各家对"对话历史"的底层抽象不同,决定了它们的可扩展性、可恢复性与上下文成本:核心分歧一:存储层是否保留完整历史核心分歧二:是否用投影/派生分离"数据面"与"模型面"DSH 源码根:DSH 把每一次对话/工具/元数据变化都落成带序号(seq)的不可变事件,持久化到按 zstd 帧压缩的 JSONL 文件;模型看到的"消息历史"不是存储内容,而是从事件日志按标记 fold 出的投影。先说清楚一个容易

FSDP是pytorch官方推出的分布式训练框架，它可以进行数据并行和模型并行的分布式训练框架。