SwanLab：现代化AI实验跟踪平台，加速模型迭代与团队协作

1. 从零到一：为什么我们需要一个现代化的AI实验跟踪平台

如果你和我一样，在AI模型训练这条路上摸爬滚打了几年，那你一定经历过这样的场景：凌晨三点，服务器上的训练还在吭哧吭哧地跑，你盯着终端里不断滚动的loss值，试图从一堆数字里看出点门道。或者，为了对比上周和这周调参的效果，你不得不打开十几个TensorBoard的日志文件夹，在不同的浏览器标签页之间来回切换，努力回忆哪个实验对应哪组超参数。更别提团队协作时，如何把训练结果清晰、直观地同步给同事或导师，往往需要截图、整理表格、写邮件，一套流程下来，实验的灵感火花可能早就熄灭了。

这就是传统实验跟踪方式的痛点：信息孤岛、对比低效、协作困难。我们花费大量时间在整理、对齐和沟通上，而不是真正地分析模型、迭代想法。SwanLab的出现，正是为了解决这些问题。它不是一个简单的“国产替代品”，而是一个真正从AI研发者视角出发，为模型训练团队量身打造的专业分析平台。它的核心目标很明确：让你和你的团队，能更专注、更高效地发现训练问题，加速模型迭代。

我第一次接触SwanLab是在一个多机多卡的分布式训练项目里。当时我们需要实时监控八个节点的损失曲线和硬件状态，传统的本地工具显得力不从心。接入SwanLab后，所有节点的数据自动汇聚到一个统一的云端看板，任何成员在任何地方打开网页就能看到全局的训练态势，还能在图表上直接标注、评论。那种“信息终于打通了”的感觉，让我意识到实验跟踪工具的价值远不止记录数字那么简单。

简单来说，SwanLab是一个集实验可视化、自动日志记录、超参数管理、实验对比和多人协同于一体的平台。它通过极简的代码嵌入你的训练流程，然后为你提供一个功能强大的在线工作台。无论你是刚入门的新手，还是在处理千亿参数大模型的老手，它都能帮你把杂乱无章的实验过程，梳理成清晰可循的研发脉络。

2. 核心设计解析：SwanLab如何构建你的实验“数字孪生”

要理解一个工具，最好的方式是拆解它的设计哲学。SwanLab的架构可以看作是为你的每一次训练实验，构建一个动态的、多维度的“数字孪生”。这个孪生体不仅记录结果，更实时反映训练的生命状态。

2.1 核心架构：客户端与云端的无缝协作

SwanLab的运作模式非常清晰，分为客户端SDK和云端/自托管服务端两部分。

客户端SDK（就是你用pip install swanlab装的那个Python包）是嵌入在你训练代码中的“探针”。它的职责是轻量、非侵入式地收集数据。你只需要在代码关键位置调用几行swanlab.log，它就会在后台默默地帮你做几件事：

1. 指标抓取：捕获你定义的损失、准确率等标量，以及图像、文本等多媒体数据。
2. 环境快照：自动记录本次实验的完整上下文，包括Python版本、依赖包列表、Git提交哈希、命令行参数、超参数配置等。这解决了“这个结果到底是在什么环境下跑出来的”这个历史难题。
3. 硬件监控：以可配置的频率，采集CPU、GPU、内存、磁盘IO、网络流量等系统资源使用情况。这对于排查性能瓶颈、优化资源利用率至关重要。
4. 数据序列化与上传：将收集到的数据高效地序列化，并通过异步方式上传到你配置的后端（SwanLab云端或你自己的私有化服务器）。

这里有一个关键设计值得称道：异步与非阻塞。SwanLab的日志记录是异步执行的，这意味着swanlab.log调用几乎不会增加你训练循环的额外开销。数据会被先放入本地缓冲区，再由后台线程上传，确保你的训练速度不受影响。

云端/自托管服务端则是这个“数字孪生”的展示和交互中枢。它接收来自客户端的数据，并提供三大核心功能：

1. 实时可视化仪表盘：将上传的指标数据实时渲染成交互式图表。你可以在训练过程中随时刷新网页，看到最新的曲线走势。
2. 实验管理与对比引擎：存储所有历史实验，并提供强大的表格视图，支持按超参数筛选、排序，以及将多个实验的曲线叠加到同一张图上进行对比。
3. 协作与分享层：基于项目和团队的权限管理，生成可分享的链接，支持在图表上直接评论，实现了围绕实验的上下文沟通。

这种架构的优势在于解耦。训练代码只需关心“记录什么”，而分析、管理和协作这些繁重的任务，全部交给了专门优化的Web应用去处理。

2.2 数据模型：超越标量的多维实验记录

与许多早期工具只关注标量（Scalar）不同，SwanLab从设计之初就支持多维度的实验数据。这反映了现代AI训练，特别是多模态和生成式AI训练的复杂需求。

• 标量（Scalar）：最基础的损失、准确率、学习率等。SwanLab的折线图为此做了大量优化，比如支持对数坐标轴、平滑曲线、局部放大、跨实验对比等。
• 媒体数据：
  • 图像（Image）：记录训练中生成的样本、特征图、注意力热图等。对于CV任务，这是洞察模型“看到了什么”的关键。
  • 文本（Text）：记录模型生成的文本、日志片段。对于LLM训练，可以直接在平台上查看模型在不同训练阶段输出的文本质量变化。这里特别提一下LLM生成内容可视化组件，它支持Markdown渲染，意味着你可以把格式丰富的评估报告、思维链过程直接记录并美观地展示出来。
  • 音频（Audio）&视频（Video）：针对语音、音视频生成任务，可以直接在平台内播放，直观评估生成效果。
• 高维数据：
  • 3D点云（Object3D）：对于自动驾驶、机器人、三维重建等领域，可以直接在网页中交互式查看点云数据，无需额外软件。
  • 分子结构（Molecule）：对于AI制药、化学信息学，支持记录和可视化分子结构式，极大方便了相关领域的研究者。
• 自定义图表（ECharts）：这是SwanLab的一大亮点。通过swanlab.echartsAPI，你可以直接传入ECharts配置对象，生成柱状图、饼图、雷达图、热力图等任何ECharts支持的图表。这相当于为你提供了一个强大的自定义分析面板，你可以将模型内部的复杂统计信息（如梯度分布、激活值分布）以最合适的方式可视化出来。

这种丰富的数据类型支持，使得SwanLab能够承载从传统监督学习到前沿多模态、科学计算AI的完整实验记录需求。

2.3 集成哲学：拥抱生态，而非颠覆

AI技术栈极其庞杂，任何工具如果试图让用户重写所有代码来适配自己，都注定失败。SwanLab采取了聪明的“集成优先”策略。它目前已经与超过50个主流框架和库完成了深度集成。

这种集成分为几个层次：

1. 原生回调支持：对于PyTorch Lightning、🤗 Transformers Trainer、MMEngine等提供了标准训练循环的框架，SwanLab提供了直接的回调函数（Callback）。你通常只需要添加一两行代码，或者设置一个环境变量，就能将框架内置的日志系统对接到SwanLab。
2. 日志转换器：对于TensorBoard、Weights & Biases (W&B)、MLFlow等已有广泛用户基础的平台，SwanLab提供了sync_tensorboard,sync_wandb,sync_mlflow等工具。你可以在不修改原有代码的情况下，将历史或正在进行的实验日志，一键同步到SwanLab中进行统一管理和对比分析。这对于团队迁移或工具选型评估非常友好。
3. 低层级API兼容：对于自定义训练循环，SwanLab的核心swanlab.logAPI设计得足够简单和灵活，可以轻松嵌入任何Python代码中。

这种设计体现了一个务实的态度：SwanLab旨在成为你现有工作流的增强层，而不是替代层。它通过降低接入成本，最大化地扩大了自己的适用场景。

3. 实战上手：从安装到第一个可视化实验

理论说了这么多，是时候动手了。我们从一个最简单的图像分类任务开始，看看如何用SwanLab在十分钟内搭建起完整的实验跟踪流程。

3.1 环境准备与安装

首先，确保你的Python环境在3.8及以上。安装SwanLab只需要一行命令，这也是最推荐的方式：

pip install swanlab

如果你想体验最新的开发版特性（比如刚合并到主分支的某个功能），可以使用源码安装：

# 从GitHub克隆并安装 git clone https://github.com/SwanHubX/SwanLab.git cd SwanLab pip install -e . # 或者直接pip安装GitHub分支 # pip install git+https://github.com/SwanHubX/SwanLab.git

注意：开发版可能包含不稳定特性，建议生产环境使用PyPI上的稳定版本。

安装完成后，你需要一个SwanLab账户来接收数据。前往 SwanLab官网 免费注册。登录后，在用户设置 -> API Key 页面，复制你的API Key。

回到终端，运行登录命令：

swanlab login

根据提示粘贴你的API Key并回车。登录信息会安全地保存在本地，后续实验会自动使用。

3.2 极简集成：三行代码开启跟踪

让我们写一个最简单的训练模拟脚本，来验证SwanLab是否工作正常。创建一个名为demo.py的文件：

import swanlab import time # 1. 初始化实验 # project参数定义项目名，config记录本次实验的超参数 swanlab.init( project="my-first-swanlab", experiment_name="demo-experiment-1", config={ "learning_rate": 0.001, "batch_size": 32, "model": "SimpleNN", "description": "这是一个SwanLab快速上手演示" } ) # 2. 模拟训练循环并记录指标 for epoch in range(5): # 模拟5个epoch # 模拟计算损失和准确率 train_loss = 1.0 / (epoch + 1) + 0.01 * (epoch % 3) val_acc = 0.5 + epoch * 0.1 + 0.02 * (epoch % 2) # 使用swanlab.log记录指标字典 # 每个键会成为仪表盘中的一个图表 swanlab.log({ "train/loss": train_loss, "val/accuracy": val_acc, "epoch": epoch # 特殊的‘epoch’键会自动作为x轴 }) # 模拟一个训练步骤的时间 time.sleep(1) print("实验完成！请前往 https://swanlab.cn 查看你的仪表盘。")

运行这个脚本：

python demo.py

如果一切正常，你会在终端看到类似这样的输出，表明数据正在上传：

[SwanLab] Experiment started. View at: https://swanlab.cn/your-username/my-first-swanlab/runs/xxxx [SwanLab] Tracking run with swanlab version x.x.x [SwanLab] Logging to: https://swanlab.cn/your-username/my-first-swanlab/runs/xxxx

打开终端输出的那个链接，或者直接登录SwanLab官网，进入“我的项目”，你应该能看到一个名为my-first-swanlab的项目，里面有一个正在运行或已完成的实验。点击进入，你会看到一个清晰的仪表盘，上面有两条曲线：“train/loss”和“val/accuracy”。恭喜，你的第一个SwanLab实验已经跑通了！

3.3 核心API深度解析

上面的例子展示了最基本的用法，但SwanLab的API远不止于此。我们来深入看看几个核心函数。

swanlab.init()：实验的蓝图

init函数是实验的起点，它定义了实验的元数据。除了project和config，还有一些关键参数：

• experiment_name: 给本次实验起个名字。如果不指定，SwanLab会生成一个随机但易读的名字（如summer-galaxy-42）。建议根据实验内容命名，如resnet50-lr1e4-bs128。
• description: 更详细的实验描述，可以记录实验目的、假设等。这个信息会显示在实验详情页，对于后期回顾非常重要。
• group: 将多个相关实验归为一组（例如，同一组超参数搜索下的不同尝试）。在表格视图中可以按组筛选，极大方便了管理。
• job_type: 定义任务类型，如train,eval,inference。有助于在复杂项目中区分不同阶段的运行记录。

swanlab.log()：数据记录的核心

log函数是你的主要工具。它的设计非常灵活：

• 支持嵌套字典：你可以用train/loss这样的键名，SwanLab会自动识别/并创建对应的分组和图表层级，让仪表盘更有条理。
• 自动步数推断：默认情况下，每次调用log会增加一个全局步数（step）。你也可以通过step参数手动指定，这在验证集不是每个训练step都评估时很有用。
• 记录多媒体：除了标量，你可以直接传入PIL图像、NumPy数组、音频文件路径等，SwanLab会自动处理上传和可视化。例如：

  # 记录一张图像 swanlab.log({"sample_image": swanlab.Image(image_array, caption="Epoch {}".format(epoch))}) # 记录一段文本 swanlab.log({"generated_text": swanlab.Text(model_output, caption="Step {}".format(step))})

swanlab.finish()：优雅地结束

在训练脚本的最后，显式调用swanlab.finish()是个好习惯。它会确保所有缓冲中的数据都被上传，并将实验状态标记为“已完成”。如果你的训练脚本可能被中断，SwanLab有断点续传机制，但显式结束能让数据更完整。

3.4 与真实训练循环结合

让我们看一个更接近真实场景的PyTorch训练片段：

import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms import swanlab # 初始化SwanLab实验 swanlab.init( project="pytorch-mnist", config={ "batch_size": 64, "epochs": 10, "lr": 0.01, "optimizer": "SGD", "model": "SimpleCNN", } ) # ... (模型、数据加载器定义省略) ... for epoch in range(config['epochs']): model.train() running_loss = 0.0 for batch_idx, (data, target) in enumerate(train_loader): optimizer.zero_grad() output = model(data) loss = criterion(output, target) loss.backward() optimizer.step() running_loss += loss.item() # 每100个batch记录一次训练损失 if batch_idx % 100 == 99: avg_loss = running_loss / 100 # 记录到‘train’分组下 swanlab.log({"train/loss": avg_loss}) running_loss = 0.0 # 每个epoch结束后在验证集上评估 model.eval() val_loss = 0.0 correct = 0 with torch.no_grad(): for data, target in val_loader: output = model(data) val_loss += criterion(output, target).item() pred = output.argmax(dim=1, keepdim=True) correct += pred.eq(target.view_as(pred)).sum().item() val_loss /= len(val_loader.dataset) val_accuracy = 100. * correct / len(val_loader.dataset) # 记录验证集指标，并指定step为epoch数 swanlab.log({ "val/loss": val_loss, "val/accuracy": val_accuracy }, step=epoch) # 可以记录一些样本图像 if epoch % 5 == 0: # 取一个batch的图像记录 sample_images = data[:8] # 取前8张 swanlab.log({ "val/samples": swanlab.Image(sample_images, caption=f"Epoch {epoch} Validation Samples") }) swanlab.finish()

在这个例子中，我们展示了如何将SwanLab自然地嵌入到标准的训练循环中：高频的train/loss在内部循环中记录，低频的val/accuracy和样本图像在每个epoch结束时记录。通过合理使用step参数和分组命名，仪表盘上的图表会非常清晰。

4. 高级特性与深度使用技巧

当你熟悉了基础操作后，SwanLab提供的一系列高级功能能让你和团队的分析效率再上一个台阶。

4.1 实验对比：从单点分析到全局洞察

单个实验的曲线只能告诉你“发生了什么”，而多个实验的对比才能告诉你“为什么发生”。SwanLab的对比功能是其核心价值之一。

表格视图对比：在项目主页，你可以看到所有实验以表格形式列出，包含最终指标、超参数、创建时间等。你可以：

1. 筛选：例如，只显示learning_rate小于0.01且batch_size为128的实验。
2. 排序：点击任何一列的表头，按准确率从高到低排序，快速找到最佳模型。
3. 列自定义：选择显示哪些超参数和指标列，聚焦关键信息。
4. 基线对比：这是2026年3月新增的强大功能。你可以设定一个实验为基线（Baseline），其他实验的指标会自动计算与基线的差异百分比，并以颜色高亮显示（绿色表示提升，红色表示下降），让你一眼就能看出哪些参数调整带来了正向收益。

图表视图对比：进入任意一个实验的图表页面，你可以点击侧边栏其他实验的“眼睛”图标，将其曲线叠加到当前图表上。这对于分析学习率调度策略对损失曲线的影响、不同模型结构的收敛速度等场景极其直观。你还可以使用“分组”功能，将同一超参数搜索下的实验曲线以不同颜色显示在同一张图上，进行宏观趋势分析。

4.2 硬件监控：让资源瓶颈无处遁形

模型训练，尤其是大规模训练，常常受限于计算资源。SwanLab的硬件监控功能可以帮你回答以下问题：

• GPU利用率是否饱和？是否存在数据加载瓶颈（GPU等待CPU）？
• 训练过程中显存是否在缓慢增长（可能的内存泄漏）？
• 多卡训练时，各卡负载是否均衡？

SwanLab支持几乎全栈的国产和海外硬件，从英伟达、AMD到华为昇腾、寒武纪MLU、昆仑芯XPU等。监控数据会以折线图形式展示，你可以清晰地看到在整个训练周期内，CPU/GPU利用率、显存占用、磁盘IO、网络流量的变化趋势。

实操心得：曾经在一个多机训练任务中，通过SwanLab的硬件监控发现某一台机器的网络接收流量异常低，排查后发现是网卡驱动问题。如果没有全局的监控视图，这种问题很难定位。

4.3 团队协作：打破实验室的墙

对于团队项目，SwanLab的协作功能是游戏规则改变者。

1. 项目与团队：你可以创建团队，在团队下创建项目。将成员加入团队或项目，他们就能看到对应的实验。
2. 实时共享：每个实验、每个图表甚至整个项目都有独立的、永久的URL。你可以直接把链接发给同事或导师，他们无需登录（如果项目是公开的）或登录后即可查看，无需你再打包发送日志文件。
3. 图表评论：在看图表时，如果发现某个地方有异常或值得讨论，可以直接在图表对应的数据点上添加评论（Pin）。评论会带着上下文（时间步、指标值）保存下来，其他成员可以看到并回复。这相当于把实验讨论会搬到了数据旁边，沟通效率极高。
4. 移动端支持：SwanLab的网页端对移动设备做了良好适配。你可以在手机上随时查看训练进度，甚至接收训练完成或异常的通知（结合插件）。

4.4 私有化部署：完全掌控你的数据

对于数据敏感或网络隔离的研发环境（如企业内网、高校实验室集群），SwanLab提供了完整的私有化部署方案。你可以在自己的服务器上部署SwanLab服务端，所有实验数据都留在内网，同时享受与云端版相同的功能体验。

部署方式非常灵活：

• Docker Compose：最简单快捷的方式，适合单机或小型集群。官方提供了docker-compose.yml文件，一条命令即可启动所有服务（前端、后端、数据库）。
• Kubernetes：对于需要高可用、弹性伸缩的生产级环境，SwanLab提供了完整的K8s部署清单（Helm Chart）。这方便了在云原生环境中集成。
• 离线看板：即使在没有外网连接的环境，你也可以安装swanlab[dashboard]，使用swanlab watch命令在本地浏览器打开一个轻量级的仪表盘，查看本地生成的日志文件。

私有化部署确保了数据的自主可控，同时保留了强大的协作和分析能力，是企业级应用的理想选择。

4.5 插件生态：按需扩展功能

SwanLab的插件系统允许你自定义功能。目前官方和社区提供了一些实用插件：

• 通知插件：训练完成、失败或达到某个指标阈值时，自动发送通知到飞书、钉钉、企业微信、Slack、Discord甚至邮件。你再也不用时不时刷新页面了。
• 记录器插件：例如CSV记录器，可以在记录到SwanLab的同时，在本地备份一份CSV文件，方便用其他工具进行二次分析。
• 自定义插件：你可以根据团队内部流程，开发自己的插件。例如，训练完成后自动将最佳模型推送到内部的模型仓库，或者将实验元数据同步到项目管理系统。

5. 常见问题与故障排查实录

即使工具设计得再完善，在实际使用中总会遇到一些“坑”。下面是我和社区伙伴们总结的一些常见问题及解决方案。

5.1 安装与登录问题

Q1:pip install swanlab速度慢或失败。A1: 这通常是由于网络问题。可以尝试使用国内镜像源：

pip install swanlab -i https://pypi.tuna.tsinghua.edu.cn/simple

如果还是不行，检查你的Python版本是否>=3.8，以及pip版本是否最新。

Q2:swanlab login失败，提示网络错误或认证失败。A2:

• 首先确认你能正常访问https://swanlab.cn。
• 检查复制的API Key是否正确，前后是否有空格。
• 如果你在公司代理后面，可能需要配置环境变量：

  export HTTP_PROXY=http://your-proxy:port export HTTPS_PROXY=http://your-proxy:port

• 登录信息默认保存在~/.swanlab/credentials。如果怀疑凭证文件损坏，可以删除该文件后重新登录。

5.2 数据记录与上传问题

Q3: 训练脚本运行了，但SwanLab网站上看不到数据或数据更新很慢。A3:

• 检查网络连接：客户端需要能访问https://api.swanlab.cn（云端版）或你的私有化部署地址。运行curl -I https://api.swanlab.cn测试连通性。
• 查看客户端日志：SwanLab SDK默认会打印信息到标准输出。确保你没有禁用日志。如果看到类似“Uploading...”或“Network error, retrying...”的消息，说明在上传。
• 理解异步上传：swanlab.log是异步的，数据会先缓存在本地（默认在~/.swanlab/runs下），然后由后台线程上传。训练结束后，可以调用swanlab.finish()确保所有数据上传完毕。即使脚本崩溃，下次运行同目录下的脚本，SwanLab也会尝试续传未完成的数据。
• 检查实验状态：在SwanLab网页上，实验状态可能是“运行中”、“已完成”或“异常”。如果状态异常，可以点击实验查看详情或错误信息。

Q4: 记录图像/音频等媒体文件时，上传速度很慢或失败。A4:

• 媒体文件通常较大。SwanLab会对图像进行有损压缩（可配置质量），以减小上传体积。确保你的文件大小在合理范围内。
• 检查本地磁盘空间，缓存文件可能占用了空间。
• 对于大批量媒体记录，考虑降低记录频率，或者先记录到本地，训练结束后再使用swanlab sync命令同步。

5.3 可视化与使用问题

Q5: 图表太多，页面卡顿。A5:

• 使用LightningBoard（闪电看板）模式。这是SwanLab为超多图表（如数百个指标）场景优化的视图，渲染性能大幅提升。你可以在项目设置或实验页面中切换到该模式。
• 使用分组（Group）功能。将相关的图表拖拽到同一个分组内，分组可以折叠，让页面更整洁。
• 使用图表筛选。在图表页面顶部的搜索框，可以输入关键词筛选出你关心的图表。

Q6: 如何对比两个非常早期的训练步骤（step）的差异？A6:

• 使用折线图的局部放大功能。在图表上按住鼠标左键拖拽一个区域，即可放大该区域。
• 使用X轴数据源选择。有时默认的X轴是“相对时间”或“全局步数”，你可以将其切换为“epoch”或其他你记录的标量，以便更精确地对齐不同实验的相同阶段。

Q7: 我想自定义图表样式（如颜色、线型）。A7:

• 在图表右上角的“编辑”按钮中，可以进入图表配置面板。这里可以修改线条颜色、粗细、类型（实线、虚线）、图表标题、坐标轴范围等。
• 对于通过swanlab.echarts创建的自定义图表，你拥有完全的ECharts配置控制权，可以实现任何复杂的可视化效果。

5.4 与框架集成问题

Q8: 我在使用PyTorch Lightning/HuggingFace Transformers，如何集成？A8:

• PyTorch Lightning：最简单的方式是使用SwanLabLogger回调。在你的Trainer中传入即可：

  from swanlab.integration.pytorch_lightning import SwanLabLogger swanlab_logger = SwanLabLogger(project="my-pl-project") trainer = Trainer(logger=swanlab_logger, ...)

• HuggingFace Transformers：从transformers版本4.50.0开始，原生支持SwanLab。在TrainingArguments中设置report_to="swanlab"即可。更早的版本可以使用swanlab库提供的SwanLabCallback。
• 绝大多数集成框架的详细用法，都可以在SwanLab官方文档的“集成”章节找到示例代码，通常只需添加几行配置。

Q9: 我已经在用TensorBoard/W&B了，能迁移过来吗？A9: 完全可以，而且过程平滑。SwanLab提供了转换工具：

• TensorBoard：使用swanlab sync_tensorboard或swanlab sync_tensorboardX命令，指定你的TensorBoard日志目录，即可将历史实验同步到SwanLab。
• Weights & Biases：使用swanlab sync_wandb命令，并提供W&B的API Key和项目路径。
• MLFlow：使用swanlab sync_mlflow命令。 这些工具会读取原有日志，并在SwanLab中创建一个包含所有历史数据的新实验，方便你进行统一管理和对比。

5.5 私有化部署问题

Q10: 自托管部署后，客户端如何连接？A10: 在客户端代码中，或通过环境变量，指定你自托管服务器的地址：

import swanlab swanlab.init( project="my-project", host="http://your-swanlab-server.com", # 你的自托管服务器地址 api_key="your-selfhosted-api-key" # 在自托管后台创建的API Key )

或者通过环境变量：

export SWANLAB_HOST=http://your-swanlab-server.com export SWANLAB_API_KEY=your-selfhosted-api-key

Q11: 自托管版本的数据存储在哪里？A11: 取决于你的部署方式。在Docker Compose部署中，数据通常保存在你映射的本地卷（volume）中，包括PostgreSQL数据库的数据文件和上传的实验文件（如图片、模型）。务必定期备份这些卷。

最后，如果遇到文档中没有涵盖的奇怪问题，第一选择是查看 GitHub Issues ，很可能已经有人提出并解决了。如果还没有，提交一个包含详细错误日志和复现步骤的Issue，社区和开发团队通常响应很快。记住，清晰的错误描述和日志是快速解决问题的关键。