guanghulab/docs/mother-model-deploy-sg-v2.md

# 母模型纯推理部署方案 v2
# Mother Model Deploy · SG Split Architecture · 2026-05-18

## 架构

```
冰朔
  │ HTTPS
  ▼
新加坡CPU服务器(43.156.237.110 BS-SG-001)
  ├── 你的域名 → 入口服务
  ├── 接收请求 → 转发到GPU
  ├── 返回结果给冰朔
  └── 聊天记录存系统盘 /data/logs/chat/
  │
  │ 内网/公网转发
  ▼
GPU服务器（租的RTX 3090 24G，按量付费）
  ├── 只装vLLM + 母模型
  ├── 收到推理请求 → 跑 → 返回
  ├── 不存日志
  ├── 不存聊天记录
  └── 跑完即关，数据不落地
```

## 组件清单

### GPU服务器（租的）

| 项目 | 内容 |
|------|------|
| 硬件 | RTX 3090 24G · 按量付费 |
| 系统盘 | 100GB起步 |
| 模型 | Qwen2.5-7B SFT (FP16, ~14GB) |
| 框架 | vLLM (OpenAI兼容API) |
| 存什么 | 模型权重文件 · 推理框架 · 其他全不存 |
| 访问 | SSH（部署时用）+ API端口（运行时用） |

### 新加坡CPU服务器（你的服务器）

| 项目 | 内容 |
|------|------|
| 推荐 | BS-SG-001 (43.156.237.110 · 4C8G·180G) |
| 入口 | 你的域名 → nginx → 转发服务 |
| 转发 | 收到请求 → POST到GPU的API端口 → 等返回 |
| 日志 | 聊天记录写入 /data/logs/chat/ |

## 部署步骤

### 第一步：GPU服务器部署

```bash
# 1. 装vLLM
pip install vllm

# 2. 从COS拉模型
mkdir -p /data/models
export ZY_OSS_KEY=<your-key>
export ZY_OSS_SECRET=<your-secret>

python3 -c "
from qcloud_cos import CosConfig, CosS3Client
import os

c = CosS3Client(CosConfig(
    Region='ap-guangzhou',
    SecretId=os.environ['ZY_OSS_KEY'],
    SecretKey=os.environ['ZY_OSS_SECRET']
))

base = 'models/qwen25-7b-sft/final'
bucket = 'sy-finetune-corpus-1317346199'
local = '/data/models/qwen25-7b-sft'
os.makedirs(local, exist_ok=True)

resp = c.list_objects(Bucket=bucket, Prefix=base + '/')
for obj in resp.get('Contents', []):
    key = obj['Key']
    rel = os.path.relpath(key, base)
    dest = os.path.join(local, rel)
    os.makedirs(os.path.dirname(dest), exist_ok=True)
    c.download_file(Bucket=bucket, Key=key, DestFilePath=dest)
    print(f'下载: {rel}')
print('模型下载完成')
"

# 3. 启动推理服务
nohup python3 -m vllm.entrypoints.openai.api_server \
    --model /data/models/qwen25-7b-sft \
    --port 8000 \
    --host 0.0.0.0 \
    --max-model-len 8192 \
    --gpu-memory-utilization 0.9 \
    --trust-remote-code \
    > /data/vllm.log 2>&1 &
```

### 第二步：新加坡CPU服务器配置

```bash
# 1. 创建日志目录
mkdir -p /data/logs/chat

# 2. 部署转发服务（Node.js简单代理）
cat > /opt/proxy/inference-proxy.js << 'EOF'
const http = require('http');
const fs = require('fs');

const GPU_HOST = 'GPU_SERVER_IP'  // 替换为GPU服务器IP
const GPU_PORT = 8000

// 接收请求 → 转发到GPU → 存日志 → 返回
const server = http.createServer((req, res) => {
  if (req.method === 'POST') {
    let body = '';
    req.on('data', chunk => body += chunk);
    req.on('end', () => {
      // 转发到GPU
      const options = {
        hostname: GPU_HOST,
        port: GPU_PORT,
        path: '/v1/chat/completions',
        method: 'POST',
        headers: { 'Content-Type': 'application/json' }
      };
      const gpuReq = http.request(options, gpuRes => {
        let data = '';
        gpuRes.on('data', chunk => data += chunk);
        gpuRes.on('end', () => {
          // 存聊天记录
          const logEntry = {
            time: new Date().toISOString(),
            request: JSON.parse(body),
            response: JSON.parse(data)
          };
          const logFile = `/data/logs/chat/${new Date().toISOString().slice(0,10)}.jsonl`;
          fs.appendFileSync(logFile, JSON.stringify(logEntry) + '\n');

          // 返回给用户
          res.writeHead(gpuRes.statusCode, { 'Content-Type': 'application/json' });
          res.end(data);
        });
      });
      gpuReq.write(body);
      gpuReq.end();
    });
  } else {
    res.writeHead(405).end();
  }
});

server.listen(8080, () => {
  console.log('推理代理运行在 :8080');
});
EOF

# 3. 用PM2托管
pm2 start /opt/proxy/inference-proxy.js --name inference-proxy
```

### 第三步：域名配置

你的新加坡域名 → nginx → 转发到 :8080（推理代理）

## 数据流

```
冰朔 → 新加坡域名 → nginx → inference-proxy(:8080)
    → 记录请求到日志文件
    → 转发到GPU(:8000)
    → GPU推理 → 返回
    → 记录响应到日志文件
    → 返回给冰朔
```

## 清理（用完关GPU服务器时）

```bash
# GPU上：停止服务
pkill -f vllm

# 可以删模型释放磁盘（可选）
rm -rf /data/models/qwen25-7b-sft
```

日志全在你的新加坡CPU服务器上，GPU服务器上什么数据都没留下。