过 CandidateSet coverage；对 req/s/GPU 目标，未覆盖 topology/resource-efficiency contrast 时必须继续；
• 加入 auto_search_high measurement policy：可在已有 trace 内自动提高 ceiling；若 search.high=1.0 仍然不足，必须报告 measurement_ceiling_insufficient 并等待人类 确认，不得静默重复窗口或合成 arrivals；
• Failure invalidation 有保守 region predicate 和 retry/unblock 条件；
• grammar/policy/capability 都有 version 和 anti-overfitting static checks；
• LLM/BO 只能选择合法 candidate，不能绕过 validator。

优先级原因：如果不先完成这个 gate，继续扩展 bad-start/SLO/2x2 实验只是在证明一个 rule-based prototype。

P0b. Bad-start recovery confirmation after redesign

目的：回答 harness 是否只能从可信 base config 起步，还是能从明显不合理的初始 config 恢复到正确方向。

最小实验矩阵：

Case	初始配置	证明点
bad-topology	TP=8, DP=1	高 TP 起点会先做相邻低 TP bracket
bad-runtime	TP=2, gmu=0.5, max-num-seqs=8	低 runtime headroom 会跳回 nominal floor
combined-bad	TP=8, gmu=0.5, max-num-seqs=8	topology recovery 和 runtime recovery 能串联

注意：这不是先跑一条手工 bad case。必须在 declarative harness 之后跑 random/adversarial start distribution，并报告分布结果。

预期图：

• x-axis: trial index；
• y-axis: best-so-far SLO-constrained req/s/GPU；
• line groups: trusted-start vs bad-start cases；
• annotation: proposal family sequence，例如 TP downshift, gmu floor jump, gmu climb。

启动条件：先完成 P0a；再确认 dash fleet 有空闲 8xH20 机器；用户确认后再开跑。

P0c. 完成 Qwen235B decode 2x2 并整理 aggregate

目的：补齐最核心的 harness on/off x strong/weak planner 证据，回答：

weak LLM + harness >= strong LLM naive ?

预期产出：

• 2x2 表格：每个 arm 在相同 iter budget 下的 best-so-far req/s/GPU；
• convergence curve / normalized AUC；
• 每个 arm 的 trial path 和主要 config patches；
• 解释 naive 为什么走错，harness 如何通过 regime attribution 走到正确 intervention。

优先级原因：实验已经在跑，增量成本最低，而且直接支撑 C1/C3。

P1. Planner-agnostic substrate 实验

目的：证明 AITuner 不是 LLM tuner，而是 harness-defined optimization substrate。

最小实验矩阵：

Planner	Raw knob space	Harness intervention space
deterministic heuristic	raw heuristic	harness policy
BO 或 lightweight bandit	raw BO	harness-guided BO
weak LLM	naive weak LLM	weak LLM + harness
strong LLM	naive strong LLM	strong LLM + harness

如果 BO 实现成本高，先用 deterministic harness policy 做 non-LLM planner baseline： 它已经能证明“没有 LLM 也能 work”。随后再补 BO，使论证更强。

预期图：

• x-axis: trial budget；
• y-axis: best-so-far SLO-constrained req/s/GPU；
• line groups: raw knob space vs harness intervention space；
• 单独 bar：invalid launch rate、repeated config rate、wasted trial rate。

优先级原因：这是新 framing 的关键实验。没有它，paper 仍然容易被读成“LLM prompt engineering”。

P2. Mechanism ablation

目的：证明 harness 内部不是普通信息堆叠，而是 attribution、intervention grammar、 validator 分别贡献有效机制。

建议 ablation：

Variant	删除/破坏什么	预期证明
full AITuner	无	最好
no attribution	不提供 regime attribution，只给 scalar score 和历史结果	attribution 对方向选择有贡献
shuffled attribution	故意打乱 regime label，但保留文本长度	收益来自语义正确性，不是更多 prompt tokens
no intervention grammar	允许任意 tunable knobs，移除 family guidance	action-space shaping 有贡献
no topology-first	runtime knobs 可以优先于 topology intervention	topology 是 LLM serving 的一阶决策
no validator/failure memory	允许重复、已知 launch failure family	fail-safe control 减少 GPU burn

预期图：

• mechanism ablation bar：final best、AUC、TTT；
• waste breakdown：invalid launch、repeat config、wrong-family trial；
• case study trace：每个 variant 前 3-5 个 proposal 对比。

优先级原因：这是回应 novelty 质疑的核心证据。

P3. Near-optimum / expert baseline 证据

目的：证明 AITuner 不是只找到“能收敛但性能差”的 config。

优先选择一个成本可控 case 做局部 grid：

topology: TP/DP frontier
runtime: max-num-seqs, max-num-batched-tokens, gpu-memory-utilization 的小邻域
objective: max feasible req/s/GPU under pass_rate >= 0.95

预期图：

• local grid heatmap；
• AITuner trial path overlay；
• AITuner best vs grid best vs expert config；
• near-optimum gap，例如 AITuner >= 95% of local grid optimum。

优先级原因：这是 claim “tune 出最好的 config，而不是差的收敛 config” 的必要证据。

P4. 第二个 SLO robustness case

目的：证明 Qwen30B 的 SLO robustness 不是单 case 现象。

不要先大规模铺 sweep。先选一个和 Qwen30B 机制不同的 case：

• 一个 decode-heavy case，观察 TP/DP redistribution 和 concurrency/memory intervention；
• 或一个 long-prefill / tight-TTFT case，观察 TP 和 prefill batching intervention。

预期图：

• x-axis: SLO tightness；
• y-axis: best feasible req/s/GPU；
• marker/color: selected intervention regime；
• annotation: final TP/DP/MNS/MBT；
• 展示 SLO 放宽时 frontier/right shift 或 regime transition。

优先级原因：重要，但应排在 planner-agnostic 和 mechanism ablation 之后。

P5. SGLang / multi-engine adapter validation

目的：证明 intervention grammar 可以通过 adapter lowering 到不同 serving engine。

当前暂缓，不作为 vLLM 主线之前的高优先级实验。等 C1-C5 稳定后再做一个低成本 case：

same workload profile
same SLO objective
same intervention grammar
different engine adapter

优先级原因：它能扩展 generality，但不能替代 vLLM 主线的机制证明。

暂不做

• 暂不把主 claim 写成“LLM 比 BO 更聪明”。新 claim 是 harness substrate 对多种 planner 都有用。
• 暂不 claim full white-box 或全局最优。当前更稳妥的是 grey-box、near-optimum、 fixed-budget utility。
• 暂不横向铺大量 SLO sweep。先补机制 ablation、planner-agnostic 和 near-optimum。
• 暂不把 multi-engine support 放进主实验 claim。先写成 adapter-based design，等 vLLM 证据链完整后再补一个 SGLang validation。