完整程式碼可在 GitHub 專案中找到：Finetune-30-days-demo / day-9

在 Day 6，我們已經能把實驗結果（logs、metrics、config、模型產出）集中存放到 results/{experiment_name}_{timestamp}/。
這樣雖然完整，但還有幾個痛點：

1. 不易搜尋：要比較多個實驗結果時，只能手動翻目錄。
2. 缺乏比較：準確率、耗時、配置等資訊無法快速對照。
3. 團隊協作困難：不同人做的實驗分散在檔案夾中，難以建立統一索引。

而今天的目標就是把這些結果寫進 資料庫 (DB)，並且透過 API 和前端頁面查詢，形成一個最小版的 實驗追蹤系統 (Experiment Tracking System)。

今日優化

1. 建立 SQLite 實驗資料表

新增 results/experiments.db，結構如下：

experiments (
  id TEXT PRIMARY KEY,       -- task_id 或 UUID
  name TEXT,                 -- 實驗名稱
  created_at TIMESTAMP,      -- 建立時間
  config_path TEXT,          -- 配置檔路徑
  train_runtime FLOAT,       -- 訓練耗時
  eval_accuracy FLOAT,       -- 驗證準確率
  log_path TEXT              -- 日誌檔路徑
)

2. 訓練程式自動寫入 DB

在 train_lora_v2.py 訓練結束時，會自動把本次實驗的
準確率、耗時、配置路徑、日誌路徑 一併寫進 DB。

檔案系統依舊保留完整紀錄，但 DB 提供了「索引」功能，方便搜尋和比較。

3. API 查詢介面

在 FastAPI 新增兩個 endpoint：

• GET /experiments → 列出所有實驗（支援排序、篩選）
• GET /experiments/{id} → 查詢單一實驗詳細資料

查詢結果以 JSON 回傳，例如：

{
  "id": "4a5b6c78-d123-45ef-9abc-9876543210ff",
  "name": "test_exp",
  "created_at": "2025-09-01T22:39:08",
  "config_path": "results/test_exp_20250901/config.yaml",
  "train_runtime": 10.7,
  "eval_accuracy": 0.82,
  "log_path": "results/test_exp_20250901/logs.txt"
}

4. 前端頁面整合

在 Streamlit UI 新增 「實驗記錄」 頁籤，讓使用者能：

• 提交任務：輸入參數 → 生成新實驗
• 追蹤進度：輸入 task_id → 查看即時狀態
• 實驗記錄：查詢 DB → 以表格形式顯示所有實驗

這樣就把「提交 → 追蹤 → 查詢」完整串接起來。

5. 命令列工具

在 Makefile 中也加入了方便的指令：

make db-list       # 查看實驗記錄（表格形式）
make logs-local    # 查看最新實驗的訓練進度

Day 9 的成果是讓實驗結果不再只是零散的檔案，而是同時有「檔案完整保存」與「DB 快速索引」。這代表我們能用 API、UI 或 CLI 指令快速查詢、比對實驗結果，準確率、耗時、配置一目了然，大幅降低了搜尋與比較的成本。

更重要的是，這一步讓系統正式跨過「能跑」的門檻，開始具備「可追蹤」的能力。它不僅幫助個人更好地管理實驗，也為團隊協作和平台化部署鋪路。接下來的 GPU 資源調度、效能監控與互動式前端，才能在這個基礎上持續累積與擴展。

📎 AI 協作記錄：今日開發指令

請幫我在現有專案中新增「最小實驗追蹤系統」功能，具體需求如下：

1. 使用 SQLite 作為資料庫（檔名為 results/experiments.db）。
2. 建立一個 experiments 資料表，包含以下欄位：
   - id (TEXT, primary key) → 使用 task_id 或 UUID
   - name (TEXT) → 實驗名稱
   - created_at (TIMESTAMP) → 實驗開始時間
   - config_path (TEXT) → 使用的配置檔路徑
   - train_runtime (FLOAT) → 訓練耗時
   - eval_accuracy (FLOAT) → 驗證準確率
   - log_path (TEXT) → 日誌檔路徑
3. 在 train_lora_v2.py 訓練結束時，自動把實驗結果寫入 DB。
4. 新增 FastAPI API：
   - GET /experiments → 列出所有實驗（可排序、可篩選）
   - GET /experiments/{id} → 查詢單一實驗詳細結果
5. 請確保程式碼結構清晰，資料庫操作抽離到單獨的模組 (app/db.py)。
6. 保持與現有 results/ 檔案輸出相容：即檔案仍然會保存，但額外寫一份索引到 DB。