智算现场运维可运行
现场算力运维 Agent
把 GPU、IB、RDMA、NCCL、告警与拓扑排查整理成一步一条命令的现场工作流。
- 当前证据
- 验证器通过
- 最后核验
- 2026/07/17
MLZ / ORBIT
回到首页项目与建设路线
Projects / public work
做成的东西，和下一步要做的事。
已有产物只写能够核验的事实；旧模板里的六个方向回到建设路线，并明确最近动作和通过条件。
- 已形成产物
- 08
- 建设方向
- 06
- 重点案例
- 03
- 含公开证据
- 05
先看证据，再看描述。
三个重点项目有可打开的脱敏验证资产；其余项目保留真实状态和来源核验结果。
本地自动化工具可运行
Agentic Toolbox
七个本地工具共享命令行和网页入口，覆盖热点、配置、Skills、告警、OCR、网页健康和安全自查。
- 当前证据
- 97 项测试通过
- 最后核验
- 2026/07/17
项目开发日志接近成品
比特币预测市场雷达
只读抓取市场数据，过滤脏市场，记录首次观察概率，并在结算后做闭环验证。
- 当前证据
- 34 项测试通过
- 最后核验
- 2026/07/17
智算现场运维
接近成品10 份当前内容源↗H200 运维知识站
AI Agent 与 Skills
研究原型12 项测试通过↗agenth / Specability
MiMoClaw / APEX
研究原型只读诊断合同↗MiMoClaw APEX Ecosystem
本地自动化工具
一次性交付物159 页 A4 产物↗PDF 保留版式翻译工具
本地自动化工具
一次性交付物120 张样本↗图片与 Excel 自动比对工具
旧模板的项目，回到路线图里。
这些方向尚未冒充成品。每项都写明最近动作、里程碑和验收标准，完成后再升格为上方案例。
诊断地基
先建立设备与链路的证据顺序。
资料整理阶段 01
GPU 健康诊断
围绕 XID、ECC、温度、功耗和降频建立可复核的 GPU 健康检查与排障路径。
- 最近动作
- 整理 nvidia-smi、内核日志和 DCGM 之间的证据顺序。
- 通过条件
- 每一步都写明输入、通过条件、停止条件和下一层证据。
资料整理阶段 01
IB / RoCE 链路排查
围绕 IB、RDMA 与 RoCE 的状态、带宽、时延和丢包，整理链路诊断与基线验证方法。
- 最近动作
- 拆分物理链路、端口状态、错误计数和端到端测试四层证据。
- 通过条件
- IB 和 RoCE 步骤不会混用诊断结论。
通信与观测
把基线、异常与告警连成闭环。
资料整理阶段 02
NCCL 多机通信排障
针对多机 all-reduce 卡顿、超时和 hang，建立从拓扑到链路再到软件栈的诊断流程。
- 最近动作
- 定义性能偏低、通信超时和完全卡死的证据矩阵。
- 通过条件
- 单机与跨机证据层分开记录。
资料整理阶段 02
DCGM GPU 监控与告警
把 DCGM 指标接入 Prometheus 与 Grafana，并为关键 GPU 健康信号建立告警规则。
- 最近动作
- 整理温度、功耗、利用率、显存、ECC 和设备状态的指标字典。
- 通过条件
- 示例阈值明确标注需要按设备规范和现场基线复核。
运行环境
补齐容器与调度的验证路径。
未开始阶段 03
GPU 容器化部署规范
整理驱动、CUDA、容器运行时与 GPU 设备暴露之间的兼容关系和部署验证流程。
- 最近动作
- 准备驱动、Toolkit、CUDA 镜像和设备映射的责任边界表。
- 通过条件
- 能够区分宿主驱动、容器运行时和编排层问题。
未开始阶段 03
Slurm GPU 作业调度
整理 GPU 资源声明、作业排队、抢占与故障恢复的 Slurm 调度操作和验证方法。
- 最近动作
- 准备节点、分区、GRES 和作业请求之间的资源映射示例。
- 通过条件
- 所有示例使用虚构用户、队列和节点。