端到端推理与训练入口（原 run_pipeline.py）

旧入口的去向

phoenix/run_pipeline.py 已不存在。2026-08-13 的上游发布用生产代码整体替换了演示模型，同时删除了 run_pipeline.py、run_ranker.py、run_retrieval.py、runners.py、两份测试文件，以及通过 Git LFS 分发的 artifacts/oss-phoenix-artifacts.zip（见 git diff --name-status 0bfc279 HEAD -- phoenix 中的 D 项）。

因此，旧页面描述的内容全部失效：

旧内容	现状
预训练的 mini checkpoint 与 `sports_corpus.npz` 语料	上游不再发布任何 checkpoint；用户用合成数据自行训练（`phoenix/README.md:61-69`、`phoenix/TRAINING.md:99-100`）
`--artifacts_dir` 等命令行参数	已移除
脚本内的演示权重 fav·1.0 + reply·0.5 + rt·0.3 + dwell·0.2	已移除；新的客户端只按点赞概率排序（见下文）
`build_hash_functions` / `build_unified_emb_table`	Rust 引擎负责哈希，见哈希嵌入

本页保留原路径，内容改为介绍现在的端到端入口。

现在的入口

用途	入口	说明
安装自检	`xrex/inference/oss_bench/bench.py --smoke`	用随机权重启动真实的服务栈，并发送一个合成请求（`phoenix/README.md:431-441`）
生成数据	`reference/world_snapshots.py`、`reference/dump_gen.py`	生成合成世界快照与训练数据
训练	`reference/train_synth.py`	在单卡上训练 nano 排序或召回模型，并写入 checkpoint（`phoenix/reference/train_synth.py:94-160`）
启动服务	`xrex/inference/launch_inference.py`	用 `--service_type ranking` 或 `retrieval` 指定类型，加载 checkpoint，打开 gRPC 端口（`phoenix/xrex/inference/launch_inference.py:273-430`）
SID 服务	`reference/sid_index_server.py`	从快照 parquet 提供 `SidLookupService`
端到端客户端	`reference/retrieve_then_rank.py`	先召回，再对召回结果排序（`phoenix/reference/retrieve_then_rank.py:104-176`）

完整命令与硬件前提见 Phoenix 训练的“本地概念验证训练”一节。

执行流程

flowchart TB
    A["train_synth.py<br/>训练 nano 排序与召回"] --> B["checkpoint 目录"]
    B --> C["launch_inference.py 召回服务<br/>端口 9990"]
    B --> D["launch_inference.py 排序服务<br/>端口 9988"]
    S["sid_index_server.py<br/>端口 50061"] --> C
    E["retrieve_then_rank.py"] -- "RetrieveTopKCandidates" --> C
    C -- "top-K 帖子与召回分" --> E
    E -- "PredictNextActions" --> D
    D -- "每条候选 64 个 logit" --> E
    E --> F["按 P(点赞) 排序并打印"]

retrieve_then_rank.py 的步骤

main（phoenix/reference/retrieve_then_rank.py:104-176）按以下步骤执行：

连接两个 gRPC 服务：RecsysRetrievalPredictorStub（默认端口 9990）和 RecsysPredictorStub（默认端口 9988）（:114-119，参数默认值在 :16-24）。
从训练数据中取 --sessions 个用户会话（默认 3 个），把历史转换成 UserActionSequence（:37-101）。
发送 RetrieveTopKCandidates，取 --topk 条结果（默认 16 条）（:126-135）。
把召回结果原样组成 CandidateSet，用同一个用户序列发送 PredictNextActions（:141-151）。
从返回的 logits 中取 ActionName.SERVER_TWEET_FAV 对应的槽位，经 sigmoid 得到点赞概率，按点赞概率降序打印，同时打印召回分（:152-170）。
只要至少一个会话走完全程，脚本就打印 retrieve_then_rank: N session(s) completed the full loop.（:173-175）。

这一步说明两点。第一，排序服务返回的离散 logit 直接按 ActionName 枚举号索引。第二，脚本只按点赞概率排序；真实的多行为加权在 home-mixer 中完成，见打分与排序。

launch_inference.py 的步骤

run（phoenix/xrex/inference/launch_inference.py:273-430）按以下步骤执行：

指定 --allow_random_init 时，设置 DEBUG_ALLOW_RANDOM_INIT=1，允许在没有 checkpoint 的情况下启动（:278-279）。
按 --config_name 在排序与召回配置表中查找模型配置（:283-290）。
按 --service_type 选择 RankingModelRunner 或 RetrievalModelRunner（:333-340）。召回服务要求指定语料类型（:345-347）。
解析并加载 --checkpoint_path，构造 Rust gRPC 服务，然后开始服务（:374-430）。

在 QUICKSTART 中，两个服务都用 --fake_mm_embeddings true 跳过真实的多模态嵌入服务，并把历史长度缩短到 128、候选数缩短到 8 或 16（phoenix/QUICKSTART.md:128-150）。

设计决策

决策	理由
不再发布 checkpoint，改为发布合成数据生成器	上游的说法是“合成世界取代下载产物”；全流程不依赖外部数据（`phoenix/README.md:61-69`）
端到端流程使用真实 gRPC	客户端与 home-mixer 使用同一组服务契约，因此验证的是生产中的组合方式（`phoenix/README.md:384-388`）
客户端只按点赞概率排序	脚本只验证流程；多行为加权属于 home-mixer

源码锚点

phoenix/reference/retrieve_then_rank.py:104-176 —— 端到端客户端
phoenix/xrex/inference/launch_inference.py:273-430 —— 服务启动
phoenix/reference/train_synth.py:94-160 —— 训练启动器
phoenix/xrex/inference/oss_bench/bench.py —— 安装自检
phoenix/QUICKSTART.md —— 上游验证过的完整命令