完整程式碼可在 GitHub 專案中找到：Finetune-30-days-demo / day-7

在前幾天，我們的訓練流程仍然是直接跑 python train_lora.py。這樣做雖然簡單，但在實務上馬上遇到三個問題：

1. 阻塞：訓練可能要跑數十分鐘甚至數小時，API 或 CLI 都會被卡住。
2. 無法併發：如果兩個使用者同時啟動訓練，系統只能排隊處理。
3. 缺乏狀態追蹤：使用者無法知道訓練是否還在進行、失敗或完成。

如果我們想讓專案真正往「平台化」邁進，必須先解決這三個問題。

為什麼選 Celery + Redis？

• Celery：業界成熟的任務排程框架，內建非同步執行、狀態管理、錯誤重試等功能。
• Redis：部署簡單、效能好，同時能充當 queue（任務佇列）與 backend（結果儲存）。
• 擴展性：未來要整合 Kubernetes、監控系統（Prometheus/Grafana）、或增加 worker 都很容易。

換句話說，Celery + Redis 是最小成本、卻能帶來最大平台效益的組合。

我們做了哪些設計

1. 任務管理架構

新增 app/tasks/ 與 app/api.py：

app/
├── tasks/
│   ├── __init__.py      # Celery 初始化與配置
│   └── training.py      # LoRA 訓練任務
└── api.py               # FastAPI API 介面

2. Celery 初始化

在 app/tasks/__init__.py 裡，設定 Celery 與 Redis：

celery_app = Celery(
    "finetune_tasks",
    broker="redis://localhost:6379/0",
    backend="redis://localhost:6379/0"
)

後續又加上了 集中化配置（celery_config.py）與 Redis 連線檢查，確保 worker 啟動前環境可用。

3. 把訓練封裝成任務

在 app/tasks/training.py 定義非同步任務，並加上狀態更新：

@celery_app.task(bind=True)
def train_lora_task(self, config: dict):
    self.update_state(state="STARTED", meta={"progress": "initializing"})
    result = run_training(config)
    return {"status": "completed", "result": result}

4. 提供 API

用 FastAPI 建立兩個端點：

• POST /train：提交新訓練 → 回傳 task_id
• GET /task/{id}：查詢任務狀態 → 回傳 PENDING/STARTED/SUCCESS/FAILURE

5. 執行流程

1. 使用者提交 /train 請求 → 立即回傳 task_id
2. Celery worker 在背景執行訓練
3. 使用者查詢 /task/{id} → 得到即時狀態與結果

透過 Celery + Redis，我們讓訓練流程具備了非同步執行、同時處理多個實驗的能力，並且能即時追蹤任務狀態。這不僅解決了阻塞與併發的問題，也替後續功能（像是進度條、詳細訓練指標）建立了基礎。

更重要的是，Day 7 讓系統正式從「單機腳本」邁向「平台級服務」：使用者不再需要等待，系統則具備橫向擴展的能力，只要增加 worker 就能處理更多任務。這是任務平台化的第一步，也為未來的前端 UI 串接、任務追蹤與錯誤恢復等功能鋪好了路。

📎 AI 協作記錄：今日開發指令

請幫我在專案中新增「任務排程基礎」功能，目的是把 LoRA 訓練流程改為非同步執行。

需求：
1. 使用 Celery + Redis 實作任務排程
   - Celery worker 負責執行訓練
   - Redis 作為 broker 和 backend
2. 把訓練流程包成一個 Celery 任務 (train_lora_task)
   - 任務會回報狀態 (PENDING, STARTED, SUCCESS, FAILURE)
3. 建立 FastAPI API 端點
   - POST /train → 建立任務並回傳 task_id
   - GET /task/{id} → 查詢任務狀態與結果
4. 更新 Makefile，新增啟動 Redis、Celery Worker、FastAPI API 的指令
5. 確保程式結構清楚，新增 app/tasks/ 目錄來管理 Celery 相關檔案

請完成上述修改，讓我可以：
- 提交訓練任務
- 在背景執行訓練
- 查詢任務的執行情況

請幫我把 LoRA 訓練流程改成非同步執行，使用 Celery + Redis + FastAPI。目標是實作一個最小可行版本（MVP），只需要做到以下：

1. 建立 Celery 應用（app/tasks/__init__.py），使用 Redis 當 broker 與 backend。
2. 建立一個訓練任務（app/tasks/training.py），包裝 train_lora，並能回傳簡單結果（例如 val_loss、val_acc）。
3. 建立 FastAPI API（app/api.py），提供：
   - POST /train → 提交任務，回傳 task_id
   - GET /task/{id} → 查詢任務狀態（PENDING、STARTED、SUCCESS、FAILURE）
4. 更新 Makefile，新增 start-services、start-worker、start-api 指令。
5. 確保提交訓練後，API 不會被阻塞，可以查詢任務狀態。

請只做最小範例，不需要進度條、不需要資料庫紀錄。