跳转至

HANDOFF — lustre_ins 交接快照

1. 这份文件怎么用

  • 交接文档：读完即可接手；SessionStart Hook 注入（向上 4 层找 docs/HANDOFF.md）。
  • 档位：【已确认】有实测证据 /【未验证】未证实 /【待决策】未定论。
  • 禁入内容（轮次历史、已结案正文、脚本源码、证据片段）→ docs/SOP.md 或对应变更档案。
  • 容量：目标 7 KB / 触发整体重写 11.5 KB / 上限 12 KB。稳定层 docs/BASELINE.md｜任务路由 docs/PROJECT-MAP.md。
  • 编排路由：多步 / 有界变更（≥3 步、跨多文件、含不可逆）→ 先派 spec-planner（Trae 原生 Spec/Plan）；小改直接做。细则见 §3.3。

2. 当前状态与在做什么

一句话：Rocky 9 上的 Lustre 2.17.0 部署运维工程（ldiskfs、TCP/LNet，FS edafs），服务 EDA 仿真、供 Slurm/LSF 调度；客户端 8 台，服务端 .21（MGS+MDT）/.22（OSS）【明细见 docs/BASELINE.md】。

现状【已确认 2026-10-07】：8 台客户端 /mnt/lustre 全部 active 且带 noatime；挂载自愈覆盖 8 台（.18–.20/.28 + .21/.25–.27；自愈实现体在 slurm_ins 侧，含部署前可达性预检）。

最近一轮（2026-10-06/08，均 C 类、已落地验证）：服务端身份源补齐 → 客户端挂载恢复 + fstab noatime → 挂载自愈扩面至 .25–.27、再扩至 .21（并加自愈对象可达性预检）→ 只读探测批量化（残留模块改「拼 shell + 主机间并发 + 探测缓存」：package_install 缺包探测 5→1 条、kernel_strategy.pre_check 9→8 条 / 4.87→0.91 s、precheck 50.4→44.2 s；清单逐条一致）。逐项正文见各主题 SOP.md（本轮档案 probe_batch_20261008/SOP.md），清单见 docs/PROJECT-MAP.md。

本轮（2026-10-12）：服务端 .21/.22 接入 LDAP 客户端（sssd）——共享库新增 sssd_client、工程侧新增 modules/ldap_client.py 与 add-ldap-client 子命令；两台 sssd active+enabled、幂等复跑全跳过。见 ldap_client_20261012/SOP.md。同日收尾：删除两台服务端本地镜像条目（rain01/design），身份源单一为 LDAP、双轨消除。见 remove_local_mirror_20261012/SOP.md。

3. 未完成事项

3.1 待决策 / 待办

# 事项 下一步 在哪能拾起
1 重启后 mdc.*.max_mod_rpcs_in_flight 不达标（缺陷 C）【待批准·远端】 代码侧已按角色拆分 server/client 单元（2026-10-09，本地判据通过）；远端部署 + 重启取根治证据需放行变更窗口（重启前须确认无在跑作业） 7fix-20261009/SOP.md；modules/lctl_tuning.py
3 系统盘保护口径不一致【待决策】 共享库 disk_safety.system_disks 是整体替换、无 WARN；文档仍用人工覆盖，需统一为「追加保护」 precheck_module.derive_system_disks()；docs/SOP.md 第 8 章
15 ~~服务端身份源~~ 已闭环·双轨已消除（2026-10-12） .21/.22 已装 sssd 接入 LDAP 域 eda（active+enabled、lfs quota 可用），并已删除本地镜像条目（rain01/design），服务端身份源单一为 LDAP；客户端 .18 真实写入 Lustre 通过、MDS l_getidentity 报错 0、幂等 NOCHANGE。新的可用性耦合：非 root 写 Lustre 现完全依赖 sssd，故障时按 SOP 第 7 章恢复本地条目 ldap_client_20261012/SOP.md（接入）、remove_local_mirror_20261012/SOP.md（清条目）

已结案 / 已修复（正文见对应 SOP，本表不再列）：#13 → fix-lustre-write-perm/；#14 + #16 → fix-client-mount-20261007/；#17 → slurm_ins/lustre_mount_selfheal_extend_20261007/；#19 → slurm_ins/selfheal_guards_hardening_20261007/；#20 Trae 模型变体 / 技能继承 / 全局副本 → 见 §3.3；#4 / #5 / #10 / #11 / #12 / #18 本地修复完成（2026-10-09，判据见 7fix-20261009/SOP.md）。

3.2 架构边界

架构性瓶颈（服务端无 HA / enable-ha 为 stub、单 OST 无条带、部署器未分批 / 无 plan.yaml / 无独立漂移检测入口）已判定为学习环境限制、不实施，统一移入 docs/BASELINE.md 第 5 节「架构边界与不做清单」（2026-10-09）。容量与条带实测参数见 docs/BASELINE.md「容量与条带」。

3.3 Trae 工具链与模型（2026-10-09 起）

  • Plan/Spec 内置版只在 doutops（豆包系）：mapping.json 把 Doubao-Seed-* / custom_model_doubao_* 映到 doutops，trae.json 给它挂 TRAE-plan-mode / TRAE-spec-mode；DeepSeek / GLM → default / non_multimodal，无内置版（「模式消失」实为换模型）。
  • 技能集继承自主会话、不由 agent 的 model: 重解析【双向实测】：DeepSeek 主会话下 spec-planner 只拿 45 技能、无 plan/spec；豆包主会话下主/子同时拿全 7 个 TRAE-*。
  • 全局小写副本已生效：~/.trae-cn/skills/ 下 trae-plan-mode / trae-spec-mode / gp-agent-handoff（正文与内置包逐字一致、仅多一行注释；不随内置升级，回滚 = 删目录）→ 非豆包主会话亦可见【前两个已实测】：DeepSeek 下 spec-planner 实拿 47 技能、Skill(trae-spec-mode) 加载成功；gp-agent-handoff 待新会话确认。
  • 编排主从（2026-10-09 用户定）：多步 / 有界变更的方案与任务队列统一交 spec-planner（原生 Spec/Plan）；自建《批量项》与 ops-execution-efficiency 只做补充（门控与停顿、成本收尾、落档回写），重合处不走自建口径。
  • 成本口径缺口：内置模型与子智能体不走本机 proxy → wrapup.py / 五项表看不到这部分消耗，是否补口径待定。

4. 红线

环境事实 / 拓扑 / 端口 / 命令速查 / 门禁阈值 / 客户端 fstab 口径：见 docs/BASELINE.md。

  • mkfs.lustre 不可逆，清空目标盘，无法靠配置回滚；MDT 设备仅能用部署前 dd 镜像恢复
  • 禁止格式化系统盘：按 lsblk 挂载树推导，失败即「拒绝格式化」；disk_safety.system_disks 是整体替换语义（放宽）——见 §3.1 #3
  • 客户端 mdc.*.max_mod_rpcs_in_flight 上限由 MDT 连接时返回（超出即 ERANGE 34）：先抬服务端 mdt.* 再重挂载，客户端值须小于服务端值（校验判 BLOCK）
  • 新节点 LNet 须 lnetctl lnet configure 后再 net add，否则 -108【已确认】
  • 新装节点 firewalld 常为 inactive，会被 firewall 门禁阻断：先 systemctl enable --now firewalld（第 8 轮实证）
  • 跨境仓库仅约 2 KB/s【已确认】：新增节点装包从既有节点拷 /var/cache/dnf + repo 文件（add-clients-25-28/SOP.md 步骤 3）
  • 手工 mount /mnt/lustre 会因 fstab 的 nofail 报 rc=-22；一律用 systemctl start mnt-lustre.mount
  • 重放调优须 systemctl restart lustre-tune.service：active 时 start 是 no-op
  • --force 只用于「放行可恢复场景」与「不可逆动作显式确认」，不得作跳过校验的开关
  • 启停顺序：停 = 客户端 → OSS → MDS，启 反向；停 MDS 会让所有客户端 IO 挂起
  • 变更前须确认该节点在 Slurm/LSF 上无在跑作业；同一逻辑连续失败 2 次即终止，不重试
  • 规划产物（.trae/specs/、.trae/documents/）只是过程件：结案一律回写 docs/HANDOFF.md / 主题 SOP.md，并登记 backup/README.md

5. 指针

  • 稳定层（环境事实 / 拓扑 / 命令速查 / 门禁）：docs/BASELINE.md
  • 项目地图（任务路由 / 分层 / 档案清单）：docs/PROJECT-MAP.md
  • 规划子智能体：~/.trae-cn/agents/spec-planner.md；自建补充口径：~/.trae-cn/user_rules/rule-agent-efficiency.md《批量项》
  • 备份台账：backup/README.md（根）及各主题目录下 backup/README.md
  • 巡检报告：reports/inspect-*.md

来源：/home/rain/Documents/lustre_ins/docs/HANDOFF.md ｜ 最后更新：2026-10-12 01:02（由 build/sync.py 同步，请勿在站点侧修改）