一句话总结：
我用 SOLO 把一个需要长期盯守的 AI4S 仿真实验，改造成了可以无人值守、远程查看、自动复盘的科研训练流水线。
我用 TRAE SOLO 搭建了一套 AI4S 科研仿真的无人值守训练工作流：从输入 round 训练任务，到自动启动 Docker 仿真环境，再到手机端、网页端实时查看训练日志，最后通过飞书接收关键节点提醒，并自动整理每天的训练过程，生成日报和周报。
1. 背景
我的工作和比赛场景比较特殊：白天需要处理正常工作，晚上还要参加 AI For Science 相关比赛，其中一个项目涉及托克马克控制仿真训练。
这个任务需要频繁启动实验模拟环境、运行 Docker、记录不同 round 的训练参数、观察训练是否中断，并整理每天的实验结果。
过去主要有几个问题：
- 每次训练前都要手动检查环境、启动容器、运行脚本；
- 训练过程较长，不能一直盯着 Mac 终端；
- 日志分散在终端、文件和聊天记录中，复盘困难；
- 到周报阶段，经常需要重新翻日志、补过程、整理实验结论；
- 白天上班、晚上训练，人工值守成本太高。
所以我希望用 SOLO 搭建一个科研训练自动化流程，把“部署环境、启动训练、远程查看、节点通知、日报周报”串成一条完整流水线。
2. 实践过程
我把整个任务拆成了 4 个部分。
第一步：输入 round 训练任务
我先把本轮训练任务，例如 round9 的训练目标、参数说明、脚本路径和输出要求输入给 SOLO。
SOLO 会根据任务内容识别本轮需要启动的训练脚本、Docker 环境、日志目录和输出文件。
这里的目标不是让 SOLO 简单写一段代码，而是让它先理解当前实验任务的上下文。
第二步：自动检查和部署实验模拟环境
SOLO 根据任务要求，自动检查本地实验环境，包括：
- Docker 是否可用；
- 仿真镜像是否存在；
- 训练脚本路径是否正确；
- 输出目录和日志目录是否准备好；
- 当前 round 是否和历史训练记录冲突；
- 是否需要重新启动仿真服务。
检查完成后，SOLO 会自动启动 Docker 仿真环境，进入训练流程。
这一步减少了大量重复性环境检查工作，也避免了因为路径、容器、日志目录问题导致训练中断。
第三步：无人值守运行训练
点击开始后，SOLO 自动部署训练流程，并启动托克马克仿真训练。
训练过程中，它会持续记录关键输出，包括：
- 当前 round；
- 训练是否正常运行；
- Docker 容器状态；
- 关键日志；
- 报错信息；
- 训练分数变化；
- 参数调整记录；
- 是否出现 early termination；
- 是否需要人工介入。
这样我不需要一直盯着终端，只需要在关键节点查看结果即可。
第四步：三端查看和飞书通知
训练启动后，我可以通过 Mac 端、手机端和网页端查看训练流程和输出。
同时，SOLO 会把关键训练节点同步到飞书端，例如：
- 训练开始；
- Docker 环境启动完成；
- 某个 round 运行完成；
- 出现异常报错；
- 当前训练结果摘要；
- 当天实验总结。
这样即使我不在电脑旁边，也能知道训练是否正常进行。
第五步：自动生成日报和周报
训练日志不再只是散落在终端里，而是会被 SOLO 自动整理成结构化记录。
每天结束后，SOLO 根据当天训练内容生成日报，包括：
- 今日运行了哪些 round；
- 使用了哪些关键参数；
- 训练是否成功；
- 得分或指标有什么变化；
- 出现了哪些问题；
- 明天需要继续尝试什么方向。
每周再把多天日报汇总成周报，包括：
- 本周完成的训练任务；
- 最有效的参数组合；
- 失败实验和原因；
- 当前最高分或关键指标；
- 下周优化计划。
这样科研仿真训练从“只跑代码”变成了“自动记录、自动复盘、持续优化”的工作流。
4. 成果展示
最终，我用 SOLO 形成了一套可复用的 AI4S 实验训练工作流：
- 一次输入训练任务，自动识别本轮 round 目标；
- 自动检查 Docker 和仿真环境；
- 自动启动托克马克模拟训练；
- 训练过程无需人工长时间值守；
- Mac 端、手机端、网页端可以查看训练进度；
- 飞书端自动推送关键训练节点；
- 每天自动整理训练日志，形成日报；
- 每周自动汇总实验进展、问题和下一步计划，形成周报。
这套流程的价值不只是节省时间，更重要的是让科研训练过程变得可追踪、可复盘、可复用。
对于 AI4S、数据建模、仿真训练这类长周期工作来说，SOLO 不只是一个代码生成工具，而是可以变成一个长期参与实验流程的 AI 工作助理。
5. 配图说明
本次作品主要展示 3 张图：
图 1：输入 round9 训练任务
展示我如何把本轮训练目标、参数和任务说明输入给 SOLO，让 SOLO 理解当前要执行的仿真实验。
图 2：点击开始后自动部署训练
展示 SOLO 自动检查环境、启动 Docker，并进入托克马克仿真训练流程。
图 3：三端查看和飞书通知
展示训练运行后，可以在 Mac 端、手机端、网页端查看训练状态，同时飞书端可以收到关键训练节点提醒。
如果后续继续完善，我还会增加一张日报/周报生成截图，用来展示 SOLO 对训练日志的自动整理能力。
6. 效果与总结
过去一次完整训练流程，通常需要我手动检查环境、启动脚本、盯日志、记录异常，最后再花时间整理实验进展。
现在通过 SOLO，我把这些操作压缩成了一个自动化流程。
最大的变化是：我不再只是“让 AI 写代码”，而是让 SOLO 参与到真实工作流中，成为一个科研训练助理。
它负责启动环境、记录过程、整理日志和生成复盘材料，我只需要关注实验策略、参数选择和结果判断。
这次实践让我感觉，SOLO 最适合的场景不是一次性生成代码，而是把复杂工作拆成连续动作：
- 部署环境；
- 运行任务；
- 监控状态；
- 推送节点；
- 沉淀文档；
- 自动复盘。
对于 AI4S、科研仿真、数据建模、长期调参这类工作，这种方式比单次问答更有价值。
这个流程主要解决了我在参加 AI For Science 比赛时的痛点：白天上班、晚上训练，无法长时间盯着终端和日志。通过 SOLO，我把原本需要人工反复操作和整理的流程，压缩成了“一次输入、持续训练、自动记录、定期复盘”的工作方式。