ztxexp 0.3.0

Experiment framework for ML/LLM workflows with reproducible run artifacts.

ztxexp

ztxexp 是一个面向深度学习和大模型实验的抽象框架，目标是让实验迭代更快、更可复现。

NEW

• 2026-03-02 01:25:15 (Asia/Shanghai): 新增 examples/template_library 可复制模板库（27 个场景模板），覆盖基础构建、并行调度、分析清理、ML、LLM、工程运维；并接入 MkDocs 自动生成页面（示例模板库 导航）。
• 2026-03-02 01:02:25 (Asia/Shanghai): 新增 codex-trace.md 用于记录关键工作节点，并将其维护要求持久化到 AGENTS.md；同时将该文件加入 .gitignore 以避免提交本地 trace。
• 2026-03-02 00:58:21 (Asia/Shanghai): 在 ztxexp.utils 新增 12 个高频实验工具函数，覆盖嵌套配置处理、配置差异比较、可读 run 命名、原子写入、JSONL 读写、重试调用与批处理切分。
  • 新增函数：flatten_dict、unflatten_dict、deep_merge_dicts、dict_diff、sanitize_filename、build_run_name、split_batches、write_text_atomic、save_json_atomic、append_jsonl、load_jsonl、retry_call。
• 规则（持久化）：后续每次对项目进行功能或行为更新时，都必须在本板块追加一条记录，包含“更新时间”和“更新内容”。

问题

在真实项目里，实验常见痛点是：

• 参数空间大，配置组合容易失控。
• 并行执行后目录结构混乱，成功/失败难追溯。
• 结果聚合脚本碎片化，清理成本高。

方案

ztxexp 提供四个核心抽象：

1. ExpManager: 负责配置构建（grid、variants、modify、where）。
2. ExpRunner: 负责执行调度（sequential / process_pool / joblib / dynamic）。
3. ResultAnalyzer: 负责聚合与清理。
4. ExperimentPipeline: 一体化入口，适合绝大多数场景。

v0.30 统一了 run 产物协议（schema v2）：

• config.json
• run.json
• metrics.json（可选）
• artifacts/

成功判定规则：run.json.status == "succeeded"

5 分钟跑通

安装

pip install ztxexp

可选：启用 PyTorch 辅助工具。

pip install "ztxexp[torch]"

如果你要导出 Excel 透视表：

pip install "ztxexp[excel]"

最小示例

from ztxexp import ExperimentPipeline, RunContext


def exp_fn(ctx: RunContext):
    lr = ctx.config["lr"]
    model = ctx.config["model"]

    # 业务产物统一放 artifacts 目录
    (ctx.run_dir / "artifacts" / "info.txt").write_text(
        f"run={ctx.run_id}, model={model}, lr={lr}\n",
        encoding="utf-8",
    )

    # 返回 dict 会自动写入 metrics.json
    return {"score": round((1.0 - lr) + (0.05 if model == "tiny" else 0.02), 4)}


summary = (
    ExperimentPipeline("./results_demo", base_config={"seed": 42})
    .grid({"lr": [0.001, 0.01]})
    .variants([{"model": "tiny"}, {"model": "base"}])
    .exclude_completed()
    .run(exp_fn, mode="sequential")
)

print(summary)

聚合结果

from ztxexp import ResultAnalyzer

analyzer = ResultAnalyzer("./results_demo")
df = analyzer.to_dataframe(statuses=("succeeded",))
print(df[["run_id", "model", "lr", "score"]])
analyzer.to_csv("./results_demo/summary.csv", sort_by=["model", "lr"])

示例模板库（可复制）

模板库目标是“复制后只改业务逻辑”，尽量覆盖常见 Python 实验场景：

1. 基础构建：最小实验、网格+变体、多种子复现、manager/runner 解耦。
2. 并行调度：process_pool、joblib、dynamic、非法配置 SkipRun。
3. 结果分析：DataFrame 导出、CSV、透视表、清理策略、排行榜。
4. ML 场景：分类、回归、时序、异常检测、推荐排序。
5. LLM 场景：Prompt、RAG、Tool Use、安全评测、服务压测。
6. 工程运维：消融、预算受限搜索、断点恢复、数据版本对比、复现性审计。

文档中可直接复制代码：

• 示例模板库导航
• 模板索引表

常见坑

1. 返回值不是 dict | None 会被判定为失败，并写入 error.log。

2. 仍按旧版 _SUCCESS 判断成功 v0.30 不再使用 _SUCCESS，以 run.json 为准。

3. 直接把大文件写在 run 根目录 建议统一放到 artifacts/，便于后续清理和归档。

4. dynamic 模式用于生产实时场景 dynamic 是实验特性（experimental），更适合离线批任务。

API 导航

文档采用“源码注释驱动”模式，不再手工维护 API Markdown：

1. mkdocs build 时自动扫描 ztxexp/*.py；
2. 自动生成首页 index.md 与 reference/ API 页面；
3. mkdocstrings 从类/函数 docstring 渲染参数、返回值与示例。

本地入口：

• 生成脚本：scripts/gen_ref_pages.py
• 模板文档：examples-lib/（由 examples/template_library 自动生成）
• 构建产物：docs/index.html 与 docs/reference/（构建后生成）

常用命令：

pip install -e ".[docs]"
NO_MKDOCS_2_WARNING=1 mkdocs build --strict
NO_MKDOCS_2_WARNING=1 mkdocs serve
# 或使用脚本：sh mk.sh build / sh mk.sh serve

贡献

欢迎提交 Issue 或 PR：

• Issues: https://github.com/ztxtech/ztxexp/issues
• Repository: https://github.com/ztxtech/ztxexp

许可证

MIT License