实现 双后端 (Dual Backend) 架构，平衡易用性与极致性能：
- Python Backend: 纯 Python 实现，无编译依赖，适用于单进程开发与调试。
- C++ Backend: 全功能下沉至 C++ 层（预计算、核心调度、异步预取），支持多进程共享内存与零 GIL 开销，适用于大规模分布式训练。
| 特性 | Python Backend (Native) | C++ Backend (Optimized) |
|---|---|---|
| 依赖 | Python, PyTorch | C++17 编译器, LibTorch |
| 跨进程支持 | 不支持 (Worker 状态隔离) | 支持 (原子同步共享内存) |
| 启动耗时 | 随数据集规模线性增长 | 恒定极速 (C++ 向量化处理) |
| 性能极限 | 受限于 GIL 与 Python 循环 | 硬件级极限 (异步预取 + 指针拷贝) |
- 闭环预计算：将
_build_eviction_plan_offline移植到 C++，直接在内存中生成决策 Tensor。 - 原子状态机：利用共享内存中的
Metadata Tensor维护全局时钟与 Slot 栈。 - 零拷贝数据路径：C++ 侧管理
share_memory指针，绕过 Python 层的索引转换。
- 后台 IO 线程：在
OPTCore内部启动守护线程，根据预计算的访问序列提前从磁盘加载数据到共享内存池。
- [x] 拆分装饰器驱动：确立
OPTCacheDecorator(Python) 与SharedOPTCacheDecorator(C++) 的接口对齐。 - [x] 原子扩展验证：验证 Windows/Linux 下跨进程 Tensor 原子增量的可靠性。
- [x] 核心调度器 C++ 化：完成基于自旋锁的
execute_step逻辑。 - [x] 多进程压测：验证 8-16 Workers 下的命中率与吞吐量提升。
- [x] 预计算 C++ 化：将离线决策生成逻辑移入
atomic_ext.cpp。
- [x] 异步预取 (Prefetch)：架构设计完成 (IDX_PREFETCH_CURSOR)。考虑到 v1 稳定性，复杂的 C++ 后台线程暂时保留扩展位，由 PyTorch 原生 prefetch 机制配合。
- [x] 指针级数据拷贝：在 C++ 侧通过 LibTorch API 统一管理缓存更新，减少 Python 调度开销。
- [x] API 清理与固化：移除了旧的自旋锁实现，统一使用 Atomic 无锁核心。合并了冗余的后端开关。
- [x] 统一工厂方法：提供
get_opt_cache(mode="cpp"| "python")入口。
- 命中率：多进程环境下命中率与单进程理论 OPT 严格一致。
- 开发效率：预计通过 LibTorch API 减少约 40% 的底层内存管理代码。
- 延迟：缓存查找开销控制在 1μs 级别，且由于异步预取，冷启动延迟可大幅降低。
- 场景：当数据集大小超过 1M 或采样序列 > 10M 时。
- 方案：使用
std::priority_queue替代 Pythonheapq，在 C++ 侧生成决策 Tensor。
- 方案：由 C++
OPTCore维护_pool的 raw pointer。Miss 时 Python 仅传递原始数据指针，拷贝逻辑下沉至 C++。
- 方案：在 C++ 侧启动后台守护线程，预测未来的 Miss 并提前触发 IO 加载。这是 Python 层难以无损实现的确定性优化。