RuView ruvllm CSI 传感模型训练管线实战：从 .csi.jsonl 采集数据到多格式边缘部署模型的五阶段完整流程

导读

本文基于 RuView 仓库 ADR-071-ruvllm-training-pipeline.md（技术架构决策记录）展开，系统讲解如何用 @ruvector/ruvllm（v2.5.4，Node.js 原生运行）把 ESP32 节点采集的 WiFi CSI 数据（.csi.jsonl 帧）训练成可用于存在检测（presence detection）、活动分类（activity classification）与生命体征估计（vital sign estimation）的可部署模型。文中给出五阶段训练管线的完整配置参数、TurboQuant 量化、LoRA 逐节点微调、EWC 持续学习、SafeTensors/RVF 导出格式，并补充讲解仓库内 train-ruvllm.js、benchmark-ruvllm.js 与无相机监督扩展脚本 train-camera-free.js 的源码级实现细节。读完本文，你可以完整掌握从原始 CSI 录制到模型量化、导出与基准测试的整条实操链路。

背景与决策动机：为什么选 ruvllm 而非 PyTorch

该 ADR 面向 WiFi 人体感知项目（RuView 的 wifi-densepose 方向）：需要把 ESP32 节点采集的 CSI 数据转换为可部署模型。此前 ADR-070 建立了数据采集/自监督预训练协议，ADR-069 确立了 Cognitum Seed（Pi Zero 2W 边缘盒子）作为推理目标，而缺失的正是“原始 CSI 录制 → 可部署模型”之间实际训练、精调、量化与导出的环节。

ADR 通过对比表格论证选型。表中的数据为项目决策记录原文，其中部分（如“M4 Pro performance”）标注来自 ruvllm 规格说明：

准则	ruvllm	PyTorch	ONNX Runtime
运行时依赖	仅 Node.js	Python + CUDA + pip	C++ runtime
安装体积	约 5 MB（npm）	约 2 GB（torch+cuda）	约 50 MB
SONA 自适应	<1ms 原生	N/A	N/A
量化	2/4/8-bit TurboQuant	INT8/FP16（独立工具）	仅 INT8
LoRA 微调	内置 LoraAdapter	需 PEFT 库	N/A
EWC 保护	内置 EwcManager	手动实现	N/A
SafeTensors 导出	原生 SafeTensorsWriter	依赖 safetensors 库	N/A
对比学习训练	内置 ContrastiveTrainer	手动 triplet loss	N/A
边缘部署	ESP32、Pi Zero、浏览器	仅 GPU 服务器	ARM（有限）
M4 Pro 性能	88–135 tok/s 原生	约 30 tok/s（MPS）	约 50 tok/s
生态集成	RuVector、Cognitum Seed	独立	独立

核心决策：使用 ruvllm 的 ContrastiveTrainer、TrainingPipeline、LoraAdapter、EwcManager、SafeTensorsWriter、ModelExporter 完成 CSI 模型全生命周期训练。零 Python 依赖意味着训练与推理可以跑在与 Cognitum Seed 推理引擎相同的 Node.js 运行时上。

仓库源码印证了这一点：train-ruvllm.js 从 vendor/ruvector/npm/packages/ruvllm/src/ 分别 require 了 contrastive.js（ContrastiveTrainer、tripletLoss、infoNCELoss、computeGradient）、training.js（TrainingPipeline）、lora.js（LoraAdapter/LoraManager）、sona.js（EwcManager、SonaCoordinator）与 export.js（SafeTensorsWriter/ModelExporter）。vendor 目录是 git submodule 管理（见 vendor/README.md），ruvllm 即 ruvnet/ruvector 上游 npm 包之一，这也是 ADR 中“将包 vendoring 在 vendor 下以对冲 API 稳定性”风险对策的落点。

五阶段训练管线详解

管线按顺序执行五个阶段（Phase 1–5），源码将其实现在 main() 的 9 个步骤中（train-ruvllm.js，日志依次为 [1/9] 到 [9/9]）。

Phase 1：对比预训练（Contrastive Pretraining）

目标：学习一个嵌入空间，使时间/空间上相似的 CSI 状态彼此接近，相异状态彼此远离。

• 编码器结构：8 维 CSI 特征向量 → 64 维隐藏层（ReLU）→ 128 维 L2 归一化嵌入。
• 损失函数：Triplet loss（margin=0.3）+ InfoNCE（temperature=0.07）。
• 三元组（triplet）策略（源码 generateTriplets()，train-ruvllm.js）：
  • 时间正样本：1 秒内的相邻帧（同一环境状态）；
  • 时间负样本：相隔 >30 秒的帧（不同状态）——注意源码 CONFIG 中 negativeWindowSec: 10.0，注释明确“从 30s 降到 10s，因为 120s 录制需要更紧的阈值”；
  • 跨节点正样本：不同 ESP32 节点同一时间戳（同一人、不同视角）；
  • 跨节点负样本：不同时间戳 + 不同节点；
  • 硬负样本（hard negatives）：运动能量（motion_energy）突变边界附近的帧。
• 超参数：20 epochs、batch size 32、硬负样本比例 0.7。
• 实现：源码中先由 ContrastiveTrainer.addTriplet() 装载三元组，再在其上对编码器 w2 输出层做梯度更新，计算 initial/final loss 与 improvement（[4/9] 步骤），并用确定性洗牌保证可复现。

Phase 2：任务头训练（Task Head Training）

在冻结的 128 维嵌入之上训练各任务监督头：

• Presence head：128 → 1（sigmoid）。源码中 createLabels()（train-ruvllm.js）把 presenceScore > 0.3 作为正样本标签；专门的 PresenceHead 用 BCE 训练 30 个 epoch、lr=0.01（步骤 [5b/9]），推理判定阈值为 sigmoid 输出 >0.5。
• Activity head：128 → 3（softmax：still/moving/empty）。由 motion_energy 阈值派生：presenceScore <= 0.1 → empty；motionEnergy > 2.0 → moving；否则 still。
• Vitals head：128 → 2（线性：呼吸 BPM、心率 BPM）。目标做归一化：breathingBpm/30、heartrateBpm/120。
• 实现：TrainingPipeline.addData() + .train()，采用 cosine LR scheduler、early stopping（patience=5）、quality-weighted MSE loss。源码将任务向量编码为 128 维目标向量（[presence(1), activity(3), vitals(2), padding(122)]）输入训练，并以 validationSplit: 0.1 做校验（train-ruvllm.js）。

Phase 3：LoRA 逐房间/逐节点精调

为每个 ESP32 节点创建独立 LoRA adapter，在不遗忘基座模型的前提下适配特定房间/节点：

• 配置：rank=4、alpha=8、dropout=0.1（源码 per-node 传 { rank: 4, alpha: 8, dropout: 0.1 }）。
• 逐节点训练：每个节点用自身数据以 0.5× 基础学习率微调（源码 learningRate: learningRate * 0.5，5 epochs，ewcLambda: 3000）。
• 实现：LoraManager.create() 为每个节点建 adapter，并把 adapter 传入 TrainingPipeline。ADR 估算 rank-4 adapter 每节点仅约 2KB 存储开销。

Phase 4：TurboQuant 量化

为边缘部署缩小模型体积，压缩率与目标设备对应关系如下：

位宽	压缩率	典型 RMSE	目标设备
8-bit	4x	<0.001	Cognitum Seed（Pi Zero）
4-bit	8x	<0.01	标准边缘推理
2-bit	16x	<0.05	ESP32-S3 特征提取

• 方法：逐张量的 uniform affine quantization（scale/zero-point）。源码 quantizeWeights()（train-ruvllm.js）实现真实位打包：8-bit 每字节 1 权重、4-bit 每字节 2 权重（高低 nibble）、2-bit 每字节 4 权重，压缩率分别达到 4x/8x/16x。
• 质量校验：原始 fp32 与反量化权重之间计算 RMSE（quantizationQuality() + dequantizeWeights()）。训练脚本默认输出 q2/q4/q8 三种量化产物，--quantize-bits 决定默认变体。
• 注意：该方法为训练后量化（post-training），不包含 QAT——ADR 将其列为负面后果，指出 2-bit 若质量退化未来可能需要引入 QAT。

Phase 5：EWC 持续学习整合

弹性权重巩固（Elastic Weight Consolidation），防止未来在新房间数据或更新的 CSI 条件下微调时发生灾难性遗忘：

• Fisher 信息：由训练数据梯度计算。
• Lambda：基座 2000，per-node 3000（与源码 taskPipeline ewcLambda: 2000、节点管线 ewcLambda: 3000 一致）。
• 注册任务：基座预训练 + 每个 ESP32 节点各一项。源码在 [8/9] 用 taskPipeline.getEwcManager() 依次 registerTask('csi-pretraining-v1', ...) 与 registerTask('node-{id}-adaptation', ...)（train-ruvllm.js）。

数据管线与 .csi.jsonl 输入格式

ADR 给出整体数据流：

.csi.jsonl files
    ↓
Parse frames: feature (8-dim), vitals, raw CSI
    ↓
Generate contrastive triplets (temporal, cross-node, hard negatives)
    ↓
Encode through CsiEncoder (8 -> 64 -> 128)
    ↓
Phase 1: ContrastiveTrainer (triplet + InfoNCE loss)
    ↓
Phase 2: TrainingPipeline (presence + activity + vitals heads)
    ↓
Phase 3: LoRA per-node refinement
    ↓
Phase 4: TurboQuant (2/4/8-bit quantization)
    ↓
Phase 5: EWC consolidation
    ↓
Export: SafeTensors, JSON config, RVF manifest, per-node LoRA adapters

输入格式与字段可从源码 loadCsiData()（train-ruvllm.js）得到精确界定——每行一个 JSON 帧，按 frame.type 分流：

帧类型	关键字段	用途
feature	timestamp、node_id、features（8 维 float 数组）、rssi、seq	对比训练/推理主输入
vitals	timestamp、node_id、breathing_bpm、heartrate_bpm、n_persons、motion_energy、presence_score、rssi	生成任务头标签
raw_csi	timestamp、node_id、subcarriers、iq_hex、rssi	原始副载波（训练阶段主要统计计数）

8 维特征的语义可追溯到 ADR-069：presence score、motion energy、breathing rate（/30 clamp）、heart rate（/120 clamp）、phase variance、person count（/4 clamp）、fall detected、RSSI 归一化——维度范围统一在 0.0–1.0，与上文 vitals 归一化分母完全一致。

训练脚本另有三个值得注意的工程化细节：

1. 数据量不足时实时补采：若特征帧总数 <500，脚本会尝试监听 UDP 5006 端口收集实时数据 60 秒（collectLiveData()），ESP32 不可达时优雅降级继续训练。
2. 数据增强：augmentData() 默认以 10× 扩充数据集，采用三种策略——时间插值（相邻帧按 0.2–0.8 系数混合，占 50%）、高斯噪声（sigma=0.02，占 30%）、跨节点插值（两节点同时间戳特征混合，占 20%），种子固定 7919 保证确定性。
3. glob 解析：自带轻量 glob 实现（resolveGlob()），无需额外 npm 依赖。

导出格式一览

训练结束后输出目录包含（对应 ADR 表格 + 源码导出步骤）：

格式	文件	消费者
SafeTensors	model.safetensors	HuggingFace 生态、通用推理
JSON config	config.json	模型加载元数据
JSON model	model.json	Node.js 全量加载
量化二进制	quantized/model-q{2,4,8}.bin	边缘部署
逐节点 LoRA	lora/node-{id}.json	房间级适配
RVF manifest	model.rvf.jsonl	Cognitum Seed ingest（ADR-069）
训练指标	training-metrics.json	仪表盘、CI 校验

源码在第 [9/9] 步骤通过 ModelExporter 的 toSafeTensors()、toHuggingFace()、toJSON() 分别写出前三种格式（train-ruvllm.js），SafeTensors 张量按 encoder.w1/w2/b1/b2、encoder.bn1/bn2_*、presence_head.weights/bias 命名，并额外输出 presence-head.json 供 benchmark-ruvllm.js 直接加载；RVF 由 5 条 JSONL 记录组成（metadata / encoder / lora / ewc / quantization）。training-metrics.json 汇总了总耗时、数据统计、对比损失曲线、LoRA/EWC/量化各阶段指标与完整 CONFIG，可直接用于 CI 回归校验。

硬件目标与性能基线

ADR 规划的目标设备矩阵（期望值属规划口径，非实测数据）：

设备	角色	量化	期望延迟
Mac Mini M4 Pro	训练（主）	fp32	总时长 <5 min
Cognitum Seed Pi Zero	推理	4-bit / 8-bit	每帧 <10 ms
ESP32-S3	仅特征提取	2-bit（编码器权重）	每帧 <5 ms
浏览器（WASM）	可视化	4-bit	每帧 <20 ms

性能目标表同样以 ADR 为准（Measured 列为 TBD，尚待在目标硬件上回填）：

指标	目标	Measured
训练时间（5,783 帧，M4 Pro）	<5 min	TBD
推理延迟（M4 Pro）	<1 ms	TBD
推理延迟（Pi Zero）	<10 ms	TBD
SONA 自适应	<1 ms	<0.05 ms（ruvllm 规格）
存在检测准确率	>85%	TBD
4-bit 质量损失（RMSE）	<0.01	TBD
2-bit 质量损失（RMSE）	<0.05	TBD

仓库提供配套基准脚本 benchmark-ruvllm.js 可回填上述指标：它测量单样本推理延迟的 Mean/P50/P95/P99、批量吞吐（batch 1/8/32/64）、fp32/8/4/2-bit 各级别的体积、压缩率与 RMSE、时间对与跨节点对的嵌入余弦相似度及正负样本分离 margin，并用 confusion matrix 计算存在检测的 accuracy/precision/recall/F1，最后以 --json 把结果写入模型目录的 benchmark-results.json。其中的跨框架对比表明确标注：PyTorch/ONNX/TFLite 数值是按 ruvllm 实测值估算的相对值，不是实测。

命令行实操

ADR 提供的用法均可直接套用（源码 parseArgs 还支持 -d/-o/-b/-e/-v 缩写）：

# 用已采集的 CSI 数据训练（默认 epochs=20）
node scripts/train-ruvllm.js \
  --data data/recordings/pretrain-1775182186.csi.jsonl \
  --output models/csi-v1 \
  --epochs 20

# 训练 + 内置基准
node scripts/train-ruvllm.js \
  --data data/recordings/pretrain-*.csi.jsonl \
  --output models/csi-v1 \
  --benchmark

# 独立基准
node scripts/benchmark-ruvllm.js \
  --model models/csi-v1 \
  --data data/recordings/pretrain-*.csi.jsonl \
  --samples 5000 \
  --json

可调参数与默认值（见 train-ruvllm.js 的 parseArgs 与 CONFIG）：--epochs（默认 20）、--batch-size（默认 32）、--lora-rank（默认 4）、--quantize-bits（默认 4）、--output（默认 models/csi-ruvllm）；对比预训练固定超参为 margin=0.3、temperature=0.07、hardNegativeRatio=0.7、learningRate=0.001、正样本窗口 1s、负样本窗口 10s。基准脚本额外支持 --samples（默认 1000）与 --warmup（默认 100）。

需要提醒：命令中的 data/recordings/*.csi.jsonl 需为本地运行 ESP32 采集链路后产生的录制文件（见 ADR-069 的 UDP 5006 → bridge → Seed 链路），仓库不内置该录制数据；若样本不足 500，脚本会自动尝试从 UDP 5006 实时补采。

输出目录结构

models/csi-v1/
  model.safetensors          # SafeTensors（HuggingFace 兼容）
  config.json                # 模型配置
  model.json                 # 完整 JSON 模型状态
  presence-head.json         # 存在检测头权重（额外产物）
  model.rvf.jsonl            # Cognitum Seed 的 RVF manifest
  training-metrics.json      # 训练损失曲线、计时、配置
  contrastive/
    triplets.jsonl           # 对比训练三元组
    triplets.csv             # 供分析的 CSV
    embeddings.json          # 嵌入矩阵
  quantized/
    model-q2.bin             # 2-bit 量化（ESP32 边缘）
    model-q4.bin             # 4-bit 量化（Pi Zero 默认）
    model-q8.bin             # 8-bit 量化（高质量）
  lora/
    node-1.json              # ESP32 节点 1 的 LoRA adapter
    node-2.json              # ESP32 节点 2 的 LoRA adapter

无相机监督扩展（Camera-Free Supervision）

动机

传统 WiFi 姿态估计（WiFlow、Person-in-WiFi）依赖相机监督训练：采集 CSI 时用相机拍摄真实姿态作为 ground truth，模型学习“CSI → 姿态”的映射。这形成部署悖论——训练需要相机，而 WiFi 感知的意义恰恰在于不装相机。

scripts/train-camera-free.js 用 Cognitum Seed 的 10 路传感器信号 + 2 个 ESP32 节点替代相机监督，通过传感器融合生成弱标签。脚本头部注释（train-camera-free.js）逐条列出信号来源。

10 路监督信号（无相机）

#	信号	来源	提供
1	PIR 传感器	Seed GPIO 6	二值存在 ground truth
2	BME280 温度	Seed I2C 0x76	占用代理（人导致温度上升）
3	BME280 湿度	Seed I2C 0x76	呼吸确认/区域
4	跨节点 RSSI	2 个 ESP32 节点	粗略 XY 位置（差分三角定位）
5	生命体征稳定性	ESP32 CSI	HR/BR 方差指示活动级别
6	时间 CSI 模式	ESP32 CSI	周期性=行走、平稳=静坐、平坦=空
7	kNN 聚类标签	Seed 向量库	嵌入空间的自然分组
8	边界脆弱度	Seed Stoer-Wagner	状态机切换检测（进出/活动）
9	干簧管	Seed GPIO 5	门开/关事件
10	振动传感器	Seed GPIO 13	脚步检测

扩展的训练阶段

无相机管线在基础 5 阶段之上扩展为 12 步（[1/12]–[12/12]），核心新增阶段如下（ADR 原文的流程设计）：

Phase 0: Multi-Modal Data Collection
  ├── UDP port 5006 → ESP32 CSI features + vitals
  ├── HTTPS → Seed sensor embeddings (45-dim, every 100ms)
  ├── HTTPS → Seed boundary/coherence (every 10s)
  └── Build synchronized MultiModalFrame timeline

Phase 1: Weak Label Generation
  ├── Presence: PIR || CSI_presence > 0.3 || temp_rising > 0.1°C/min
  ├── Position: RSSI differential → 5×5 grid (25 zones)
  ├── Activity: CSI variance + FFT periodicity → stationary/walking/gesture/empty
  ├── Occupancy: max(node1_persons, node2_persons) validated by temp
  ├── Body region: upper/lower subcarrier groups → which body part moves
  ├── Entry/exit: reed_switch + PIR transition + boundary fragility spike
  ├── Breathing zone: humidity change rate → person location
  └── Pose proxy: 5-keypoint coarse pose from RSSI + subcarrier asymmetry + vibration

Phase 2: Enhanced Contrastive Pretraining
  ├── Base triplets (temporal, cross-node, transition, scenario boundary)
  ├── Sensor-verified negatives: PIR=0 vs PIR=1 must differ
  ├── Activity boundary: before/after fragility spike must differ
  └── Cross-modal: CSI embedding ≈ Seed embedding for same state

Phase 3: Pose Proxy Training (5-keypoint)
  ├── Head: RSSI centroid between 2 nodes
  ├── Hands: per-subcarrier variance asymmetry (left/right from 2 nodes)
  ├── Feet: vibration sensor + RSSI ground reflection
  └── Skeleton physics constraints (anthropometric bone length limits)

Phase 4: 17-Keypoint Interpolation
  ├── Shoulders = 0.3 × head + 0.7 × hands
  ├── Elbows = midpoint(shoulder, hand)
  ├── Hips = midpoint(head, feet)
  ├── Knees = midpoint(hip, foot)
  ├── Face = derived from head position
  └── Iterative bone length constraint projection (3 iterations)

Phase 5: Self-Refinement Loop (3 rounds)
  ├── Run inference on all collected data
  ├── Keep predictions where temporal consistency confidence > 0.8
  ├── Use as pseudo-labels for next training round
  └── Decaying learning rate per round (diminishing returns)

源码实证：PoseDecoder 为 128 → 64（ReLU）→ 10 的两层 FC（5 关键点 × 2 坐标），对应函数 interpolateTo17Keypoints() 完成 5→17 关键点插值，另有骨骼长度约束投影；位置弱标签通过 RSSI 差分映射到 5×5=25 网格（xPos/yPos 按 (rssiDiff+30)/60*4 量化到 0–4，见 train-camera-free.js）；自精化轮数默认 3（--self-refine）。关键点遵循 COCO 17 点格式（poseKeypoints17: 17）。

用到的 Seed API 端点

端点	数据	采集频率
GET /api/v1/sensor/stream	SSE 传感器读数	持续（100ms）
GET /api/v1/sensor/embedding/latest	45 维传感器嵌入	逐帧
GET /api/v1/boundary	脆弱度分数	每 10s
GET /api/v1/coherence/profile	时间相边界	每 10s
GET /api/v1/store/query	kNN 相似度检索	按需
POST /api/v1/boundary/recompute	触发分析	状态切换时

优雅降级

无论 Cognitum Seed 是否可用，管线都能工作：

模式	信号	姿态质量
完整（Seed + 2 ESP32）	10 路信号	5 关键点训练 + 17 关键点插值
仅 CSI（2 ESP32）	3 路信号（RSSI、vitals、时间模式）	较粗的位置/活动
单节点	2 路信号（vitals、时间模式）	仅存在 + 活动

Seed 不可达时（--no-seed 或 API 连接失败）自动回退到 CSI-only 训练，输出格式保持一致（SafeTensors、HuggingFace、量化产物），只是标签质量下降。CLI 参数：--seed-url（默认 https://169.254.42.1:8443）、--seed-token（或环境变量 SEED_TOKEN）、--seed-collect-sec（默认 120）、--self-refine（默认 3）。

额外输出

与基础管线输出一致（SafeTensors + HuggingFace 兼容），另增：

文件	描述
pose-decoder.json	5 关键点姿态解码器权重
model.rvf.jsonl	追加 camera_free_supervision 记录
training-metrics.json	含弱标签统计与多模态三元组计数

代码确认：RVF manifest 会写入 JSON.stringify({ type: 'camera_free_supervision', signals: seedAvailable ? 10 : 3, ... })，如实记录本次训练用了多少路监督信号。

用法示例：

# 带 Seed 的完整管线
node scripts/train-camera-free.js \
  --data data/recordings/pretrain-*.csi.jsonl \
  --seed-url https://169.254.42.1:8443 \
  --output models/csi-camerafree-v1

# 仅 CSI（无 Seed）
node scripts/train-camera-free.js \
  --data data/recordings/pretrain-*.csi.jsonl \
  --no-seed \
  --output models/csi-camerafree-v1

# 带基准
node scripts/train-camera-free.js \
  --data data/recordings/*.csi.jsonl \
  --benchmark

后果、风险与权衡

正面效果

• 零 Python 依赖：训练与推理全程 Node.js，省去训练机/部署目标上的 Python/CUDA/pip 依赖管理。
• 一体化生命周期：对比预训练、任务头、LoRA 精调、EWC 巩固与量化在一份脚本、一个库内完成。
• 边缘优先：2-bit 量化可把编码器压进 ESP32-S3；4-bit 适合 Cognitum Seed（Pi Zero）。
• 持续学习：EWC 保护使模型可增量学习新房间数据而不遗忘旧模式。
• 逐节点适配：rank-4 LoRA adapter 约 2KB/节点，房间级适配成本极低。
• HuggingFace 兼容：SafeTensors 导出便于共享与跨框架加载。
• 可复现：编码器播种初始化（seed=42）+ 确定性数据管线。

负面效果与风险

• 无 GPU 加速：ruvllm 的 JS 训练循环不使用 GPU。对 CSI 这种小模型（8→64→128）可接受（M4 Pro 上约数秒级），但不适合扩展到大型视觉模型。
• 简化反向传播：LoRA 反向传播与对比训练使用近似梯度更新，而非完整自动微分，不等价于 PyTorch autograd，但够用。
• 仅训练后量化：无 QAT。4-bit/8-bit 质量损失可接受；2-bit 若质量退化未来需引入 QAT。
• 质量上限风险：简化训练精度可能低于等价 PyTorch 模型。缓解：模型足够小收敛快、推理期 SONA 自适应可补偿、必要时仅训练环节换 PyTorch 而推理保留 ruvllm。
• ruvllm API 稳定性：库处于活跃开发（v2.5.4）。缓解：vendoring 到 vendor/ruvector/npm/packages/ruvllm/。ruvllm 的能力边界（预测记忆与推理职责划分）可进一步参考 ADR-350-ruvector-predictive-memory-and-ruvllm-boundary.md。

相关文档索引

• ADR-071 原文——本文主体依据，含完整五阶段参数与全部表格
• ADR-069——Cognitum Seed CSI Pipeline（数据采集/向量库前提）
• ADR-070——Self-Supervised Pretraining 协议
• ADR-024——Contrastive CSI Embedding / AETHER
• ADR-016——RuVector 训练管线集成
• 训练脚本、无相机训练脚本、基准脚本
• vendor 子模块说明——ruvllm 所在上游依赖的管理方式