kermt-monitor 是任何以分离方式运行的 KERMT 工作流的配套技能，适用于三个预训练技能（kermt-continue-pretrain、kermt-pretrain-scratch、kermt-add-cmim-pretrain）以及 kermt-finetune。kermt-infer 和 kermt-embed 默认以阻塞方式运行，不需要此技能；但如果用户有意以分离方式启动它们，监控仍然可用（工作流分发在步骤 4 中通过跟踪运行目录中最近修改的日志文件来处理未知工作流）。该技能读取运行目录的 run.json，查询 Docker 获取容器状态，展示最新进度，并跟踪或跟随日志。
硬件要求
无。此技能仅读取磁盘并查询 Docker，不涉及 GPU 计算。
输入
以下之一：
<run-dir> — 位置参数，指向包含 run.json 的目录（例如 runs/continue-pretrain_2026-05-17T10-23Z）。首选方式。
--container <name-or-id> — 直接引用容器；如果可用，技能仍会从容器 inspect 输出中引用的运行目录读取 run.json，但在没有它的情况下以降级模式工作。
可选参数：
--lines N — 要打印的末尾日志行数（默认 50）。
--follow — 流式输出 docker logs -f 直到 ^C。适用于“观察 loss”。没有它时，技能为一次性执行并退出。
--json — 输出结构化状态报告而非人类可读文本。当父智能体想要采取下游操作时有用。
工作流
令 RUN_DIR=$1（或用户提供的任何路径）。
定位清单文件。
MANIFEST=$RUN_DIR/run.json
如果不存在则拒绝继续；给出有帮助的消息，指向运行目录约定（runs/<workflow>_<ts>/）。
解析清单（Python 辅助）：
workflow=$(jq -r .workflow $MANIFEST) container_name=... # 目前 run.json 中不直接包含；启动的技能在启动期间将其存储在 run.json 的 container.name 下（见下方注释）。 logs_dir=$(jq -r .logs_dir $MANIFEST) image_tag=$(jq -r .container.image_tag $MANIFEST) started_at=$(jq -r .started_at $MANIFEST)
查询 Docker 获取容器状态。
docker ps --filter "name=$container_name" --format
'{{.ID}}\t{{.Status}}\t{{.CreatedAt}}'
如果不存在，回退到 docker inspect $container_name --format '{{.State.Status}} (exit {{.State.ExitCode}})' 以查看容器是已退出（正常或失败）还是已被移除（退出后 --rm）。
查找实时日志文件。
case "$workflow" in continue-pretrain|pretrain-scratch) LOG=$logs_dir/pretrain_ddp.log ;; finetune) LOG=$logs_dir/finetune.log ;; ) LOG=$(ls -1t $logs_dir/.log 2>/dev/null | head -n 1) ;; esac
清单的 workflow 字段区分预训练（pretrain_ddp.log）与微调（finetune.log）。其他工作流回退到 $logs_dir 中最近修改的 .log 文件。
显示最新进度。
tail -n $LINES $LOG 获取原始近期输出。
解析最后几行进度并展示人类友好的摘要。格式因工作流而异：
预训练：epoch / step / val_loss
Current epoch: 12/100 step: 4523/9000 val_loss: 0.832 (best 0.821 @ step 4100)
微调：fold / epoch / val_（例如回归的 val_mae，分类的 val_auc — 从 run.json 读取 args_applied.metric）
Fold 0 epoch 12/30 val_mae 0.187 (best 0.182 @ epoch 9)
墙钟时间：自 started_at 起 1h 23m；预计剩余约 6h。
最终测试指标块（微调，完成时）。如果工作流为 finetune 且容器已干净退出（State.Status=exited，ExitCode=0）且 $RUN_DIR/ckpt/fold_*/test_result.csv 存在，解析它并输出每个任务的指标表：
Final test metrics (per task): Target MAE HLM_clearance 0.187 RLM_clearance 0.213 MDR1-MDCK_efflux 0.241 solubility_pH6.8 0.156
指标列与 args_applied.metric 匹配（回归为 mae，分类为 auc 等）。对于多折或集成运行，跨折/模型取平均，如果 std > 0 则注明 ± std。如果没有 test_result.csv 则静默跳过（运行未完成或未生成测试集）。
如果 --follow，流式输出实时日志。
docker logs -f $container_name
包装直到 ^C。
停止/清理提示（一次性模式结束时打印）：
To stop: docker stop $container_name
To remove: docker rm $container_name
To re-run: $(jq -r .cmd_replay $MANIFEST)
硬性规则
对用户数据只读。绝不修改 run.json，绝不触碰容器的检查点目录。监控仅进行检查。
未经用户明确指示，不要杀死容器。如果用户要求停止，运行 docker stop；如果他们要求放弃，保持运行并直接退出。
不要拉取或修改 kermt 镜像。监控仅读取。
JSON 输出模式为非交互式。跳过“按 ^C 退出”提示，输出单个 JSON 文档，以便父智能体可以管道处理。
关于 container_name 接线的说明
当前编写的 run.json 模式尚未包含启动的容器名称 — kermt_run_detached 将其打印到 stdout，但运行脚本未将其捕获到 run.json。监控回退到基于文件系统的查找：列出 runs/<workflow>_*/ 目录并按 mtime 匹配；或显式接受 --container <name>。后续：让启动技能在退出前将容器名称记录到 run.json。
输出（文本模式，默认）
KERMT continue-pretrain · runs/continue-pretrain_2026-05-17T10-23Z Container : kermt-continue-pretrain-… (Up 1 hour, status: running) Image : kermt:latest@sha256:… Repo : 2fe00f9 (clean) Started : 2026-05-17T10:23:14Z (1h 23m ago) Workflow : continue-pretrain, pretrain_mode=hybrid, world_size=2
Latest log (last 50 lines from $LOG): [Epoch 12/100] step 4523/9000 loss 0.832 lr 1.2e-4 [val] step 4100 val_loss 0.821 (new best) ...
Progress: epoch 12/100, ~12% done. ETA ~6h. TensorBoard: tensorboard --logdir $RUN_DIR/logs/tb Replay command: $(jq -r .cmd_replay $RUN_DIR/run.json)