6.2 自动化流水线构建

6.2 自动化流水线构建

本节摘要：把前五章的山体资产架成正式产线：Wedge 批量变体 → HDA Processor 统一执行 → 输出核对。工程重点是三件事：缓存分层（算过的绝不重算）、失败隔离（一项挂全 line 不停）、产物核对（数量与命名可审计）。

产线设计：山体变体工厂

需求设定：按 12 个种子 × 3 档侵蚀强度出 36 座山，每座输出几何缓存 + 预览渲染。TOP 网络四段：

1. Wedge 变体展开：两个 wedge 属性（seed 12 档、erode_strength 3 档），交叉组合 36 个 item；
2. HDA Processor：把第 4 章的高度场流水线封装成 HDA（封装细节第 7 章），HDA Processor 为每个 item 实例化并按 item 属性调参数。为什么用 HDA 而不是 ROP Fetch 直连当前 hip 里的网络：产线执行单元应该是冻结版本的资产——hip 文件随手改，HDA 带版本号，产线可复现；
3. ROP Geometry / ROP Fetch 出缓存：每 item 一份 bgeo.sc，路径由 item 属性拼出（@seed、@erode_strength 进文件名）；
4. ROP Karma/Mantra 预览渲染：依赖缓存段，渲染每座山的预览图。

图 6.2-1 产线依赖与缓存分层

缓存分层：产线的经济学

产线最贵的错误是重复计算。分层设计：

实现要点：缓存路径全部由 item 属性确定性拼出（同参数必同名），TOP 的缓存机制据此识别"这个 item 之前算过"。切忌路径里掺入时间戳或随机后缀——缓存识别立刻失效。

失败隔离与核对

• 失败只报不停：Local Scheduler 默认行为是继续煮其他 item，失败的标红。写一个小型 Python TOP 或 Switch 分支把失败清单汇总成 log/表格——产线的可观测性与产线本身同等重要；
• 产物核对：末段放一个对照逻辑（Attribute 从 Wedge 继承预期数量，与实际文件数比对），对不上就报警。36 座山少 3 座，人工肉眼是查不出来的；
• 环境一致：农场/云上执行的 Houdini 版本、HDA 版本要与本地一致。产线 header 里写死版本号是笨但可靠的做法。

# 核对节点（Python TOP 内示意）
expected = 36
found = len(hou.topology...)  # 实际成功 item 数
if found < expected:
    raise hou.Error(f'产物缺失: {found}/{expected}')
​

什么值得上产线

不是一切都要 TOP 化。判断三问：

1. 任务数够多吗？（<10 个，手动跑+脚本更省心）
2. 任务彼此独立吗？（有强顺序依赖的链式流程，产线收益骤减）
3. 会反复重跑吗？（一次性交付上产线是过度工程）

山体变体、按镜头批量出环境、批量烘焙贴图——都是标准答案；单一 hero 资产的艺术调优——不是。

⚠️ 常见坑：产线里直接引用当前 hip 会话里的活网络（ROP Fetch 指向未冻结的节点），艺术家中午改了个参数，下午产线全量重算。产线的输入必须是冻结物：HDA、缓存文件或锁定的 hip。

💡 关键直觉：产线思维 = 把"参数空间"当产品经营。36 座山不是 36 次劳动，是一次定义 + 一夜算力。

本节要点回顾

• 三段式产线：Wedge 展开 → HDA 执行 → 缓存/渲染输出，末段必须核对；
• 缓存路径确定性是缓存识别的命门；
• 失败隔离+可观测性：汇总失败，绝不盲跑；
• 执行单元用冻结的 HDA，不用活网络；
• 三问过滤：够多、够独立、会重跑，才值得上 TOP。

单机工厂建好了。第 7 章解决"资产怎么走出你的电脑"：HDA、Engine 与 USD。

廕伸：一条影视级资产流水线的完整装配

把前几章的全部能力装配成流水线，TOP 网络的标准分段：参数楔取（Wedge 生成变体矩阵）→ 几何生成（ROP Geometry，每变体一个工作项）→ 质检（Python TOP 校验属性字典）→ 打包（HDA Processor 输出资产）→ 通知（ Email/Slack TOP）。质检段是工程化的分水岭：

# Python Processor TOP —— 变体质检模板
for work_item in upstream_items:
    geo = work_item.expectedResultData  # 落盘几何路径
    stats = check_geo(geo)  # 面数/属性完整性/包围盒合法性
    if stats["fail"]:
        work_item.addError("tri=%d missing=%s" % (stats["tris"], stats["missing"]))
        continue   # 失败项标记, 不阻断整批
    work_item.setAttribute("tris", stats["tris"])
​

失败项被标记并汇总到报告，而非让整条流水线停摆——"局部失败不全局熔断"是批量生产与桌面实验的本质区别。

廕伸：缓存失效的分层策略

[缓存分层]
L1 参数敏感缓存: TOPs 的 work item 产物天然按参数哈希落盘
L2 阶段缓存: 环境章的 Stage 冻结(FileCache 显式节点)
L3 发布缓存: 资产库版本化的 HDA/USD 只增不改
纪律: 任何手改缓存的行为必须留下"破坏标记"文件,
     下次 Cook 前脚本扫描并强制重算该分支
​