第04篇：开发工具链与部署环境——让训练在“别人电脑上“也能跑

前置知识：基本的命令行操作 / 第03篇的 PyTorch 训练代码

引言：为什么代码不是全部？

前03篇我们写了数学原理、模型代码、训练循环。但一个残酷的事实是：能在你笔记本上跑的代码，在别人电脑上大概率跑不起来。

环境不一致、依赖版本冲突、GPU 驱动不匹配、训练一半断连——这些"非代码问题"消耗了工程师大量的时间。如果你只会写model.train()而不会搭建环境，你的模型再大也跑不到生产环境去。

这一篇不讲模型架构，专门解决工程基础设施问题：

• Docker：一次构建，到处运行
• tmux：训练不会因为断网而中断
• Git：管理代码和模型的版本
• GPU 监控：知道自己有多少"子弹"

一、Git 工作流：从"一个人的提交"到"团队协作"

1.1 分支策略

大模型团队常用的分支策略：

main ← 稳定发布分支，只合入经过 review 的代码 ├── dev ← 开发分支，日常开发都在这里 │ ├── feat/experim