365 lines
14 KiB
Markdown
365 lines
14 KiB
Markdown
# 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：
|
||
|
||
```text
|
||
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：
|
||
|
||
```text
|
||
.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：
|
||
|
||
```text
|
||
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：
|
||
|
||
```text
|
||
raw config vector search
|
||
```
|
||
|
||
转成：
|
||
|
||
```text
|
||
mechanism-guided intervention search
|
||
```
|
||
|
||
这就是为什么没有 LLM 也能工作。
|
||
|
||
## Agent loop 流程图
|
||
|
||
```mermaid
|
||
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：
|
||
|
||
```text
|
||
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：
|
||
|
||
```text
|
||
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。
|
||
|
||
## 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：
|
||
|
||
```text
|
||
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:
|
||
|
||
```text
|
||
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：
|
||
|
||
```text
|
||
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：
|
||
|
||
```text
|
||
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：
|
||
|
||
```text
|
||
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。
|
||
|
||
## 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。
|