aituner/docs/harness-ablation/no-llm-harness-mechanism-20260625.md

No-LLM Harness Mechanism - 2026-06-25

本文回答一个核心问题：如果不调用 LLM，harness 为什么还能自动找到配置？

结论先说清楚：no-LLM 模式下并不是“没有 planner”。当前 harness 本身就是一个 deterministic planner。LLM 在 AITuner 里只是一个可替换的 proposal backend；当 harness 能从观测、瓶颈归因、候选 family 和 stop validator 中推出下一步时，tuning loop 会直接使用 harness proposal，而不会请求 LLM。

Tune loop 中 LLM 的位置

study tune 每轮的决策顺序是：

state + study spec + workload/probe results
        |
        v
build_harness_context(...)
        |
        +--> build_harness_stop_proposal(context)
        |       if true: write harness-stop and exit
        |
        +--> build_harness_guided_proposal(context)
        |       if true: run this deterministic proposal
        |
        +--> call_llm_for_proposal(...)
                only if no harness stop/proposal exists

因此在 study.llm.endpoint = null 的 no-LLM run 中，只要 harness 每轮都能给出 一个 deterministic proposal 或 deterministic stop，整个实验就可以完全不调用 LLM。 如果 harness 既不能 propose 也不能 stop，且没有 LLM endpoint，AITuner 会报错，而不是 偷偷退化成随机搜索。

当前 Qwen30B stopfix run 就是这种完整闭环：

.aituner/qwen30b-harness-only-medium-stopfix-dash1-20260624T144701Z/

它没有 LLM endpoint，但仍完成了 9 个 measured trials，并最终由 validator 写出 harness_stop。

Harness 做的不是 prompt engineering

Harness 做的事情可以形式化成：

H = (O, B, G, S, V)

O: Observation schema
   将 workload、trial probes、SLO failure、launch failure、topology constraints
   转成结构化状态。

B: Bottleneck attribution
   将 SLO violation 归因到 serving regime，例如 ttft_prefill、decode_tpot、
   admission_or_queueing、launch_or_memory。

G: Intervention grammar
   将 raw knobs 组织成有语义的 candidate families，例如 topology、batching、
   sequence admission、KV memory headroom。

S: Scoring policy
   对候选 intervention 评分，选择最有信息量且最可能提升 SLO-constrained
   req/s/GPU 的下一步。

V: Validator / stop policy
   阻止非法、重复、已知失败或无意义的 proposal；只有在剩余高价值候选被测完后
   才允许 stop。

LLM 可以读取这些结构化信息并生成 proposal，但 no-LLM 时 H 自己就能生成 proposal。换句话说，我们的核心是把：

raw config vector search

转成：

mechanism-guided intervention search

这就是为什么没有 LLM 也能工作。

Agent loop 流程图

flowchart TD
  A[Baseline or latest measured trial] --> B[Load probe history and trial result]
  B --> C[Build workload L-C-A profile]
  B --> D[Build TrialProfile]
  C --> E[Rank bottleneck hypotheses]
  D --> E
  E --> F[Generate legal candidate actions]
  F --> G[Score candidates]
  G --> H{High-value candidate?}
  H -- yes --> I[Emit harness-proposal]
  I --> J[Run real vLLM trial over search range]
  J --> B
  H -- no --> K{Validator stop allowed?}
  K -- yes --> L[Emit harness-stop]
  K -- no --> M{LLM endpoint exists?}
  M -- yes --> N[Ask LLM backend]
  M -- no --> O[Fail loudly: no proposal source]

Observation: harness 看到什么

每一轮 harness 不看自然语言日志做猜测，而是读结构化状态：

• StudySpec
  • hardware: GPU 数量、GPU 型号；
  • engine: base flags/envs、tunable flags/envs、topology constraints；
  • trace: request mode、window id、输入长度过滤、输出长度 override；
  • SLO: TTFT/TPOT rule、target pass rate；
  • search: load range、tolerance、probe budget。
• window_summary / WorkloadProfile
  • L: request length 分布、tail ratio；
  • C: prefix/cache reuse；
  • A: arrival rate、burstiness、interarrival variation。
• 最近 trials
  • config patch；
  • best feasible request rate；
  • request_rate_per_gpu；
  • pass rate；
  • probe history；
  • latency p50/p95/p99；
  • SLO failure reason counts；
  • launch/runtime failure stage。

这些数据会被压成 recent_trial_diagnostics 和 trial_profiles，后续步骤只使用这些结构化 字段。

Bottleneck classifier: 怎么判断方向

Harness 维护一组 ranked bottleneck hypotheses：

ttft_prefill
decode_tpot
admission_or_queueing
launch_or_memory

它的输入不是单一阈值，而是多类证据：

• workload default：长 prompt tail 更偏向 ttft_prefill；
• request mode：decode-only 且有 TPOT SLO 时更偏向 decode_tpot；
• probe sequence：最近 trial 的 active bottleneck 权重大于旧 trial；
• failed reason counts：
  • ttft_ms>... 支持 ttft_prefill；
  • tpot_ms>... 支持 decode_tpot；
  • arrival_lag_s> / probe_elapsed_s> 支持 admission_or_queueing；
• launch failure / OOM：支持 launch_or_memory。

代码里这不是一个硬编码单标签，而是带 confidence 的 ranked list。例如最近 probe 明确出现 TPOT failure，会提高 decode_tpot 分数；如果同时 workload 有长 prompt tail， ttft_prefill 仍会保留为次级 hypothesis。

Candidate family: raw knobs 如何变成 intervention

Harness 不直接在所有 tunable flags 上盲采样。它先把 knobs 分成有系统含义的 intervention family：

Family	代表 knobs	机制含义
topology	tensor-parallel-size, data-parallel-size, EP knobs	改变每请求并行度、replica 数量、通信/效率 tradeoff
batching	max-num-batched-tokens, enable-chunked-prefill	改变 prefill/decode batching 与 HoL blocking
admission	max-num-seqs	改变并发 admission 与 TPOT/TTFT tail
KV memory	gpu-memory-utilization	改变 KV cache blocks 和可承载并发
failure memory	failed signatures	阻止重复已知 launch/runtime 失败方向

关键点是：candidate 来自当前 StudySpec 的 tunable schema 和 topology constraints。 例如 topology candidate 只枚举合法 TP/DP/EP 组合；如果 EP 没有直接证据，generic topology search 不会主动引入 EP。

Scoring: 为什么会先走 topology，再走 gmu

Candidate action 的评分大致是：

score = expected_bottleneck_relief * bottleneck_confidence
      + information_gain
      + launch_safety
      - regression_risk

然后 experiment_plan.next_action 选择最高分候选。分数超过阈值时，harness 直接生成 proposal；否则进入 stop validator 或 LLM fallback。

这套 scoring 体现了几个系统原则：

1. Topology 是 serving 的一阶决策。 当 TP frontier 还没测完，gpu-memory-utilization、max-num-seqs 这类 runtime 微调不会抢在 topology 前面。

2. Topology 不是“越大越好”。 评分和最终 winner 都看 request_rate_per_gpu，不是 raw request rate。TP4 可能总吞吐 更高，但如果使用更多 GPU 后 per-GPU 效率下降，就不会成为 incumbent。

3. Runtime tuning 必须 anchored on incumbent topology。 当 topology 已经验证过，runtime proposal 会 preserve 当前 best topology，只在其上 调 gpu-memory-utilization、max-num-seqs、max-num-batched-tokens。

4. Measurement 决定最终答案。 Candidate 只是一个 hypothesis；是否接受由真实 trial 的 SLO-constrained request_rate_per_gpu 决定。

5. Bad-start recovery 需要先 bracket，再微调。 如果 no-LLM run 从一个很高 TP 的初始点开始，且同 DP 下更高 TP frontier 已经不存在 或已测过，harness 会优先验证相邻低 TP，而不是把当前高 TP 当作 topology 已收敛。 这避免了 TP=8 这类坏初始点直接进入 gpu-memory-utilization 微调。

6. Pathological runtime 起点需要跳回正常工作区间。 gpu-memory-utilization 的常规策略是在 settled topology 上小步 hill-climb； 但如果初始值明显低于正常工作区间，例如 0.5，harness 会先跳到 nominal floor 0.9，再按 0.02 步长向 safe ceiling 0.97 验证。

Validator stop: 为什么不会过早停止

Harness stop 不是“找到一个不错配置就停”。当前 stop validator 包含几个条件：

• search_high_saturated_by_incumbent
  • incumbent 的最高 feasible probe 已经贴近 configured search high；
  • 说明当前测量范围已被打满。
• topology_frontier_requires_probe
  • 如果 active bottleneck 仍要求更高 TP frontier 且未测，禁止 stop。
• experiment_plan_has_high_value_candidate
  • 如果还有高分候选，禁止 stop。
• post_incumbent_validation_exhausted
  • strong incumbent 后至少要有 post-incumbent validation；
  • validation 覆盖 topology/runtime family 或达到足够数量；
  • 没有任何 validation trial 超过 incumbent；
  • 才允许 clean stop。

所以 validator 的作用是 fail-safe：

wrong proposal 最多浪费一个 trial；
wrong stop 会终止搜索，所以必须由 deterministic validator 授权。

Qwen30B no-LLM run 中具体发生了什么

Run:

qwen30b-harness-only-medium-stopfix-dash1-20260624T144701Z

设置：

• Model: Qwen/Qwen3-30B-A3B
• Engine: community vLLM 0.20
• Hardware: 8x H20, 允许 TP/DP/EP frontier
• Trace: chat 0-8k, output 128, replay time scale 0.1
• SLO: target pass rate 0.95, TTFT step rule, TPOT 50ms
• LLM endpoint: null

真实 trial path:

Trial	Source	Config patch	req/s/GPU	pass rate	Harness 解释
0001	baseline	{}	2.2000	1.0000	建立 baseline 和 probe evidence
0002	harness	TP=2	3.2583	1.0000	latency/SLO pressure 下先测 adjacent TP
0003	harness	TP=4	2.0917	1.0000	验证更高 TP frontier；raw 总吞吐高但 per-GPU 低
0004	harness	TP=2, gmu=0.92	3.2583	1.0000	topology 已 settle，开始 incumbent topology 上的 KV headroom climb
0005	harness	TP=2, gmu=0.94	3.2583	1.0000	继续小步 hill-climb；未改善但未失败
0006	harness	TP=2, gmu=0.96	3.3333	1.0000	KV headroom 带来更高 feasible frontier
0007	harness	TP=2, gmu=0.97	3.4333	1.0000	达到 safe ceiling，成为 incumbent
0008	harness	TP=4, DP=2	1.0458	1.0000	post-incumbent topology validation，没有超过 incumbent
0009	harness	TP=8	1.0458	1.0000	继续 frontier validation，没有超过 incumbent
0010	harness stop	stop	-	-	validator: post_incumbent_validation_exhausted

这个过程里没有外部 LLM 决策。每一步 proposal 都来自 harness：

1. baseline 观测到当前 engine 在 SLO 下的可行 frontier；
2. bottleneck/机制模型认为 topology 是一阶干预；
3. 测 TP2，接受，因为 per-GPU 从 2.2 提到 3.2583；
4. 测 TP4，拒绝为 incumbent，因为 per-GPU 降到 2.0917；
5. topology frontier settle 后，在 TP2 上小步提升 gpu-memory-utilization；
6. gmu=0.97 达到 3.4333；
7. 再测 nearby topology，确认没有更好；
8. validator 授权 stop。

为什么这不是写死 Qwen30B

这条路径看起来像“harness 知道答案是 TP2+gmu0.97”，但代码机制不是这样写的。

没有写死的部分：

• 没有写死 model name；
• 没有写死 Qwen30B；
• 没有写死 TP=2 是最终答案；
• 没有写死 gmu=0.97 一定最好；
• 没有跳过真实测量；
• 没有把 TP4/TP8 直接判负，而是实际运行并比较。

真正写入 harness 的 domain knowledge 是：

• TP/DP/EP 是 topology family，必须满足 topology constraints；
• topology 通常是一阶 serving intervention，要先于 runtime 微调被验证；
• raw throughput 不等于目标，跨 topology 比较要用 request_rate_per_gpu；
• gpu-memory-utilization 是 KV memory headroom 微调，只应在 incumbent topology 上小步 hill-climb；
• launch failure 和 tested signatures 是 hard negative evidence；
• stop 必须由 validator 授权，不能由 proposer 自己说停就停。

这是一种系统机制约束，不是 case-specific prompt。

它和 BO / raw heuristic 的区别

普通 BO 或 raw heuristic 的搜索空间通常是：

config = {tp, dp, ep, gmu, max_num_seqs, max_num_batched_tokens, ...}
score = measured req/s/GPU

这会产生几个问题：

• 它不知道哪些 knobs 是 topology family，哪些是 runtime family；
• 它可能在没测 TP frontier 前浪费大量 trial 调 runtime；
• 它可能重复已知 launch failure；
• 它可能把 raw throughput 高但 GPU efficiency 差的配置误当方向；
• 它很难解释“这个 trial 试图证伪哪个瓶颈 hypothesis”。

Harness-shaped search space 是：

state -> bottleneck hypothesis -> legal intervention family -> measured verdict

因此 BO、bandit、LLM、deterministic heuristic 都可以接在 harness 后面。它们优化的不是 raw knob vector，而是有 serving 语义的 intervention graph。

这也是我们新 framing 的核心：

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

当前还需要补的证据

No-LLM Qwen30B run 证明了 deterministic harness 可以完整闭环，但 paper 还需要继续补：

1. Planner-agnostic ablation

   • raw BO vs harness-guided BO；
   • raw heuristic vs harness deterministic policy；
   • 证明收益来自 harness substrate，而不是某个 LLM。

2. Mechanism ablation

   • no attribution；
   • shuffled attribution；
   • no topology-first；
   • no intervention grammar；
   • no validator/failure memory。

3. Near-optimum evidence

   • 在 1-2 个 case 做局部 grid；
   • 证明 harness path 找到的是 near-optimal region，不只是一个可行 config。

4. Cross-case robustness

   • 再选 decode-heavy 或 long-prefill case；
   • 验证不同 workload/SLO 下 candidate family 会发生合理切换。

5. Bad-start recovery

   • 从非可信初始配置开始，例如 TP=8, max-num-seqs=8, gmu=0.5；
   • 证明 harness 不是只能从“已经比较合理”的 base config 出发；
   • 观察它是否能先恢复 topology，再恢复 runtime headroom，并最终回到同一 near-optimal region。

Bad-start recovery 审计 - 2026-06-26

用户提出的问题是：如果我们不是从可信 base config 开始，而是从一个恶意或不合理的 配置开始，例如：

TP=8, DP=1, max-num-seqs=8, gpu-memory-utilization=0.5

no-LLM harness 是否仍能自动找到正确方向？

目前结论要分开说：

1. 旧 planner 不能直接 claim 任意坏起点可恢复。 本地合成审计显示，旧逻辑会把 TP=8 误当作 topology frontier 已收敛，并把下一步 proposal 设为 gpu-memory-utilization=0.52。这会在坏 topology 和坏 runtime 上 做很慢的小步爬坡，不能作为 robust evidence。

2. 已补 planner 机制。 当前 harness 增加了两个 no-LLM deterministic recovery rules：

   • bad_start_topology_bracket：当当前 anchor 在高 TP，且没有未测的更高 TP frontier 时， 先测相邻低 TP，例如 TP=8 -> TP=4；
   • gmu_nominal_floor：当 settled topology 上的 gpu-memory-utilization < 0.9 时， 先跳到 0.9，再做常规 0.92/0.94/.../0.97 hill-climb。

3. 已加本地回归测试，但还没做真机证明。 已通过的 planner tests：

   • test_harness_brackets_down_from_bad_high_tp_start_before_runtime_tuning
   • test_harness_jumps_low_gpu_mem_util_to_nominal_floor_after_topology_settles
   • 以及已有 topology-first / gmu-climb 相关回归测试。

因此，当前状态是：planner 侧已经能给出正确方向；paper 级别还需要真机 bad-start recovery run 来确认真实 vLLM 测量下是否稳定收敛。

准备中的真机实验

实验目的不是再证明默认起点能 work，而是证明：

same workload + same SLO + same no-LLM harness
不同初始 config
  -> 是否收敛到同一 near-optimal region
  -> 是否保持可解释 trial path

Base spec 使用已验证的 Qwen30B community vLLM 0.20 harness setup：

configs/examples/dash0_qwen30b_a3b_community_vllm020_harness.json

运行时需要设置：

{
  "llm": {
    "use_harness": true,
    "endpoint": null
  }
}

建议最小矩阵：

Case	Base flags 变化	要验证的机制	预期 trial path
trusted-start-control	保持现有可信 base	对照已有 stopfix run	TP=2 -> TP=4 -> TP=2+gmu climb -> stop
bad-topology	TP=8, DP=1	高 TP 起点是否会向下 bracket	TP8 baseline -> TP4 -> TP2/或同等 better topology -> runtime
bad-runtime	TP=2, DP=1, gmu=0.5, max-num-seqs=8	低 KV headroom 是否跳回正常区间	gmu 0.5 baseline -> gmu 0.9 -> 0.92/...
combined-bad	TP=8, DP=1, gmu=0.5, max-num-seqs=8	topology recovery 和 runtime recovery 能否串起来	TP8 -> TP4 -> TP2/nearby -> gmu 0.9 -> climb -> stop

成功判据：

• 不配置 LLM endpoint；所有 proposal 来自 harness；
• 不重复相同 config signature；
• high-TP 起点必须先出现相邻低 TP probe，而不是先做 gmu=0.52；
• low-gmu 起点必须先跳到 0.9，而不是 0.52；
• 在 12 个 measured trials 内达到 reference stopfix best 的 >=95%：

reference best = 3.4333 req/s/GPU
95% threshold  = 3.2616 req/s/GPU

• 最终 stop 必须是 validator 授权，例如 harness_stop，而不是因为没有 proposal source 失败退出。

如果真机结果失败，需要保留失败路径并分析是哪类机制不足：

• topology bracket 找到低 TP，但 runtime 仍无法恢复；
• max-num-seqs=8 导致 admission 太差，需要 admission recovery floor；
• baseline 自身全不可行，当前 harness 缺少 completed incumbent，不能进入正常 guided loop；
• vLLM launch/OOM 造成 failure memory 覆盖了可恢复路径。

一句话总结

No-LLM harness 能自动找到配置，是因为它已经实现了一个面向 serving 机制的实验 planner： 先把 trial 观测归因成 bottleneck，再把 bottleneck 映射成合法 intervention family，按 SLO-constrained req/s/GPU 真实测量更新 incumbent，最后由 validator 判断是否停止。 LLM 只是这个 planner 的一个可替换 proposal backend，而不是 AITuner 的必要核心。