[WIP] Before refactor.

.claude/ralph-loop.local.md

@@ -0,0 +1,9 @@
+---
+active: true
+iteration: 1
+max_iterations: 0
+completion_promise: "COMPLETE"
+started_at: "2026-01-19T17:25:00Z"
+---
+
+请你按照 task_plan.md的要求，进行 nanovllm 的代码重构，确保plan 中最终目标可以圆满实现，注意你仅仅只能使用 GPU 0 来进行调试，其他 GPU 一定不能使用。最终将测试结果写一个报告。 <promise>COMPLETE</promise> -max-iterations 30

.claude/rules/sparse-policy.md

@@ -0,0 +1,107 @@
+# Sparse Policy 代码规范
+
+## supports_prefill / supports_decode 标志
+
+每个 SparsePolicy 子类必须正确设置这两个标志：
+
+```python
+class MyPolicy(SparsePolicy):
+    supports_prefill = True   # 是否支持 prefill 阶段
+    supports_decode = False   # 是否支持 decode 阶段
+```
+
+## 方法实现规范
+
+### 规则：不支持的阶段必须 assert False
+
+如果 policy 不支持某个阶段，对应的 `compute_chunked_*` 方法内部**必须** `assert False`：
+
+```python
+class PrefillOnlyPolicy(SparsePolicy):
+    supports_prefill = True
+    supports_decode = False
+
+    def compute_chunked_attention(self, ...):
+        # 正常实现 prefill 逻辑
+        ...
+
+    def compute_chunked_decode(self, ...):
+        # 不支持 decode，必须 assert False
+        assert False, "PrefillOnlyPolicy does not support decode phase"
+```
+
+```python
+class DecodeOnlyPolicy(SparsePolicy):
+    supports_prefill = False
+    supports_decode = True
+
+    def compute_chunked_attention(self, ...):
+        # 不支持 prefill，必须 assert False
+        assert False, "DecodeOnlyPolicy does not support prefill phase"
+
+    def compute_chunked_decode(self, ...):
+        # 正常实现 decode 逻辑
+        ...
+```
+
+### 规则：FullPolicy 必须同时支持两个阶段
+
+`FullAttentionPolicy` 作为默认策略，必须同时支持 prefill 和 decode：
+
+```python
+class FullAttentionPolicy(SparsePolicy):
+    supports_prefill = True
+    supports_decode = True
+
+    def compute_chunked_attention(self, ...):
+        # 完整实现
+
+    def compute_chunked_decode(self, ...):
+        # 完整实现
+```
+
+## 调用方检查
+
+`attention.py` 中应在调用前检查 policy 是否支持当前阶段：
+
+```python
+# Prefill 路径
+if not sparse_policy.supports_prefill:
+    raise RuntimeError(f"{sparse_policy} does not support prefill")
+
+# Decode 路径
+if not sparse_policy.supports_decode:
+    raise RuntimeError(f"{sparse_policy} does not support decode")
+```
+
+这样提供双重保护：
+1. 调用方检查 → 提供清晰的错误信息
+2. 方法内 assert → 防止绕过检查的调用
+
+## CPU-GPU 通信规范
+
+### 规则：所有通信必须通过 OffloadEngine
+
+在 SparsePolicy 的 `compute_chunked_*` 方法中，所有 CPU-GPU 数据传输**必须**通过 `OffloadEngine` 进行，**禁止**直接使用 `torch.Tensor.copy_()` 或 `.to(device)`：
+
+```python
+# ✅ 正确：使用 OffloadEngine 的方法
+offload_engine.load_to_slot_layer(slot, layer_id, cpu_block_id)
+offload_engine.wait_slot_layer(slot)
+k, v = offload_engine.get_kv_for_slot(slot)
+
+# ✅ 正确：使用 cross-layer pipeline
+k, v = offload_engine.get_decode_layer_kv(layer_id, num_blocks)
+
+# ❌ 错误：直接使用 torch 通信
+gpu_tensor.copy_(cpu_tensor)
+gpu_tensor = cpu_tensor.to("cuda")
+gpu_tensor = cpu_tensor.cuda()
+```
+
+### 原因
+
+1. **流同步**：OffloadEngine 内部管理 CUDA streams，确保正确的同步
+2. **Pipeline 优化**：OffloadEngine 实现了 ring buffer 和 cross-layer pipeline
+3. **资源管理**：OffloadEngine 管理 GPU buffer slots，避免内存碎片
+4. **一致性**：统一的接口便于调试和维护