这份文档重点回答一个正式项目里一定会遇到的问题：当训练任务、推理服务、知识库流程和多人协作同时存在时，模型、数据集、结果文件和日志应该如何统一规划目录、版本、回写路径和归档方式，才能保证后续下载、复盘、审计、重跑和权限管理都保持清晰。
models/ base/v1/ lora/character-a/v3/ datasets/ project-a/2026-06/raw/ project-a/2026-06/cleaned/ outputs/ project-a/2026-06-10/job-001/ logs/ project-a/2026-06-10/job-001/
模型文件建议和业务素材、用户上传文件分开，不要混放。按模型类型、用途和版本做目录治理，后续换版本和回滚都更清晰。
原始数据、清洗数据和训练输入建议至少按前缀分层。例如 datasets/raw/、datasets/cleaned/、datasets/features/。这样同一份源数据可以被多次复用。
结果输出建议按项目、日期和任务 ID 归档，例如 outputs/project-a/2026-06-10/job-001/。这样业务回看、重新下载和审计时更容易定位。
日志不要只留在容器本地。建议把训练日志、推理报表和错误信息一起回写到 logs/ 或 results/ 下的固定目录，方便团队排障。
训练团队负责把 base 模型、LoRA 和评估报告回写到 models/ 和 reports/；推理团队只读取稳定版本目录。这样模型迭代和线上推理不会互相踩目录。
内容团队持续往 raw-documents/ 上传原始文档，知识库团队从固定前缀读取并把切片结果、清洗结果和索引中间文件分别回写。这样上下游边界很清晰。
不同项目共用算力节点时，建议按 projectId 和 jobId 细化输入输出前缀，并为每次训练写回日志、结果和配置快照，方便重跑与审计。
因为存储服务在 AI 场景里的核心价值是统一模型、数据集和结果路径，这套方法同样适用于 Jupyter、Modal 和自建容器环境。
没有统一回写，后续的下载、审计、复跑和团队协作都会非常混乱。
文档中心帮助你完成接入，客户服务页帮助你了解采购、支持与服务信息。
