现代推荐系统因其大规模和分布式特性，在测试与调试方面面临重大挑战。传统的“模型优先（Model-First）”方法导致硬件瓶颈、输入数据依赖以及迭代反馈循环缓慢。ModuleLens 引入了一种“模块优先（Module-First）”范式，使工程师能够本地隔离、重构和剖析各个模块。这显著加速了开发工作流，并促进了自主 AI 代理的优化。ModuleLens 架构由 ModuleTracer、ModuleRepo 和消费层（Consumption Layer）组成。ModuleTracer 通过 PyTorch 前向钩子（forward hooks）以无侵入方式捕获关键的运行时数据，包括张量、参数和初始化参数，高效处理大张量并在内存中追踪模块初始化。ModuleRepo 将提取的模块状态集中存储于 Weights & Biases（WandB）注册表中，通过集合索引进行组织，并以包含元数据和二进制负载的版本化制品形式进行管理。消费层为人类工程师提供交互式 Jupyter 扩展和 IPython 命令行接口，并为大语言模型（LLM）代理提供 Agent Skills。这使得调试、探索以及自主模块分析与优化成为可能。ModuleLens 已被应用于多种内部工具，包括用于瓶颈识别的训练分析器（Training Analyzer）、用于 GPU 内核生成与验证的 KernelAgent，以及用于评估基础设施成本的扩展定律投资回报率工具（Scaling Law ROI Tools）。未来计划包括稳定核心系统、增强 Agent Skills 以支持高级优化（如 Triton/CUDA 内核合成），并实现自主训练与服务优化。ModuleLens 旨在提升人类工程效率，并为模型自动研究和递归自我改进提供执行基础。通过提供对隔离模块和性能信号的可靠访问，ModuleLens 赋能代理进行实验、修改组件、基准测试并保留成功的变更。本项目感谢来自产品机器学习基础设施（Product ML Infra）、ATG、HomeFeed 和广告排序团队的众多贡献者，他们在领导、设计洞察、测试、采用及代码开发方面提供了关键支持。