完整程式碼可在 GitHub 專案中找到：Finetune-30-days-demo / day-6

在前幾天，我們已經能順利完成訓練、管理資料、集中配置。但隨著實驗次數一多，新的問題立刻浮現：

• 訓練日誌在一個資料夾，模型存在另一個地方，配置檔又散落各處。
• 過了一週後，完全不記得某個模型到底對應哪份設定。
• 新的實驗結果常常覆蓋舊的，想比較差異卻找不到依據。

問題其實不在模型，而在於 結果沒有家。
所以 Day 6 的目標，就是幫每一次實驗建立一個完整的「家」。

實作過程

1. 實驗資料夾自動化

每次訓練，系統會自動建立一個新的實驗資料夾：

results/
└── {experiment_name}_{timestamp}/
    ├── logs.txt        # 訓練日誌
    ├── config.yaml     # 當次有效配置
    ├── metrics.json    # 訓練與評估指標
    └── artifacts/      # 模型與相關產物
        └── final_model/

• {experiment_name} 來自配置或 CLI
• {timestamp} 保證唯一性，避免覆蓋舊實驗

2. 全面封裝實驗紀錄

一次實驗的所有資訊都會被收進這個資料夾，包括：

• logs.txt：完整訓練日誌與進度輸出
• config.yaml：保存當次有效配置，確保可重現
• metrics.json：記錄結構化的訓練與評估指標
• artifacts/：模型 checkpoint 與最終模型

👉 結果不再是散落的檔案，而是 可追蹤、可比較、可重現的實驗資產。

3. 日誌系統升級

為了方便分析，我把日誌分成兩條「軌道」：

1. 全域日誌：記錄模型載入、設備檢測、錯誤訊息，輸出到終端與檔案。
2. Progress 日誌：專門記錄訓練進度（loss、learning rate、step），只寫入 logs.txt，並以 PROGRESS 標籤區隔。

例子：

2024-03-15 14:30:22 - INFO - 載入模型與 tokenizer...
2024-03-15 14:30:23 - PROGRESS - Step 10: loss=0.6932 | lr=0.0005

這樣一來，讀 log 檔時就能快速區分「系統訊息」與「訓練數據」。

Day 6 的重點不只是把檔案整理好，而是替後續的功能奠定基礎。透過實驗資料夾的自動化建立與完整封裝，我們讓日誌、配置、指標與模型產物都集中在同一處，結果因此變得可追蹤、可比較、也能完整重現。這樣的結構化設計，不僅解決了「實驗沒有家」的混亂問題，也為接下來的任務排程、模型評估與實驗追蹤做好準備，讓實驗成果真正成為可管理、可積累的資產。

📎 AI 協作記錄：今日開發指令

請幫我修改 train_lora_v2.py，讓每次訓練開始時自動建立一個專屬資料夾（experiment run folder），並把所有結果集中保存。

需求：
1. 資料夾命名規則：
   results/{experiment_name}_{timestamp}/
   - experiment_name 從 config.experiment_name 取得
   - timestamp 使用 YYYYMMDD_HHMMSS
2. 資料夾結構：
   - logs.txt（寫入訓練過程的日誌）
   - config.yaml（保存本次有效配置）
   - metrics.json（保存最終評估指標）
   - artifacts/（保存模型、checkpoint、圖表等）
3. 修改 logger 與保存流程，確保所有輸出都寫入該資料夾
4. 確保舊實驗不會被覆蓋，每次都建立新資料夾