技能介绍

要解决什么问题

训练脚本跑起来之后，指标散落在终端输出、本地文件和各自写的日志里；换机器、隔几周再对比几次 run，往往要先回忆 swanlab.init 写过什么、指标 key 叫什么，CLI 路径是 username/project 还是带 run_id。SwanLab 本身是 AI 训练实验追踪平台，本技能把写追踪代码和读实验数据两条路径收敛成可路由的参考与约定，避免 agent 在 SDK 与 swanlab api 之间乱猜命令。

技能如何工作

埋点（Python SDK）：swanlab.init、swanlab.log、swanlab.finish 及媒体类 helper；mode 控制数据去向：online（本地 protobuf + 云端）、local / offline（不上传或稍后 swanlab sync）、disabled（完全关闭）。
查询（CLI）：用 swanlab api 拉 metrics、summary、logs、filter 列表等；路径约定为 username/project_name 或 username/project_name/run_id。
可视化脚本：单实验曲线用 scripts/plot_metrics.py；多实验同指标对比用 scripts/runs_benchmark.py（需登录或 --api-key / --host）。
意图路由：例如「log metrics」→ SDK 快速入门；「my loss curve」→ run metrics；「compare runs」→ runs_benchmark.py；不确定指标名时先 run series（SDK ≥ 0.9.0），旧版才回退 run column(s)。

边界与注意点

上线或云端查询前建议先 swanlab ping（连通性）再 swanlab verify（凭证）。列表类命令默认分页，仅在用户明确要求「全部」时才用 --all；跑 run metrics / run medias 前应先确认 metric key，大批量数据用 --save 落盘再交给绘图脚本。多视图实验勿依赖已废弃的 run column(s)。更完整的 SDK 面、自托管与集成见官方文档，本技能只覆盖 agent 常见工作流。