Video-Tree-TRM5/reference/docs/TD.md

技术方案（TD）— Video-Tree-TRM

技术决策

• 单机本地执行，无服务端/数据库，所有数据 pickle/JSON 序列化到本地文件。
• 节点选择使用 Cross-Attention（学习 W_q/W_k/W_v/W_o 投影），替代简单 cosine 路由，更强表达力。
• L_level 推理模块使用 MLP-based（RMSNorm + SwiGLU），因操作对象为单向量 [B, D]，非序列，无需 self-attention。
• 三个可学习组件（CrossAttentionSelector, ReasoningModule, q_head）跨层级共享权重，与 TRM 原设计一致。
• 文本嵌入器（text_embed）冻结不训练，TreeIndex 中所有 embedding 为预计算静态值。
• 训练分两阶段：Phase 1 纯导航监督（单轮），Phase 2 加入 ACT halt（多轮）。
• MVP 优先文本模态（LongBench），视频模态（VideoMME）后续扩展。
• 配置管理：dataclass（无默认值，纯类型定义）+ YAML（全量配置）+ .env（敏感信息），优先级 CLI args > .env > YAML，三者统一归口到 dataclass。

---

目录

• 技术决策
• 模块设计
  • tree_index.py
  • embeddings.py
  • llm_client.py
  • text_tree_builder.py
  • video_tree_builder.py
  • recursive_retriever.py
  • losses.py
  • answer_generator.py
  • pipeline.py
  • config.py
• 训练管线
• 实验计划
• 文件结构与依赖

---

1. 模块设计

1.1 tree_index.py — 统一数据结构

文件: video_tree_trm/tree_index.py 职责: 定义三层树索引的节点类型、序列化/反序列化、嵌入矩阵提取。

延迟 Embedding 设计：build 阶段所有节点 embedding=None，IndexMeta.embed_model/embed_dim 也为 None。首次检索前由 Pipeline._embed_tree() 调用 embed_all() 统一填充。

@dataclass
class IndexMeta:
    source_path: str                   # 原始文件路径
    modality: str                      # "text" | "video"
    embed_model: Optional[str] = None  # build 时为 None，embed_all 后填充
    embed_dim: Optional[int] = None    # build 时为 None，embed_all 后填充
    created_at: str                    # ISO 时间戳（自动生成）

@dataclass
class L3Node:
    id: str
    description: str              # 视频=VLM帧描述, 文本=原始段落
    embedding: Optional[ndarray]  # [D]，build 时为 None，embed_all 后填充
    raw_content: Optional[str]    # 原始文本（文本模式）
    frame_path: Optional[str]     # 帧图像路径（视频模式）
    timestamp: Optional[float]    # 帧时间戳（视频模式）

@dataclass
class L2Node:
    id: str
    description: str              # 1-2句片段描述
    embedding: Optional[ndarray]  # [D]，build 时为 None
    time_range: Optional[Tuple[float, float]]
    children: List[L3Node]

@dataclass
class L1Node:
    id: str
    summary: str                  # 2-3句聚合摘要
    embedding: Optional[ndarray]  # [D]，build 时为 None
    time_range: Optional[Tuple[float, float]]
    children: List[L2Node]

@dataclass
class TreeIndex:
    metadata: IndexMeta
    roots: List[L1Node]

关键方法:

class TreeIndex:
    @property
    def is_embedded(self) -> bool:
        """所有 L1/L2/L3 节点的 embedding 均非 None 时返回 True"""

    def embed_all(
        self,
        embed_fn: Callable[[Union[str, List[str]]], ndarray],
        model_name: str,
        embed_dim: int,
    ) -> None:
        """批量 embed 所有节点，更新 metadata。
        - L3 按 L2 分组批量调用（减少 API 调用次数）
        - L1/L2 各单独 embed
        - 仅对 embedding=None 的节点执行（支持增量更新）"""

    def l1_embeddings(self) -> ndarray:
        """返回所有 L1 嵌入矩阵 [N1, D]（需先 embed_all）"""

    def l2_embeddings_of(self, l1_idx: int) -> ndarray:
        """返回指定 L1 下所有 L2 子节点嵌入 [N2, D]"""

    def l3_embeddings_of(self, l1_idx: int, l2_idx: int) -> ndarray:
        """返回指定 L2 下所有 L3 子节点嵌入 [N3, D]"""

    def get_node(self, l1: int, l2: int, l3: int) -> L3Node:
        """按路径索引获取 L3 节点"""

    # JSON 序列化（主格式，无 embedding，适合缓存和人工查看）
    def save_json(self, path: str) -> None:
        """序列化为 JSON 文件（不含 embedding 向量）"""

    @classmethod
    def load_json(cls, path: str) -> "TreeIndex":
        """从 JSON 文件加载（embedding=None，需后续 embed_all）"""

    # pickle 序列化（向后兼容，含 embedding）
    def save(self, path: str) -> None:
        """pickle 序列化（含 embedding 向量）"""

    @classmethod
    def load(cls, path: str) -> "TreeIndex":
        """从 pickle 文件加载"""

依赖: numpy, pickle, json（标准库）

---

1.2 embeddings.py — 嵌入服务

文件: video_tree_trm/embeddings.py 职责: 封装文本嵌入器，支持本地 sentence-transformers 和远程 OpenAI 兼容 API 双后端，冻结不训练。

class EmbeddingModel:
    """文本嵌入器封装（冻结），支持本地/远程双后端。"""

    def __init__(self, config: EmbedConfig):
        """
        根据 config.backend 初始化:
          - "local": 加载 sentence-transformers 模型，冻结参数
          - "remote": 初始化 OpenAI 兼容 API 客户端
        """

    @property
    def dim(self) -> int:
        """嵌入维度 D"""

    def embed(self, texts: Union[str, List[str]]) -> ndarray:
        """
        文本 → 嵌入向量 (L2 归一化)
        Args:
            texts: 单条或批量文本
        Returns:
            [N, D] ndarray（单条时 N=1，每行 L2 范数为 1.0）
        """

    def embed_tensor(self, texts: Union[str, List[str]]) -> Tensor:
        """同 embed()，返回 torch.Tensor [N, D]（float32）"""

    # 内部方法
    def _embed_local(self, texts: List[str]) -> ndarray:
        """sentence-transformers 本地推理，torch.no_grad() + normalize_embeddings=True"""

    def _embed_remote(self, texts: List[str]) -> ndarray:
        """OpenAI 兼容 API: client.embeddings.create() → 提取向量 → L2 归一化"""

远程模式示例 (GPUStack qwen3-embedding):

# .env
EMBED_API_KEY=sk-xxx
EMBED_API_URL=http://gpu-host:8080/v1

# config/default.yaml
embed:
  backend: "remote"
  model_name: "qwen3-embedding-4b"
  embed_dim: 2048
  device: "cpu"       # 远程模式不使用
  api_key: ""         # 从 .env 覆盖
  api_url: ""         # 从 .env 覆盖

依赖: sentence-transformers（本地模式）, openai SDK（远程模式）, torch, numpy

---

1.3 llm_client.py — LLM/VLM 客户端

文件: video_tree_trm/llm_client.py 职责: 统一封装 LLM（纯文本）和 VLM（多模态）API 调用，仅支持 OpenAI-compatible 单一接口，通过配置 api_url + model 切换服务商（Qwen DashScope、OpenAI、本地推理服务等）。

class LLMClient:
    """OpenAI-compatible LLM/VLM 统一客户端。"""

    def __init__(self, config: Union[LLMConfig, VLMConfig]) -> None:
        """
        初始化客户端。
        Args:
            config: LLMConfig 或 VLMConfig，含 api_key、api_url、model 等参数。
        Raises:
            ValueError: api_key 或 api_url 为空时抛出。
        实现:
            openai.OpenAI(api_key=config.api_key, base_url=config.api_url)
        """

    def chat(self, prompt: str, max_tokens: Optional[int] = None) -> str:
        """纯文本单轮对话，返回生成文本。max_tokens=None 时取 config.max_tokens。"""

    def chat_with_images(
        self, prompt: str, images: List[str], max_tokens: Optional[int] = None
    ) -> str:
        """
        多模态对话（VLM）。
        Args:
            prompt: 文本指令。
            images: 图像列表，每项为本地文件路径或已编码的 data URI 字符串。
        Returns:
            生成文本。
        实现:
            本地路径 → _encode_image() 转 base64 → _build_messages() 拼 content → API 调用。
        """

    def batch_chat(self, prompts: List[str], max_tokens: Optional[int] = None) -> List[str]:
        """ThreadPoolExecutor(max_workers=8) 并发调用 chat()，保序返回。"""

    # ── 私有辅助 ──

    def _encode_image(self, path_or_b64: str) -> str:
        """
        本地路径 → "data:image/{jpeg|png};base64,<data>"。
        已含 "base64," 标记则直接返回（不重复编码）。
        """

    def _build_messages(
        self, prompt: str, images: Optional[List[str]] = None
    ) -> List[Dict]:
        """
        无图像: [{"role": "user", "content": prompt}]
        有图像: content 为列表，image_url 项在前，text 项在后。
        """

消息结构（OpenAI-compatible）:

# 纯文本
[{"role": "user", "content": prompt}]

# 多模态（图在 text 之前）
[{"role": "user", "content": [
    {"type": "image_url", "image_url": {"url": "data:image/jpeg;base64,..."}},
    {"type": "text", "text": prompt}
]}]

502/503 自动重试机制:

# 模块级辅助函数
def _call_with_retry(fn, label: str):
    """对 API 调用执行指数退避重试（仅重试 502/503）。
    - 最多重试 20 次（约等待 20+ 分钟）
    - 首次等待 60s，每次翻倍，上限 300s
    """
    wait = 60
    for attempt in range(1, 21):
        try:
            return fn()
        except openai.InternalServerError as exc:
            if exc.status_code not in {502, 503}:
                raise
            time.sleep(wait)
            wait = min(wait * 2, 300)

代理绕过:

self._client = openai.OpenAI(
    api_key=config.api_key,
    base_url=config.api_url,
    http_client=httpx.Client(proxy=None),  # 显式绕过系统代理，直连内网地址
)

与 TD 原设计的差异:

项目	原设计	实际实现
构造器签名	(backend, api_key, model, **kwargs)	(config: Union[LLMConfig, VLMConfig])
后端区分	"qwen" | "openai" | "ollama" 分支	统一走 OpenAI-compatible，无后端分支
max_tokens 默认值	函数参数硬编码 = 256	= None，None 时取 config.max_tokens
batch_chat 并发	"并发或顺序"	ThreadPoolExecutor(max_workers=8)
重试	无	_call_with_retry() 502/503 指数退避重试（新增）
代理	无	httpx.Client(proxy=None) 绕过系统代理（新增）

依赖: openai SDK（≥1.0）, httpx, python-dotenv（间接，via config）

---

1.4 text_tree_builder.py — 文本树构建

状态: ✅ 已实现 | 测试: tests/unit/test_text_tree_builder.py（43 个用例全部通过）

文件: video_tree_trm/text_tree_builder.py 职责: 长文本 → TreeIndex，实现 L2 轴心构建策略。

注意: 构造器不接受 EmbeddingModel（延迟 embedding 设计）。所有节点 embedding=None，由 Pipeline.embed_all() 在检索前统一填充。

公共接口

class TextTreeBuilder:
    """文本模态树构建器"""

    def __init__(self, llm: LLMClient, config: TreeConfig):
        self.llm = llm             # LLM 客户端
        self.config = config       # TreeConfig（关键字段: max_paragraphs_per_l2）
        # ⚠ 无 embed_model：embedding 延迟到 Pipeline.embed_all()

    def build(self, text: str, source_path: str) -> TreeIndex:
        """
        完整构建流程:
          Phase 1: _segment_text()  → sections: List[List[str]]
          Phase 2: llm.batch_chat() → 所有 L2 摘要并发生成（一次调用）
          Phase 3: 逐层组装 L3 → L2 → L1 节点
          Phase 5: 组装 TreeIndex + 写日志
        """

内部方法

    def _segment_text(self, text: str) -> List[List[str]]:
        """调度: _detect_toc() → True → _segment_with_regex()
                                → False → _segment_with_llm()
        返回: sections[i] = [para_1, para_2, ...]
              外层 = L1 章节，内层 = 该章节下所有段落（扁平）
        注: build() 负责按 max_paragraphs_per_l2 等长分块为 L2 组"""

    def _detect_toc(self, text: str) -> bool:
        """检测文本是否含 # 或 ## 开头的 Markdown 标题行（正则: ^#{1,2}\s+\S）"""

    def _segment_with_regex(self, text: str) -> List[List[str]]:
        """正则解析 #/## 标题边界:
          # → L1 切换（flush 当前 section）
          ## → 段落分隔（flush 当前段落，标题文本作为一段）
          空行 → 段落分隔
          ### 及以下 → 视为普通段落内容"""

    def _segment_with_llm(self, text: str) -> List[List[str]]:
        """LLM 单次调用语义分段，返回只有一个外层元素的 list（整篇视为单 L1）
        Prompt: '将以下文本分成若干语义段落...只返回 JSON 数组...'
        解析: json.loads()，失败时通过 ensure() 抛 ValueError
        支持 LLM 返回值被 markdown 代码块包裹（正则提取）"""

    def _collect_paragraphs(self, text: str) -> List[str]:
        """保底策略: 按双换行符切分段落（_segment_with_regex 无结果时兜底）"""

    def _build_l2(self, paragraphs: List[str], l2_id: str) -> L2Node:
        """段落组 → L2Node（不含 children，由 build() 填充）
        LLM prompt: _L2_PROMPT.format(text="\n\n".join(paragraphs))
        注: 实际由 build() 统一调 batch_chat() 批量处理，此方法仅供单独调用"""

    def _build_l3_from_paragraphs(
        self, paragraphs: List[str], l1_i: int, l2_j: int
    ) -> List[L3Node]:
        """段落列表批量嵌入 → L3Node 列表（不调用 LLM）
        description = raw_content = 原始段落文本
        embed.embed(paragraphs) 一次调用获取全部向量 [N, D]
        节点 ID: f"l1_{l1_i}_l2_{l2_j}_l3_{k}" """

    def _build_l1(self, l2_children: List[L2Node], l1_id: str) -> L1Node:
        """聚合所有 L2 描述 → L1Node（含 children）
        LLM prompt: _L1_PROMPT.format(l2_descriptions="1. ...\n2. ...")
        节点 ID: f"l1_{l1_i}" """

关键实现决策

决策	说明
批量 LLM	build() 收集所有 L2 段落组后调用 llm.batch_chat() 一次并发生成所有 L2 摘要，避免串行延迟
L2 等长分块	当段落数超过 max_paragraphs_per_l2 时，_chunk(lst, size) 等长切块（固定步长无重叠），同一 # 章节下可产生多个 L2
L3 无 LLM	L3 直接复用原始段落文本（description == raw_content），embed.embed() 批量调用
节点 ID	l1_{i} / l1_{i}_l2_{j} / l1_{i}_l2_{j}_l3_{k}，全局唯一
Prompt 常量	_L2_PROMPT, _L1_PROMPT, _SEG_PROMPT 定义在模块顶层

Prompt 设计

_L2_PROMPT = "用1-2句话描述以下段落的核心内容，与同级小节形成区分:\n\n{text}"
_L1_PROMPT = "用2-3句话总结以下小节的核心内容:\n\n{l2_descriptions}"
_SEG_PROMPT = "将以下文本分成若干语义段落，每段为完整语义单元。\n只返回 JSON 数组，格式: [\"段落1\", ...]，不要其他内容。\n文本:\n\n{text}"

依赖: tree_index, embeddings, llm_client, utils.logger_system

---

1.5 video_tree_builder.py — 视频树构建

文件: video_tree_trm/video_tree_builder.py 职责: 长视频 → TreeIndex，实现 L2 轴心构建策略 + VLM 帧描述。 状态: ✅ 已实现

注意: 构造器不接受 EmbeddingModel（延迟 embedding 设计）。所有节点 embedding=None，由 Pipeline.embed_all() 在检索前统一填充。支持本地文件路径和 YouTube URL 两种输入。

class VideoTreeBuilder:
    """视频模态树构建器"""

    def __init__(self, vlm: LLMClient, config: TreeConfig):
        self.vlm = vlm
        self.config = config
        # ⚠ 无 embed_model：embedding 延迟到 Pipeline.embed_all()

    def build(self, video_path: str) -> TreeIndex:
        """
        支持本地文件路径或 YouTube URL。
          URL 模式: _resolve_stream() 获取 CDN 直链，_get_video_duration() 获取时长
          本地模式: OpenCV 直接读取

        完整构建流程（ThreadPoolExecutor 异步事件循环）:
          Step 0: URL 处理（若 video_path 为 URL）
          Step 1: _segment_video  → L1 时间区间列表
          Step 2: 收集全局 L2 任务列表，预计算每个 L1 的 L2 数量
          Step 3: ThreadPoolExecutor(max_workers=concurrency) 一次性提交所有 L2 任务（非阻塞）
          Step 4: 事件循环（cfwait FIRST_COMPLETED）：
                  L2 完成 → 立即提交 L3 任务（_build_l3_task）
                  L3 完成 → 检查 L1 就绪 → 立即提交 L1 任务
                  L1 完成 → 收集结果
          Step 5: 有序重建 l1_nodes，组装 TreeIndex（全部 embedding=None）

        主线程单线程操作 l1_l2_buckets，无竞争，无需 Lock。
        """

    # ── URL 流式辅助方法（静态方法）──

    @staticmethod
    def _is_url(path_or_url: str) -> bool:
        """判断输入是否为 http/https URL"""

    @staticmethod
    def _source_stem(video_path: str) -> str:
        """提取短标识符用于帧缓存目录：
        YouTube URL → 视频 ID（v= 参数）；本地文件 → stem（限 64 字符）"""

    @staticmethod
    def _resolve_stream(url: str) -> str:
        """yt-dlp -g 获取 YouTube CDN 直链（不下载，仅元数据）"""

    @staticmethod
    def _get_video_duration(url: str) -> float:
        """yt-dlp --dump-json 获取视频时长（cv2 在 HTTP 流上 CAP_PROP_FRAME_COUNT 不可靠）"""

    # ── 内部方法 ──

    def _segment_video(
        self, video_path: str, duration_hint: Optional[float] = None
    ) -> List[Tuple[float, float]]:
        """固定步长切分 L1 区间。
        本地文件: cv2 读取总时长；HTTP 流: 使用 duration_hint"""

    def _get_l2_clips(self, l1_range: Tuple[float, float]) -> List[Tuple[float, float]]:
        """将 L1 区间按 l2_clip_duration 等分为 L2 clips"""

    def _extract_frames(
        self, video_path: str, time_range: Tuple[float, float], fps: float,
        source_id: Optional[str] = None
    ) -> List[Tuple[str, float]]:
        """L3 专用：按 fps 密集提取帧到 {cache_dir}/frames/{source_id}/
        已存在的帧文件自动跳过（缓存复用）"""

    def _build_l2_video(
        self, video_path: str, clip_range: Tuple[float, float], l2_id: str,
        source_id: Optional[str] = None
    ) -> L2Node:
        """稀疏均匀 seek l2_representative_frames 帧 → VLM 描述（1-2句）
        embedding=None"""

    def _build_l3_video(
        self, frames: List[Tuple[str, float]], l2_description: str, l1_i: int, l2_j: int
    ) -> List[L3Node]:
        """注入 L2 上下文的 VLM 批量帧描述
        - 主路径: 一次 VLM 调用，要求返回 JSON 数组
        - 降级路径: JSON 解析失败时逐帧调用
        所有节点 embedding=None"""

    def _build_l3_task(
        self,
        video_path: str,
        l2_node: L2Node,
        clip_range: Tuple[float, float],
        source_id: str,
        l1_i: int,
        l2_j: int,
    ) -> L2Node:
        """L3 线程任务单元：提取帧 + _build_l3_video，返回已填充 children 的 L2Node。
        由事件循环在 L2 完成后自动提交（非阻塞），线程安全（内部独立持有 VideoCapture）。"""

    def _call_vlm_batch(self, prompt, frame_paths, n, l1_i, l2_j) -> List[str]:
        """批量 VLM 调用 + JSON 解析失败时降级逐帧"""

    def _parse_json_descriptions(self, raw: str, expected_n: int) -> Optional[List[str]]:
        """从 VLM 输出解析 JSON 数组，长度不匹配返回 None"""

    def _build_l1_video(
        self, l2_children: List[L2Node], l1_id: str, l1_range: Tuple[float, float]
    ) -> L1Node:
        """拼接 L2 描述 → vlm.chat()（纯文本）生成 2-3 句摘要；embedding=None"""

关键配置参数（config.tree）:

参数	默认值	说明
l1_segment_duration	600.0s	L1 切分步长
l2_clip_duration	60.0s	L2 clip 时长
l3_fps	1.0	L3 帧提取速率（帧/秒）
l2_representative_frames	10	L2 稀疏代表帧数
cache_dir	cache/trees	帧图像持久化目录
concurrency	16	视频内 L2/L3 任务并发数（ThreadPoolExecutor max_workers）

依赖: tree_index, embeddings, llm_client, opencv-python（帧提取）

---

1.6 recursive_retriever.py — TRM 递归检索器

文件: video_tree_trm/recursive_retriever.py 职责: 核心可训练模型。Cross-Attention 节点选择 + MLP 推理 + ACT halt。 状态: ✅ 已实现 | 测试: tests/unit/test_recursive_retriever.py（17 个用例全部通过）

1.6.1 CrossAttentionSelector

class CrossAttentionSelector(nn.Module):
    """跨层节点选择器（共享，用于 L1/L2/L3 三个阶段）"""

    def __init__(self, embed_dim: int, num_heads: int):
        self.W_q = Linear(embed_dim, embed_dim)
        self.W_k = Linear(embed_dim, embed_dim)
        self.W_v = Linear(embed_dim, embed_dim)
        self.W_o = Linear(embed_dim, embed_dim)
        self.num_heads = num_heads
        self.head_dim = embed_dim // num_heads
        self.scale = self.head_dim ** -0.5

    def forward(
        self, state: Tensor, candidates: Tensor
    ) -> Tuple[Tensor, Tensor, Tensor]:
        """
        Args:
            state:      [B, D] — 当前 q+z 融合状态
            candidates: [B, N, D] — 该层候选节点嵌入
        Returns:
            selected_info: [B, D] — attention 加权节点信息（可微）
            attn_weights:  [B, N] — 归一化注意力权重（用于 nav loss）
            selected_idx:  [B] — argmax 节点索引（用于路径记录）
        """
        B, N, D = candidates.shape

        Q = self.W_q(state).unsqueeze(1)            # [B, 1, D]
        K = self.W_k(candidates)                     # [B, N, D]
        V = self.W_v(candidates)                     # [B, N, D]

        # reshape → multi-head
        Q = Q.view(B, 1, self.num_heads, self.head_dim).transpose(1, 2)  # [B, H, 1, d]
        K = K.view(B, N, self.num_heads, self.head_dim).transpose(1, 2)  # [B, H, N, d]
        V = V.view(B, N, self.num_heads, self.head_dim).transpose(1, 2)  # [B, H, N, d]

        # scaled dot-product attention
        attn_out = F.scaled_dot_product_attention(Q, K, V)  # [B, H, 1, d]
        attn_out = attn_out.transpose(1, 2).reshape(B, 1, D)
        selected_info = self.W_o(attn_out).squeeze(1)        # [B, D]

        # 注意力权重（对 head 维度平均，用于 loss 和可解释性）
        raw_scores = (Q @ K.transpose(-2, -1)) * self.scale  # [B, H, 1, N]
        attn_weights = raw_scores.mean(dim=1).squeeze(1).softmax(dim=-1)  # [B, N]
        selected_idx = attn_weights.argmax(dim=-1)                         # [B]

        return selected_info, attn_weights, selected_idx

1.6.2 ReasoningModule（L-level）

class ReasoningBlock(nn.Module):
    """单层 MLP 推理块"""
    def __init__(self, dim: int, expansion: float):
        self.norm = RMSNorm(dim)
        self.ffn = SwiGLU(dim, int(dim * expansion))

    def forward(self, x: Tensor) -> Tensor:
        return self.norm(x + self.ffn(x))  # [B, D] → [B, D]


class ReasoningModule(nn.Module):
    """L-level 推理模块（多层 MLP，共享权重跨层级）"""
    def __init__(self, dim: int, L_layers: int, expansion: float):
        self.blocks = ModuleList([ReasoningBlock(dim, expansion) for _ in range(L_layers)])

    def forward(self, z: Tensor, injection: Tensor) -> Tensor:
        """
        Args:
            z:         [B, D] — 当前潜在状态
            injection: [B, D] — 注入信息 (selected_info + q)
        Returns:
            z_new: [B, D]
        """
        h = z + injection
        for block in self.blocks:
            h = block(h)
        return h

1.6.3 RecursiveRetriever

class RecursiveRetriever(nn.Module):
    """TRM 递归检索器主模型"""

    def __init__(self, config: RetrieverConfig):
        self.selector = CrossAttentionSelector(config.embed_dim, config.num_heads)
        self.L_level = ReasoningModule(config.embed_dim, config.L_layers, config.ffn_expansion)
        self.q_head = Linear(config.embed_dim, 1)  # ACT halt head
        self.L_cycles = config.L_cycles
        self.max_rounds = config.max_rounds

        # q_head 初始化为倾向"继续"（bias = -5 → sigmoid ≈ 0）
        with torch.no_grad():
            self.q_head.bias.fill_(-5.0)

    def forward(
        self, q: Tensor, tree: TreeIndex, return_internals: bool = False
    ) -> Dict[str, Any]:
        """
        训练/推理统一入口。
        Args:
            q:    [B, D] — 查询嵌入（来自冻结 text_embed）
            tree: TreeIndex — 预构建树索引
            return_internals: 是否返回中间状态（用于 loss 计算）
        Returns:
            {
                "paths": List[Tuple[int, int, int]],
                "num_rounds": int,
                "z_final": Tensor [B, D],
                # return_internals=True 时额外返回:
                "attn_weights_per_step": List[Tensor],  # 每步 [B, N]
                "halt_logits": List[Tensor],             # 每轮 [B, 1]
            }
        """
        z = q.clone()                   # [B, D]
        paths = []
        attn_weights_all = []
        halt_logits_all = []

        for round_idx in range(self.max_rounds):
            path, z, step_attns = self._traverse_one_path(q, z, tree)
            paths.append(path)
            attn_weights_all.extend(step_attns)

            halt_logit = self.q_head(z)  # [B, 1]
            halt_logits_all.append(halt_logit)

            if not self.training and halt_logit.item() > 0 and round_idx > 0:
                break

        result = {
            "paths": paths,
            "num_rounds": len(paths),
            "z_final": z,
        }
        if return_internals:
            result["attn_weights_per_step"] = attn_weights_all
            result["halt_logits"] = halt_logits_all
        return result

    def _traverse_one_path(
        self, q: Tensor, z: Tensor, tree: TreeIndex
    ) -> Tuple[Tuple[int, int, int], Tensor, List[Tensor]]:
        """单次 L1 → L2 → L3 遍历"""
        step_attns = []

        # Phase 1: L1
        M_L1 = torch.tensor(tree.l1_embeddings(), device=q.device)  # [N1, D]
        k1, z, attn_w = self._select_and_reason(q, z, M_L1.unsqueeze(0))
        step_attns.append(attn_w)

        # Phase 2: L2 (k1 的子节点)
        M_L2 = torch.tensor(tree.l2_embeddings_of(k1), device=q.device)  # [N2, D]
        k2, z, attn_w = self._select_and_reason(q, z, M_L2.unsqueeze(0))
        step_attns.append(attn_w)

        # Phase 3: L3 (k2 的子节点)
        M_L3 = torch.tensor(tree.l3_embeddings_of(k1, k2), device=q.device)  # [N3, D]
        k3, z, attn_w = self._select_and_reason(q, z, M_L3.unsqueeze(0))
        step_attns.append(attn_w)

        return (k1, k2, k3), z, step_attns

    def _select_and_reason(
        self, q: Tensor, z: Tensor, M: Tensor
    ) -> Tuple[int, Tensor, Tensor]:
        """
        单层: Cross-Attention 选择 + L_cycles 内循环推理
        Args:
            q: [B, D], z: [B, D], M: [B, N, D]
        Returns:
            k_star: int, z_new: [B, D], attn_weights: [B, N]
        """
        state = q + z
        selected_info, attn_weights, selected_idx = self.selector(state, M)

        z = z + selected_info

        for _ in range(self.L_cycles):
            z = self.L_level(z, selected_info + q)

        return selected_idx.item(), z, attn_weights

训练 vs 推理行为差异:

行为	训练	推理
多轮循环	固定跑 max_rounds 轮	halt_logit > 0 提前停止
梯度	全部可微	no_grad
返回值	含 attn_weights + halt_logits	仅 paths + z_final

依赖: torch, tree_index

---

1.7 losses.py — 损失函数

文件: video_tree_trm/losses.py 职责: 导航损失（cross-entropy）+ ACT halt 损失（Q-learning）。 状态: ✅ 已实现 | 测试: tests/unit/test_losses.py（13 个用例全部通过）

class NavigationLoss(nn.Module):
    """导航监督损失：推动 attn_weights 指向正确节点"""

    def forward(
        self, attn_weights_list: List[Tensor], gt_path: Tuple[int, int, int]
    ) -> Tensor:
        """
        Args:
            attn_weights_list: [attn_l1, attn_l2, attn_l3]，每个 [B, N]
            gt_path: (gt_l1_idx, gt_l2_idx, gt_l3_idx)
        Returns:
            loss: scalar
        """
        loss = 0
        for attn_w, gt_idx in zip(attn_weights_list, gt_path):
            target = torch.tensor([gt_idx], device=attn_w.device)
            log_probs = attn_w.log()                 # [B, N]
            loss += F.nll_loss(log_probs, target)     # cross-entropy
        return loss / 3  # 三层平均


class ACTLoss(nn.Module):
    """ACT halt Q-learning 损失"""

    def __init__(self, lambda_step: float = 0.1, gamma: float = 0.9):
        self.lambda_step = lambda_step
        self.gamma = gamma

    def forward(
        self,
        halt_logits: List[Tensor],     # 每轮 [B, 1]
        answer_qualities: List[float],  # 每轮累积的答案质量 (0~1)
    ) -> Tensor:
        """
        Q-learning target:
          若在第 t 轮停止 → Q_halt = quality_t
          若继续          → Q_continue = γ * max(Q_{t+1}) - λ
        """
        loss = 0
        n = len(halt_logits)
        for t in range(n):
            halt_q = answer_qualities[t]
            if t < n - 1:
                continue_q = self.gamma * answer_qualities[t + 1] - self.lambda_step
            else:
                continue_q = halt_q - self.lambda_step  # 最后一轮，继续无意义

            # 目标: halt_logit > 0 当 halt_q > continue_q
            target = 1.0 if halt_q >= continue_q else 0.0
            pred = torch.sigmoid(halt_logits[t])
            loss += F.binary_cross_entropy(pred, torch.tensor([[target]], device=pred.device))

        return loss / n

依赖: torch

---

1.8 answer_generator.py — 答案生成

文件: video_tree_trm/answer_generator.py 职责: 根据检索结果组装 context，调用 LLM/VLM 生成最终答案。 状态: ✅ 已实现 | 测试: tests/unit/test_answer_generator.py（10 个用例全部通过）

@dataclass
class RetrievalResult:
    """检索器输出的结构化结果"""
    query: str
    paths: List[Tuple[int, int, int]]
    num_rounds: int

class AnswerGenerator:
    def __init__(self, llm: LLMClient, vlm: LLMClient):
        self.llm = llm
        self.vlm = vlm

    def generate(self, query: str, result: RetrievalResult, tree: TreeIndex) -> str:
        """
        根据模态分发:
          文本 → LLM(query, raw_text_chunks)
          视频 → VLM(query, frame_images + captions)
        """
        nodes = [tree.get_node(*path) for path in result.paths]

        if tree.metadata.modality == "text":
            context = "\n---\n".join(n.raw_content for n in nodes if n.raw_content)
            return self.llm.chat(
                f"根据以下上下文回答问题。\n\n上下文:\n{context}\n\n问题: {query}"
            )
        else:
            frames = [n.frame_path for n in nodes if n.frame_path]
            captions = [n.description for n in nodes]
            caption_text = "\n".join(f"- {c}" for c in captions)
            return self.vlm.chat_with_images(
                f"根据以下关键帧回答问题。\n帧描述:\n{caption_text}\n\n问题: {query}",
                images=frames,
            )

依赖: tree_index, llm_client

---

1.9 pipeline.py — 端到端管线

文件: video_tree_trm/pipeline.py 职责: 串联 预处理 → 检索 → 生成 的完整推理流程。 状态: ✅ 已实现 | 测试: tests/unit/test_pipeline.py（10 个用例全部通过）

class Pipeline:
    """端到端推理管线"""

    def __init__(self, config: Config):
        self.embed_model = EmbeddingModel(config.embed)
        self.llm = LLMClient(config.llm)
        self.vlm = LLMClient(config.vlm)
        self.retriever = RecursiveRetriever(config.retriever)
        # 可选加载检查点（checkpoint=null 时跳过）
        if config.retriever.checkpoint:
            state_dict = torch.load(config.retriever.checkpoint, map_location="cpu")
            self.retriever.load_state_dict(state_dict)
        self.retriever.eval()
        self.generator = AnswerGenerator(self.llm, self.vlm)

    def build_index(self, source_path: str, modality: str) -> TreeIndex:
        """构建并缓存 TreeIndex（JSON 格式，无 embedding）。

        缓存路径: {cache_dir}/{stem}_{modality}.json
        - 缓存命中: 直接 load_json 返回（embedding=None）
        - 缓存未命中: 调用 Builder 生成文字描述，save_json 持久化

        ⚠ 返回的 TreeIndex embedding 全为 None，
           query() 时会自动调用 _embed_tree() 填充。
        """
        if modality == "text":
            builder = TextTreeBuilder(self.llm, self.config.tree)
            with open(source_path, encoding="utf-8") as f:
                tree = builder.build(f.read(), source_path)
        else:
            builder = VideoTreeBuilder(self.vlm, self.config.tree)
            tree = builder.build(source_path)
        tree.save_json(cache_path)  # JSON 持久化，无 embedding
        return tree

    def _embed_tree(self, tree: TreeIndex, cache_path: Optional[str] = None) -> None:
        """对树所有节点执行 embedding（内存中），可选回写缓存。
        L3 按 L2 分组批量处理，L1/L2 各单独处理。"""
        tree.embed_all(
            embed_fn=self.embed_model.embed,
            model_name=self.config.embed.model_name,
            embed_dim=self.embed_model.dim,
        )
        if cache_path is not None:
            tree.save_json(cache_path)  # 回写（含 embedding 的 JSON，实际不存储向量）

    def query(self, question: str, tree: TreeIndex) -> str:
        """问答: question → answer。

        若 tree.is_embedded 为 False（JSON 加载后），先触发 _embed_tree()。
        """
        # Phase 0: 按需触发 embed_all（JSON 缓存加载后 embedding=None）
        if not tree.is_embedded:
            self._embed_tree(tree, cache_path=None)

        # Phase 1: 嵌入查询
        q = self.embed_model.embed_tensor(question)  # [1, D]

        # Phase 2: 递归检索
        with torch.no_grad():
            result = self.retriever(q, tree)

        # Phase 3: 生成答案
        return self.generator.generate(question, result["paths"], tree)

与原设计的关键差异:

项目	原设计	实际实现
Builder 构造器	TextTreeBuilder(embed_model, llm, config)	TextTreeBuilder(llm, config)
缓存格式	pickle（含 embedding）	JSON（无 embedding），首次 query 时内存 embed
build_index 返回	含 embedding 的 TreeIndex	embedding=None 的 TreeIndex
query 额外逻辑	直接检索	先检查 is_embedded，按需调用 _embed_tree()
新增方法	—	_embed_tree()

依赖: 所有其他模块

---

1.10 config.py — 配置管理

文件: video_tree_trm/config.py 职责: 所有超参数的 dataclass 类型定义（无默认值）+ 多源加载。

设计原则

• Dataclass 无默认值: 纯类型定义 + 结构化访问，YAML 必须写全，漏写即报错。
• 三层优先级: CLI args > .env > YAML，高优先级覆盖低优先级。
• 统一归口: 无论来源，最终构造唯一 Config dataclass 对象，代码只与 dataclass 交互。
• 敏感信息隔离: api_key 等敏感字段只写在 .env 中，不进 YAML 和代码。

加载流程

Step 1: 读取 YAML → base dict（全量非敏感配置）
Step 2: 读取 .env  → 覆盖 dict 中对应字段（api_key 等敏感信息）
Step 3: 解析 CLI args → 最终覆盖 dict 中对应字段
Step 4: dict → Config dataclass（校验完整性，缺字段直接报错）

Dataclass 定义

@dataclass
class TreeConfig:
    # 文本模式
    max_paragraphs_per_l2: int              # 每个 L2 节点包含的最大段落数
    # 视频模式
    l1_segment_duration: float              # L1 段时长（秒）
    l2_clip_duration: float                 # L2 clip 时长（秒）
    l3_fps: float                           # L3 帧提取频率
    l2_representative_frames: int           # L2 VLM 描述用的代表帧数
    # 通用
    cache_dir: str                          # TreeIndex 缓存目录

@dataclass
class EmbedConfig:
    model_name: str                         # 嵌入模型名称
    embed_dim: int                          # 嵌入维度 D
    device: str                             # "cuda" | "cpu"

@dataclass
class LLMConfig:
    backend: str                            # "qwen" | "openai" | "ollama"
    api_key: str                            # 从 .env 加载，不写入 YAML
    model: str                              # 模型名称
    api_url: str                            # API 端点 URL
    max_tokens: int                         # 最大生成 token 数
    temperature: float                      # 采样温度

@dataclass
class VLMConfig:
    backend: str                            # "qwen" | "openai" | "ollama"
    api_key: str                            # 从 .env 加载，不写入 YAML
    model: str                              # 模型名称
    api_url: str                            # API 端点 URL
    max_tokens: int                         # 最大生成 token 数
    temperature: float                      # 采样温度

@dataclass
class RetrieverConfig:
    embed_dim: int                          # 嵌入维度（须与 EmbedConfig.embed_dim 一致）
    num_heads: int                          # Cross-Attention 头数
    L_layers: int                           # ReasoningModule 层数
    L_cycles: int                           # 每级推理迭代次数
    max_rounds: int                         # ACT 最大遍历轮次
    ffn_expansion: float                    # SwiGLU 扩展比
    checkpoint: Optional[str]               # 训练好的模型权重路径（推理时必填）

@dataclass
class TrainConfig:
    lr: float                               # 学习率
    weight_decay: float                     # 权重衰减
    batch_size: int                         # 批大小
    max_epochs_phase1: int                  # Phase 1 导航训练轮数
    max_epochs_phase2: int                  # Phase 2 ACT 训练轮数
    nav_loss_weight: float                  # 导航损失权重
    act_loss_weight: float                  # ACT 损失权重
    act_lambda_step: float                  # ACT 步数惩罚系数
    act_gamma: float                        # ACT 折扣因子
    eval_interval: int                      # 每 N epoch 评估一次
    save_dir: str                           # 模型权重保存目录
    dataset: str                            # "longbench" | "narrativeqa" | "videomme"
    dataset_path: str                       # 数据集路径

@dataclass
class Config:
    tree: TreeConfig
    embed: EmbedConfig
    llm: LLMConfig
    vlm: VLMConfig
    retriever: RetrieverConfig
    train: TrainConfig

    @classmethod
    def load(cls, yaml_path: str, cli_args: Optional[dict] = None) -> "Config":
        """
        三层合并加载:
          1. 读取 YAML → base dict
          2. 读取 .env  → 覆盖 api_key 等敏感字段
          3. cli_args   → 最终覆盖
          4. dict → Config（缺字段报 TypeError）
        """
        ...

文件分工

文件	内容	提交到 Git
config/default.yaml	全量非敏感配置（必须写全所有字段）	是
.env	敏感信息（api_key 等）	否
.env.example	.env 模板（值留空）	是

YAML 示例 (config/default.yaml)

tree:
  max_paragraphs_per_l2: 5
  l1_segment_duration: 600.0
  l2_clip_duration: 20.0
  l3_fps: 1.0
  l2_representative_frames: 3
  cache_dir: "cache/trees"

embed:
  model_name: "BAAI/bge-base-zh-v1.5"
  embed_dim: 768
  device: "cuda"

llm:
  backend: "qwen"
  model: "qwen-plus"
  api_url: "https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions"
  max_tokens: 256
  temperature: 0.1
  # api_key: 从 .env 加载，此处不写

vlm:
  backend: "qwen"
  model: "qwen-vl-plus"
  api_url: "https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions"
  max_tokens: 256
  temperature: 0.1
  # api_key: 从 .env 加载，此处不写

retriever:
  embed_dim: 768
  num_heads: 4
  L_layers: 2
  L_cycles: 4
  max_rounds: 5
  ffn_expansion: 2.0
  checkpoint: null

train:
  lr: 1.0e-4
  weight_decay: 1.0e-5
  batch_size: 1
  max_epochs_phase1: 30
  max_epochs_phase2: 20
  nav_loss_weight: 1.0
  act_loss_weight: 0.1
  act_lambda_step: 0.1
  act_gamma: 0.9
  eval_interval: 5
  save_dir: "checkpoints"
  dataset: "longbench"
  dataset_path: "data/longbench"

.env 示例

# .env — 敏感信息，不提交到 Git
LLM_API_KEY=sk-xxx
VLM_API_KEY=sk-xxx

依赖: dataclasses, yaml, python-dotenv

---

2. 训练管线

文件: train.py（项目根目录） 状态: ✅ 已实现 | 测试: tests/unit/test_train.py（13 个用例全部通过）

2.1 数据准备

def prepare_training_data(config: Config) -> List[Dict]:
    """
    离线预处理:
      1. 加载 QA 数据集（LongBench / NarrativeQA）
      2. 为每个文档构建 TreeIndex（缓存到 cache_dir）
      3. 推导每个 QA 对的 ground truth 路径
    Returns:
        [{"query": str, "tree": TreeIndex, "gt_path": (l1, l2, l3), "answer": str}, ...]
    """

2.2 Ground Truth 路径推导

def find_gt_path_text(tree: TreeIndex, answer: str) -> Optional[Tuple[int, int, int]]:
    """
    文本模式: 找到与答案文本重叠度最高的 L3 节点
    评分: F1(L3.raw_content, answer) — token 级别
    返回: (l1_idx, l2_idx, l3_idx) 或 None
    """
    best_score, best_path = 0, None
    for i, l1 in enumerate(tree.roots):
        for j, l2 in enumerate(l1.children):
            for k, l3 in enumerate(l2.children):
                score = token_f1(l3.raw_content, answer)
                if score > best_score:
                    best_score = score
                    best_path = (i, j, k)
    return best_path


def find_gt_path_video(tree: TreeIndex, timestamp: float) -> Optional[Tuple[int, int, int]]:
    """
    视频模式: 找到最接近目标时间戳的 L3 帧
    """
    for i, l1 in enumerate(tree.roots):
        if l1.time_range[0] <= timestamp <= l1.time_range[1]:
            for j, l2 in enumerate(l1.children):
                if l2.time_range[0] <= timestamp <= l2.time_range[1]:
                    k = min(range(len(l2.children)),
                            key=lambda k: abs(l2.children[k].timestamp - timestamp))
                    return (i, j, k)
    return None

2.3 两阶段训练策略

Phase 1: 导航训练（单轮, max_rounds=1）
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
  目标: 训练 Selector + L_level 正确导航到目标节点
  损失: NavigationLoss (cross-entropy on attn_weights)
  可训练: CrossAttentionSelector, ReasoningModule
  冻结:   text_embed, q_head, TreeIndex embeddings

Phase 2: ACT 训练（多轮, max_rounds=5）
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
  目标: 训练 q_head 判断何时停止检索
  损失: NavigationLoss + λ * ACTLoss
  可训练: 全部（Selector + L_level + q_head）
  冻结:   text_embed, TreeIndex embeddings
  ACT reward: answer_quality (F1/EM) - λ_step * rounds

2.4 训练循环伪代码

def train(config: Config):
    # ── 初始化 ──
    embed_model = EmbeddingModel(config.embed.model_name, config.embed.device)
    retriever = RecursiveRetriever(config.retriever).to(config.embed.device)
    nav_loss_fn = NavigationLoss()
    act_loss_fn = ACTLoss(config.train.act_lambda_step, config.train.act_gamma)

    dataset = prepare_training_data(config)
    optimizer = AdamW(retriever.parameters(), lr=config.train.lr)

    # ── Phase 1: 导航训练 ──
    retriever.max_rounds = 1
    for epoch in range(config.train.max_epochs_phase1):
        for sample in dataset:
            q = embed_model.embed_tensor(sample["query"]).to(device)  # [1, D]
            tree = sample["tree"]
            gt_path = sample["gt_path"]

            result = retriever(q, tree, return_internals=True)
            # result["attn_weights_per_step"] = [attn_l1, attn_l2, attn_l3]
            loss = nav_loss_fn(result["attn_weights_per_step"][:3], gt_path)

            optimizer.zero_grad()
            loss.backward()
            optimizer.step()

    # ── Phase 2: ACT 训练 ──
    retriever.max_rounds = config.retriever.max_rounds
    llm = LLMClient(config.llm.backend, config.llm.api_key, config.llm.model)
    generator = AnswerGenerator(llm, None)

    for epoch in range(config.train.max_epochs_phase2):
        for sample in dataset:
            q = embed_model.embed_tensor(sample["query"]).to(device)
            result = retriever(q, sample["tree"], return_internals=True)

            # 每轮计算答案质量
            qualities = []
            for round_idx in range(result["num_rounds"]):
                paths_so_far = result["paths"][:round_idx + 1]
                nodes = [sample["tree"].get_node(*p) for p in paths_so_far]
                context = "\n".join(n.raw_content for n in nodes if n.raw_content)
                answer = llm.chat(f"上下文: {context}\n问题: {sample['query']}")
                quality = token_f1(answer, sample["answer"])
                qualities.append(quality)

            # 导航 loss（仅第一轮）
            loss_nav = nav_loss_fn(result["attn_weights_per_step"][:3], sample["gt_path"])
            # ACT loss
            loss_act = act_loss_fn(result["halt_logits"], qualities)
            # 总损失
            loss = loss_nav + config.train.act_loss_weight * loss_act

            optimizer.zero_grad()
            loss.backward()
            optimizer.step()

---

3. 实验计划

3.1 数据集

数据集	模态	样本量	任务类型	优先级
LongBench	文本	~5K	长文本 QA	P0 (首发)
NarrativeQA	文本	~30K	叙事理解 QA	P1
VideoMME	视频	~2K	视频 QA (多选)	P2

3.2 评估指标

指标	适用	计算方式
EM (Exact Match)	文本 QA	标准化后精确匹配
F1	文本 QA	token 级 precision/recall
Accuracy	视频 QA	选项匹配正确率
Avg Rounds	全部	平均检索轮次（衡量效率）
Nav Accuracy	全部	第一轮 L1/L2/L3 各层命中率

3.3 Baselines

方法	描述
BM25 + LLM	传统稀疏检索 baseline
Dense Retrieval + LLM	BGE 向量检索 + rerank
PageIndex (原论文)	无 TRM 的树状导航 (cosine routing, 无推理模块)
Tree-TRM (原论文)	原始 tree_trm.py 实现

3.4 消融实验

实验	变量	目的
A1	Cross-Attention vs Cosine 路由	验证 CA 选择器的增益
A2	L_cycles = {1, 2, 4, 8}	推理深度对准确率的影响
A3	L_layers = {1, 2, 4}	推理模块复杂度
A4	max_rounds = {1, 3, 5}	多轮检索的边际收益
A5	有/无 ACT halt	ACT 机制对效率的贡献
A6	num_heads = {1, 4, 8}	注意力头数的影响

---

4. 文件结构与依赖

4.1 目录树

Video-Tree-TRM/
├── video_tree_trm/                   # 主包
│   ├── __init__.py
│   ├── config.py                     # §1.10 配置管理
│   ├── tree_index.py                 # §1.1  统一数据结构
│   ├── embeddings.py                 # §1.2  嵌入服务
│   ├── llm_client.py                 # §1.3  LLM/VLM 客户端
│   ├── text_tree_builder.py          # §1.4  文本树构建
│   ├── video_tree_builder.py         # §1.5  视频树构建
│   ├── recursive_retriever.py        # §1.6  TRM 递归检索器
│   ├── losses.py                     # §1.7  损失函数
│   ├── answer_generator.py           # §1.8  答案生成
│   └── pipeline.py                   # §1.9  端到端管线
├── utils/
│   ├── __init__.py
│   └── logger_system.py              # 日志系统 (log_msg, ensure, log_exception)
├── config/
│   ├── default.yaml                  # 默认配置（通用）
│   └── videomme.yaml                 # VideoMME 实验专属配置（GPUStack Qwen3-VL）
├── tests/
│   ├── conftest.py                   # 全局 fixture（real_config, 代理修复）
│   ├── unit/
│   │   ├── test_config.py            # ✅ 已实现
│   │   ├── test_embeddings.py        # ✅ 已实现
│   │   ├── test_llm_client.py        # ✅ 已实现
│   │   ├── test_tree_index.py        # ✅ 已实现
│   │   ├── test_text_tree_builder.py # ✅ 已实现（43 用例）
│   │   ├── test_recursive_retriever.py  # ✅ 已实现（17 用例）
│   │   ├── test_losses.py               # ✅ 已实现（13 用例）
│   │   ├── test_answer_generator.py     # ✅ 已实现（10 用例）
│   │   ├── test_pipeline.py             # ✅ 已实现（10 用例）
│   │   └── test_train.py                # ✅ 已实现（13 用例）
│   ├── integration/
│   └── outputs/                      # Agent 测试 MD 输出
│       └── text_tree_builder/        # ✅ build_toc_*.md
├── data/                             # 数据集（不提交）
├── cache/                            # TreeIndex 缓存（不提交）
├── checkpoints/                      # 模型权重（不提交）
├── logs/                             # 运行日志（不提交）
├── train.py                          # §2 训练入口
├── main.py                           # 推理/演示入口
├── docs/
│   ├── architecture.md               # 架构设计（理念层）
│   └── TD.md                         # 本文档（实现层）
├── .env                              # API 密钥（不提交）
├── .env.example                      # 环境变量模板
└── requirements.txt

4.2 模块依赖关系

config.py ← (所有模块都依赖)

embeddings.py ← text_tree_builder.py
              ← video_tree_builder.py
              ← pipeline.py

llm_client.py ← text_tree_builder.py
              ← video_tree_builder.py
              ← answer_generator.py
              ← pipeline.py

tree_index.py ← text_tree_builder.py
              ← video_tree_builder.py
              ← recursive_retriever.py
              ← answer_generator.py
              ← pipeline.py

recursive_retriever.py ← pipeline.py
                       ← train.py

losses.py ← train.py

answer_generator.py ← pipeline.py
                    ← train.py (Phase 2, 计算 answer quality)

4.3 Python 依赖

# 核心
torch>=2.0
sentence-transformers>=2.2
numpy

# LLM/VLM
openai>=1.0              # 兼容 Qwen/OpenAI/Ollama 接口
python-dotenv

# 视频处理
opencv-python

# 配置
pyyaml

# 测试
pytest
pytest-cov

# 代码质量
ruff