#!/usr/bin/env bash
# 一条龙：bash ml/pipeline.sh <阶段> ；阶段按顺序：
#   setup   安装 Python/Node 依赖（torch 需先按 CUDA 版本装好）
#   kin     导出运动学/碰撞模型 + JS↔PyTorch 对拍（必须 PASS）
#   gate1   老师一致性门禁（决定生成时是否加 --consensus 4）
#   gen     生成 5 万条老师轨迹（NPROC 进程；CONSENSUS=1 时加共识过滤）
#   prep    打包训练样本
#   train   预训练（先 2000 步摸吞吐，再正式训练）
#   m5      MeanFlow 头门禁：贴立柱集关安全层穿柱率 ≤ 2%（不过 → 用 configs/wta.json 重训）
#   apg     APG 首轮微调
#   mine    挖错循环（3–6 轮，含门禁回滚）
#   export  导出 ONNX（fp16）到 webapp/models/
#   bench   部署形态评测（Node，策略 + 安全层）
#   all     依次执行 kin → bench
set -e
cd "$(dirname "$0")/.."
NPROC=${NPROC:-$(nproc)}
N_TASKS=${N_TASKS:-50000}
CFG=${CFG:-ml/configs/base.json}
stage=${1:-help}
run() { echo "== $*"; "$@"; }
case $stage in
  setup)  run pip install -r ml/requirements.txt; (cd ml && npm install --no-audit --no-fund) ;;
  kin)    run node ml/prep/export_kin.cjs; run node ml/eval/dump_parity.cjs 2000; run python -m ml.eval.check_parity ;;
  gate1)  mkdir -p ml/data; run node ml/gen/consistency.cjs 300 4242 | tee ml/data/consistency.json ;;
  gen)    per=$(( (N_TASKS + NPROC - 1) / NPROC ))
          if [ -z "${CONSENSUS:-}" ] && [ -f ml/data/consistency.json ]; then
            CONSENSUS=$(python -c "import json;print(1 if json.load(open('ml/data/consistency.json'))['consistentByGateRule']<0.9 else 0)")
            echo "一致性门禁结果 → CONSENSUS=$CONSENSUS"
          fi
          extra=""; [ "${CONSENSUS:-0}" = "1" ] && extra="--consensus 4"
          run bash ml/gen/run_parallel.sh $per $NPROC 1 "$extra" ;;
  prep)   run bash ml/prep/run_prep.sh $NPROC ;;
  train)  run python -m ml.train --samples ml/data/samples --out ml/runs/bench --steps 2000 --no-eval --config $CFG
          run python -m ml.train --samples ml/data/samples --out ml/runs/base --config $CFG ;;
  m5)     [ -f ml/runs/nc_gate.jsonl ] || run python -m ml.mining.mine_round --make-gate 1000 --seed 4321 --mix 0,0,1,0 --name nc_gate.jsonl --out ml/runs
          run python -m ml.sim.closed_loop --ckpt ml/runs/base/best.pt --tasks ml/runs/nc_gate.jsonl --n 1000 --out ml/runs/m5_gate.json
          python - <<'PY'
import json; r = json.load(open('ml/runs/m5_gate.json'))
print('贴立柱集（关安全层）穿柱率 %.2f%%，到达率 %.2f%%' % (100 * r['collision_rate'], 100 * r['success']))
print('M5 门禁：' + ('通过' if r['collision_rate'] <= 0.02 else '不通过 → CFG=ml/configs/wta.json bash ml/pipeline.sh train'))
PY
          ;;
  apg)    run python -m ml.apg.apg_finetune --init ml/runs/base/best.pt --samples ml/data/samples --out ml/runs/apg; cp ml/runs/apg/best.pt ml/runs/current.pt ;;
  mine)   run bash ml/mining/loop.sh ${ROUNDS:-6} ${APG_STEPS:-1000} ${MINE_N:-50000} ;;
  export) ck=ml/runs/current.pt; [ -f $ck ] || ck=ml/runs/base/best.pt
          run python -m ml.export_onnx --ckpt $ck --out webapp/models/traj_policy.onnx --fp16 ;;
  bench)  run node tests/policy_bench.cjs webapp/models/traj_policy.onnx nc,route --nc1000 --out ml/runs/policy_bench.json ;;
  all)    for s in kin gate1 gen prep train m5 apg mine export bench; do bash ml/pipeline.sh $s; done ;;
  *)      sed -n '2,16p' "$0" ;;
esac