#!/bin/bash
# 用 cml custom_train submit 提交 SFT 训练（**只做这一件事**）。
# 训练完成后请用 scripts/submit_cml_eval.sh 单独起评测，watcher 由 agent 自己挂。
#
# 用法：
#   ./submit_sft.sh <SFT_RUNDIC> [PREV_RUNDIC]
#
# 推荐调用方式（runDic 由 resolve_run_ids.sh 决定，不要手敲）：
#   eval "$(./scripts/resolve_run_ids.sh)"
#   ./scripts/submit_sft.sh "$SFT_RUNDIC"
#
# 语义（与 program.md §746 + §5.2 对齐）：
#   SFT_RUNDIC  = R{n-1}.runDic（augment / yaml / 归档全用这个，不 +1）
#   PREV_RUNDIC = SFT_RUNDIC - 1（默认；只用作上一轮 sft_output 改名）

set -euo pipefail

SFT_RUNDIC=${1:?usage: $0 <SFT_RUNDIC> [PREV_RUNDIC]}
PREV_RUNDIC=${2:-$((SFT_RUNDIC-1))}

SCRIPT_DIR="$(cd "$(dirname "${BASH_SOURCE[0]}")" && pwd)"
# chat-isolated 时代 AUTORESEARCH_ROOT == AUTORESEARCH_CHAT_ROOT；优先用 chat
# root，避免 agent 没 export AUTORESEARCH_ROOT 时回退到全局共享路径（已废弃）。
ROOT=${AUTORESEARCH_ROOT:-${AUTORESEARCH_CHAT_ROOT:-$(dirname "$SCRIPT_DIR")}}
TPL=${SFT_TRAIN_JOB_TEMPLATE:-$SCRIPT_DIR/sft_train_job.yaml.tpl}
YAML=/tmp/sft_train_job_r${SFT_RUNDIC}.yaml

if [ -f ~/.cloudml-cli/.profile ]; then
  source ~/.cloudml-cli/.profile
else
  echo "[sft] ❌ 未找到 ~/.cloudml-cli/.profile，请先安装并初始化 cml" >&2
  exit 1
fi

# 1. 渲染 yaml 模板
sed \
  -e "s|{RUNDIC}|${SFT_RUNDIC}|g" \
  -e "s|{PREV_RUNDIC}|${PREV_RUNDIC}|g" \
  -e "s|{AUTORESEARCH_ROOT}|${ROOT}|g" \
  "$TPL" > "$YAML"
echo "[sft] yaml: $YAML  (SFT_RUNDIC=$SFT_RUNDIC PREV_RUNDIC=$PREV_RUNDIC)"

# 2. 提交训练任务
SUBMIT_OUT=$(cml custom_train submit --filename "$YAML" 2>&1)
echo "$SUBMIT_OUT"
JOB_ID=$(echo "$SUBMIT_OUT" | grep -oE 't-[0-9]+-[a-z0-9]+' | head -1)
if [ -z "$JOB_ID" ]; then
  echo "[sft] ❌ 提交失败" >&2
  exit 1
fi
echo "[sft] ✅ JobID: $JOB_ID"

cat <<EOF

[sft] 任务提交完成，关键命令：
  查看任务状态:  cml custom_train describe $JOB_ID
  查看实时日志:  cml custom_train logs $JOB_ID --follow
  停止任务:      cml custom_train kill $JOB_ID

训练成功后产物在: $ROOT/sft_output/_SUCCESS
随后用 scripts/submit_cml_eval.sh <EVAL_RUNDIC> 起评测（不要在本脚本里串接，避免跨 step bg 任务）。

JobID:        $JOB_ID
SFT_RUNDIC:   $SFT_RUNDIC   (yaml / sft_output 命名)
EOF