S01-13-AI-GPU平台

来源快照｜AI/GPU平台

本页是原图的只读导入快照，不是已核验文档。原有历史命令、版本标记与疑点保留；已识别口令替换为占位符。图片只保留引用。

• AI/GPU平台 ^xm-9299f1e3a301486cb1dfc9b715

  • ◆ 2026 深度扩展｜AI/GPU 平台与 AIOps

    • GPU 硬件、拓扑与健康 ^xm-8311f4d435ab4c4e853af3d7a1
      • 🎯 目标 ^xm-4cd6ef7eb6c64ed9b916b884e5
        • 理解 GPU、显存、PCIe/NVLink、NUMA 与故障特征。
      • 🧠 知识拆解 ^xm-f4d2f96fae9b4c2d84c1f073f1
        • SM/tensor core/HBM
        • PCIe/NVLink/NVSwitch
        • NUMA locality
        • ECC/Xid
        • power/thermal
        • MIG
      • ⌨️ 命令 / 配置 / 关键对象 ^xm-115280dc2fe64f15a5fa327252
        • nvidia-smi -q/dmon/topo
        • lspci
        • numactl
        • DCGM diagnostics
        • Xid logs
      • 🔥 高频故障与风险 ^xm-a30fa3126f244eb0bd1278e8de
        • GPU lost/Xid
        • ECC error
        • thermal throttle
        • PCIe 降速
        • NUMA 远端
        • 显存泄漏
      • 🔎 排障路径 ^xm-28db26908a8f41b9b776f04b25
        • 应用→CUDA→driver→device→fabric
        • 核对 Xid/ECC/温度/功耗
        • 拓扑与进程绑定
      • 🧪 实战练习 ^xm-a6f5573fd09e47e0ad9287c532
        • 建立 GPU 健康看板
        • 模拟 GPU reset/进程泄漏处理流程
      • ✅ 验收标准 ^xm-315db12c135a478c8917f3a86f
        • 故障分类与更换标准明确
        • 拓扑用于调度
        • 关键告警有 Runbook
      • 🔗 对应优秀开源项目 ^xm-7c2785568af04fc2a5aec3beee
        • NVIDIA/dcgm-exporter ^xm-bf128483f95c4af09c5679b707
          • 原链接（未复核）：https://github.com/NVIDIA/dcgm-exporter
    • 驱动、CUDA、容器与兼容矩阵 ^xm-c4697e373f0b4b1fb9b10f948b
      • 🎯 目标 ^xm-9668ab70726a4c18baf90beddf
        • 稳定管理 driver/CUDA/runtime/framework/容器版本。
      • 🧠 知识拆解 ^xm-858c011924ea4316827ed0f1ad
        • kernel driver vs CUDA toolkit
        • driver backward compatibility
        • cuDNN/NCCL
        • container runtime
        • framework wheels
        • kernel module lifecycle
      • ⌨️ 命令 / 配置 / 关键对象 ^xm-7d55cd86a3e14fd6866cea32dc
        • nvidia-smi
        • nvcc —version
        • ldconfig/ldd
        • nvidia-container-cli
        • framework CUDA info
      • 🔥 高频故障与风险 ^xm-46ea8814121c4c1f9b5a17dbf2
        • driver/library mismatch
        • CUDA unavailable
        • NCCL error
        • 升级后模块未加载
        • 容器看不到 GPU
      • 🔎 排障路径 ^xm-939712c38c244bd0a47cfaf382
        • 先驱动后 runtime 后容器后框架
        • 核对兼容矩阵
        • 检查 device/cgroup/runtime hook
      • 🧪 实战练习 ^xm-dd160ac13adf4b159602127b86
        • 多版本容器验证矩阵
        • 驱动升级回滚
      • ✅ 验收标准 ^xm-d349fe2184064b51b6c2d1c1e5
        • 版本被锁定记录
        • 升级有 canary 节点
        • 基础镜像自动测试
    • Kubernetes GPU 调度与隔离 ^xm-50b5c91aa18f49aaa97021a75f
      • 🎯 目标 ^xm-503ba94c550f47179ac67d324f
        • 用 Device Plugin/GPU Operator/MIG/时间切片管理 GPU。
      • 🧠 知识拆解 ^xm-e2c1a3941de34f5dbc2dfd3f22
        • device plugin
        • GPU Operator
        • MIG
        • time-slicing/MPS
        • node labels/taints
        • topology-aware scheduling
        • quota
      • ⌨️ 命令 / 配置 / 关键对象 ^xm-93af176565624843ba0e192cf2
        • GPU resources
        • NodeFeatureDiscovery
        • ClusterPolicy
        • DCGM metrics
        • scheduler events
      • 🔥 高频故障与风险 ^xm-d4b97c208d2c4c4cbbede1a5a3
        • GPU Pending
        • 驱动 Pod 失败
        • MIG 配置漂移
        • 共享干扰
        • 拓扑不佳
      • 🔎 排障路径 ^xm-9446f48559ef49958906becc99
        • resource advertise→scheduler→runtime→device
        • 核对 operator components
        • 看 topology/health
      • 🧪 实战练习 ^xm-f54fe6a6a9ce41e29dd9f41100
        • GPU Operator 架构演练
        • MIG/共享策略设计
      • ✅ 验收标准 ^xm-12d8b2bbc2b7424ab46798ba03
        • 租户隔离
        • 调度可解释
        • 故障节点自动隔离
      • 🔗 对应优秀开源项目 ^xm-8c6850ad1daa428688fc70b1d8
        • NVIDIA/gpu-operator ^xm-5ff4d57e20f9484b8270b6f46f
          • 原链接（未复核）：https://github.com/NVIDIA/gpu-operator
        • NVIDIA/k8s-device-plugin ^xm-72a5ce54045b46ae82cc0b8e5e
          • 原链接（未复核）：https://github.com/NVIDIA/k8s-device-plugin
    • 模型推理服务与容量 ^xm-ccd60ba506e84917b803ac0511
      • 🎯 目标 ^xm-246e9ed6cfa54d67838e2d7a66
        • 运营低延迟、高吞吐、可回滚的模型服务。
      • 🧠 知识拆解 ^xm-3dcdfb030a9c4838b7be7c1d05
        • prefill/decode
        • KV cache
        • continuous batching
        • quantization
        • tensor parallel
        • TTFT/TPOT
        • queue/autoscaling
      • ⌨️ 命令 / 配置 / 关键对象 ^xm-67e45b57952b4ab4898cc0151b
        • vLLM/Triton/KServe
        • OpenAI-compatible endpoint
        • load test
        • GPU metrics
        • model registry
      • 🔥 高频故障与风险 ^xm-3132de134d1a407eb281070598
        • OOM
        • 长队列
        • 尾延迟
        • 模型加载慢
        • 上下文过长
        • 量化质量回退
      • 🔎 排障路径 ^xm-a735559e0f8941b0b7fc63b500
        • queue→prefill→decode→network
        • 分离 TTFT/TPOT
        • 看 batch/KV/显存/并发
      • 🧪 实战练习 ^xm-836c89b158ea4fa69a2483bf3a
        • 固定长度矩阵压测
        • 灰度模型版本与自动回滚
      • ✅ 验收标准 ^xm-77f74ae4f2ee4c09b4531235ee
        • 基准条件完整
        • 质量/成本/延迟同时达标
        • 超载有拒绝/降级
      • 🔗 对应优秀开源项目 ^xm-fa831a5de530432bb17adc86ca
        • vllm-project/vllm ^xm-7277f07ca1664d9eb1af40c1e6
          • 原链接（未复核）：https://github.com/vllm-project/vllm
        • triton-inference-server/server ^xm-066d4a34881046d4a89f3ef4a5
          • 原链接（未复核）：https://github.com/triton-inference-server/server
        • kserve/kserve ^xm-d5de13f1f95442bb8d86267d34
          • 原链接（未复核）：https://github.com/kserve/kserve
    • LLMOps：网关、评估、可观测与安全 ^xm-74536aa996974eee82cfc36f32
      • 🎯 目标 ^xm-cf469f4ca17c4f07b403f8de5f
        • 管理模型、提示、数据、工具、质量、成本和风险。
      • 🧠 知识拆解 ^xm-7cd4aede6802421fb4a8909546
        • model/prompt/dataset version
        • offline/online eval
        • token/cost/latency
        • semantic cache
        • routing/fallback
        • prompt injection/tool risk
      • ⌨️ 命令 / 配置 / 关键对象 ^xm-76a4be24ade74eb0a85c882e28
        • trace/span
        • eval dataset
        • quality gate
        • budget/quota
        • red team
        • audit
      • 🔥 高频故障与风险 ^xm-271db6cc523345cf8226603952
        • 模型更新静默回退
        • 成本失控
        • judge 偏差
        • 敏感提示泄漏
        • 工具越权
      • 🔎 排障路径 ^xm-e9f4783a56e042c5b108adc09d
        • 请求→model/router→retrieval/tool→response
        • 版本对齐
        • 错误分层与人工抽样
      • 🧪 实战练习 ^xm-9ccee2927817495483aa8aa0e9
        • 100 条运维问答评估集
        • 模型故障 fallback 与安全门禁
      • ✅ 验收标准 ^xm-c9577b01441f47358d8099222c
        • 每次响应可追版本
        • 质量变更可回归
        • 高风险动作人工批准
      • 🔗 对应优秀开源项目 ^xm-83f556b1a1b84793a965646a6e
        • langfuse/langfuse ^xm-b442fb9f1dd44c1884c546fb1f
          • 原链接（未复核）：https://github.com/langfuse/langfuse
        • promptfoo/promptfoo ^xm-7755f1e022b54330b00095e57d
          • 原链接（未复核）：https://github.com/promptfoo/promptfoo
    • AIOps 数据底座与事件规范 ^xm-d6072243aedc4a7586a0251bba
      • 🎯 目标 ^xm-037eaee542994e2bbabef7e922
        • 把指标、日志、链路、事件、拓扑和变更转成可关联数据。
      • 🧠 知识拆解 ^xm-af88bb1f2ea94d6c97c1ee41e0
        • telemetry normalization
        • entity/service identity
        • topology/CMDB
        • change events
        • time alignment
        • label quality
        • ground truth
      • ⌨️ 命令 / 配置 / 关键对象 ^xm-524b8486020d4a589f7b7d27b9
        • OpenTelemetry resource attrs
        • event schema
        • service graph
        • deployment annotations
        • data quality checks
      • 🔥 高频故障与风险 ^xm-57db624482364f599e9cc9ad30
        • 同一服务多个名字
        • 时间戳不一致
        • 标签缺失
        • 变更记录缺失
        • 训练/评估泄漏
      • 🔎 排障路径 ^xm-0d5e879f1492479096b3ca1799
        • 从实体对齐率
        • 检查时间/时区/采样
        • 验证拓扑与真实调用
      • 🧪 实战练习 ^xm-2dc3f12ecb484c11be2cf773f2
        • 建立统一事件 schema
        • 将一次事件的五类证据关联
      • ✅ 验收标准 ^xm-1608241a5eb7413c9e215ecaed
        • 实体可跨信号 join
        • 数据质量有指标
        • 敏感信息脱敏
      • 🔗 对应优秀开源项目 ^xm-de4473108dad4c9ea884389ce0

        • open-telemetry/opentelemetry-collector

          备注（源图文本，未作运行验证）：

          定位：厂商中立遥测管道
          源码阅读：receiver→processor→exporter→extension
          实战：批处理、采样、脱敏、双写后端
          注意：Collector 自身也必须被监控
          整理日期：2026-07-09

          • 原链接（未复核）：https://github.com/open-telemetry/opentelemetry-collector

        • open-telemetry/opentelemetry-demo

          备注（源图文本，未作运行验证）：

          定位：多语言微服务可观测实验场
          源码阅读：请求跨服务 trace 与故障场景
          实战：补齐 telemetry coverage 并注入故障
          注意：把它作为实验系统，不直接照搬生产配置
          整理日期：2026-07-09

          • 原链接（未复核）：https://github.com/open-telemetry/opentelemetry-demo
    • 日志解析、聚类与异常检测 ^xm-f8fb5d69070c40beaeb2883e3c
      • 🎯 目标 ^xm-09a6a61c1529448a82778dfbf6
        • 从非结构日志提取模板并建立可评估异常检测基线。
      • 🧠 知识拆解 ^xm-7ae323634d49419cafdafda11a
        • template mining/Drain
        • session/fixed/sliding window
        • count/sequence/semantic features
        • supervised/unsupervised
        • threshold
        • concept drift
      • ⌨️ 命令 / 配置 / 关键对象 ^xm-141bbf67eede42bab49c103fc1
        • LogAI
        • LogParser
        • Loglizer
        • LogHub datasets
        • precision/recall/F1
      • 🔥 高频故障与风险 ^xm-cebc2ac206224a2d9990c6b62b
        • 模板漂移
        • 随机切分泄漏
        • 异常标签稀少
        • 告警过多
        • 新版本被当异常
      • 🔎 排障路径 ^xm-41c2a98c4d104065ab9c97f9ea
        • 先解析质量后检测
        • 按时间/系统切分
        • 按模板和版本做误差分析
      • 🧪 实战练习 ^xm-e81122d8585f4c7cb076696f18
        • Drain+PCA/Isolation baseline
        • 比较序列/语义模型并做消融
      • ✅ 验收标准 ^xm-cf647e44a39e4b668e36ac9698
        • 强基线存在
        • 阈值基于业务成本
        • 线上漂移可发现
      • 🔗 对应优秀开源项目 ^xm-8a0e7faaba504970b04a4d4696

        • salesforce/logai

          备注（源图文本，未作运行验证）：

          定位：日志解析、聚类、摘要与异常检测
          源码阅读：loader→preprocess→parser→vectorizer→detector
          实战：在 HDFS/BGL 数据上比较 Drain+统计/深度模型
          注意：研究数据与生产日志分布差异很大
          整理日期：2026-07-09

          • 原链接（未复核）：https://github.com/salesforce/logai

        • logpai/logparser

          备注（源图文本，未作运行验证）：

          定位：系统日志解析算法集合
          源码阅读：raw log→template→parameter sequence
          实战：比较 Drain 等解析器的准确率、速度和稳定性
          注意：模板漂移会直接影响下游异常检测
          整理日期：2026-07-09

          • 原链接（未复核）：https://github.com/logpai/logparser

        • logpai/loglizer

          备注（源图文本，未作运行验证）：

          定位：日志异常检测经典工具箱
          源码阅读：session/window→count vector→model→evaluation
          实战：在固定切分上比较 PCA/Isolation/监督模型
          注意：历史项目，适合学基线，不应直接作为生产平台
          整理日期：2026-07-09

          • 原链接（未复核）：https://github.com/logpai/loglizer

        • logpai/loghub

          备注（源图文本，未作运行验证）：

          定位：AI 日志分析公开数据集集合
          源码阅读：数据来源、标签、切分、许可
          实战：建立不泄漏的时间切分和评估协议
          注意：遵守数据引用与许可，避免随机切分导致泄漏
          整理日期：2026-07-09

          • 原链接（未复核）：https://github.com/logpai/loghub
    • 指标异常检测、预测与告警关联 ^xm-03891bff09bf4576b0f679f1b0
      • 🎯 目标 ^xm-2f894df949be4a91bb5c10cf05
        • 发现变化并把大量症状聚合为少量可行动事件。
      • 🧠 知识拆解 ^xm-5f1ea2ac83d2408abc28e23576
        • seasonality/trend
        • forecast residual
        • change point
        • multivariate anomaly
        • dedup/correlation
        • topology/time/change context
      • ⌨️ 命令 / 配置 / 关键对象 ^xm-9647c996c82f4f4b9b696512aa
        • rolling/EWMA/STL
        • Isolation Forest
        • dynamic threshold
        • alert fingerprint
        • correlation window
      • 🔥 高频故障与风险 ^xm-669cc43c72ad40c5b338834aa0
        • 节假日误报
        • 阈值漂移
        • 共同原因重复告警
        • 关联把独立事件合并
      • 🔎 排障路径 ^xm-33bd013a24ad457c8d05feef9a
        • 建立季节/发布基线
        • 分服务/租户切片
        • 用拓扑和变更验证关联
      • 🧪 实战练习 ^xm-ce1bbdd2645541ca80e95f3b1f
        • 动态阈值 vs 静态阈值
        • 构建告警去重与关联规则
      • ✅ 验收标准 ^xm-8b7d2715f73947c087120791bf
        • 与静态基线对比
        • 减少噪声不漏严重事件
        • 关联可解释
      • 🔗 对应优秀开源项目 ^xm-7acc2c84ed6f490a859783d60b

        • keephq/keep

          备注（源图文本，未作运行验证）：

          定位：开源告警管理与 AIOps 平台
          源码阅读：provider→alert→dedup/correlation→workflow
          实战：汇聚 Prometheus/Grafana 告警并去重关联
          注意：AI 总结不能替代确定性路由和审计
          整理日期：2026-07-09

          • 原链接（未复核）：https://github.com/keephq/keep
    • 根因定位与证据推理 ^xm-038bdfdbda154d77ae0f042b02
      • 🎯 目标 ^xm-65e1cf2b76eb4209929a7e2e89
        • 结合拓扑、变化、跨信号证据给出可验证根因候选。
      • 🧠 知识拆解 ^xm-8bbef2331e894771876167164a
        • symptom/root cause
        • dependency graph
        • temporal precedence
        • change correlation
        • causal hypothesis
        • counterfactual
        • confidence
      • ⌨️ 命令 / 配置 / 关键对象 ^xm-9a0cdbeee1284f4e8234181813
        • service graph
        • trace critical path
        • metric/log change
        • deployment diff
        • evidence ranking
      • 🔥 高频故障与风险 ^xm-1ffeedc509bf41fd920488f3c3
        • 把相关当因果
        • LLM 编造证据
        • 只给单一结论
        • 忽略共同基础设施
      • 🔎 排障路径 ^xm-3d8d19a12fa043f89f52b35997
        • 生成多个假设
        • 每个假设列支持/反对证据
        • 选择低风险验证动作
        • 保留不确定性
      • 🧪 实战练习 ^xm-dfbe19e0ddd84d04b1e5f25fb2
        • 同一症状构造 3 个根因
        • 人工 vs Agent RCA 对比
      • ✅ 验收标准 ^xm-e613cf83c6164abdb2a38fffe5
        • 结论可追到原始证据
        • top-k 根因准确率
        • 时间到定位可量化
      • 🔗 对应优秀开源项目 ^xm-b87af08e36b949d795c5bd8462

        • HolmesGPT/holmesgpt

          备注（源图文本，未作运行验证）：

          定位：CNCF Sandbox SRE 事件调查 Agent
          源码阅读：toolset→investigation→evidence→conclusion
          实战：接入只读 Prometheus/Loki/K8s 并评估 RCA
          注意：生产默认只读，结论必须附证据与置信度
          整理日期：2026-07-09

          • 原链接（未复核）：https://github.com/HolmesGPT/holmesgpt

        • microsoft/AIOpsLab

          备注（源图文本，未作运行验证）：

          定位：自治 AIOps Agent 设计与评测框架
          源码阅读：application→fault/workload→task→agent→evaluator
          实战：新增一个 K8s 故障问题并评估检测/定位/分析/缓解
          注意：Agent 必须在可复现实验场评测，不能凭演示判断
          整理日期：2026-07-09

          • 原链接（未复核）：https://github.com/microsoft/AIOpsLab
    • 运维 Agent、MCP 与自动处置 ^xm-c4ca7f1c30e549e193071389d9
      • 🎯 目标 ^xm-e7c45bbbf53946989b7a64deaf
        • 构建只读优先、可停止、可审计、可评估的运维 Agent。
      • 🧠 知识拆解 ^xm-76e27113ba2d4938a340cc1eb5
        • tool schema
        • read vs write
        • least privilege
        • plan/act/observe
        • state/checkpoint
        • approval
        • rollback
        • MCP
      • ⌨️ 命令 / 配置 / 关键对象 ^xm-d217b0d72e744ee28a21f054c0
        • Grafana/K8s MCP
        • tool allowlist
        • max steps/time/cost
        • sandbox
        • audit trace
      • 🔥 高频故障与风险 ^xm-8e381893accf44adab6f086341
        • 无限循环
        • 错误命令
        • 越权
        • 数据泄漏
        • 自动修复扩大影响
        • 提示注入
      • 🔎 排障路径 ^xm-ff61a1bd6a3747dba5fe185684
        • 逐步回放轨迹
        • 核对工具输入/输出
        • 检查权限/预算/停止条件
        • 人工复核结论
      • 🧪 实战练习 ^xm-2b8243a51d9842c8a2be2445a2
        • 只读事件调查 Agent
        • 审批式安全重启/扩容
      • ✅ 验收标准 ^xm-b4bfbd50b72c4feeba35aaebf0
        • 生产默认只读
        • 写操作白名单+审批
        • 失败可回滚
        • 每次行动可重放
      • 🔗 对应优秀开源项目 ^xm-36360c1fdddb4671afc8eaaf54

        • grafana/mcp-grafana

          备注（源图文本，未作运行验证）：

          定位：Grafana 官方 MCP Server
          源码阅读：tool category→Grafana API→RBAC→observability
          实战：仅开放查询工具，构建事件调查助手
          注意：使用最小权限 service account，禁用不需要的工具
          整理日期：2026-07-09

          • 原链接（未复核）：https://github.com/grafana/mcp-grafana

        • k8sgpt-ai/k8sgpt

          备注（源图文本，未作运行验证）：

          定位：Kubernetes 扫描、诊断与解释
          源码阅读：analyzer→result→AI backend→operator/MCP
          实战：比较规则诊断、AI 解释和人工结论
          注意：遥测可能包含敏感信息，密钥与数据需脱敏
          整理日期：2026-07-09

          • 原链接（未复核）：https://github.com/k8sgpt-ai/k8sgpt

        • HolmesGPT/holmesgpt

          备注（源图文本，未作运行验证）：

          定位：CNCF Sandbox SRE 事件调查 Agent
          源码阅读：toolset→investigation→evidence→conclusion
          实战：接入只读 Prometheus/Loki/K8s 并评估 RCA
          注意：生产默认只读，结论必须附证据与置信度
          整理日期：2026-07-09

          • 原链接（未复核）：https://github.com/HolmesGPT/holmesgpt
    • AIOps Agent 评测与实验场 ^xm-f001da80df5b436e9d273d424b
      • 🎯 目标 ^xm-77b27010c43447c6b2587863cf
        • 在可复现故障、负载和遥测环境中评价 Agent。
      • 🧠 知识拆解 ^xm-0a1bffcb8afc46cd9141c544a3
        • detection/localization/analysis/mitigation
        • fault injection
        • workload
        • ground truth
        • action trace
        • TTD/TTL/TTA/TTM
        • safety
      • ⌨️ 命令 / 配置 / 关键对象 ^xm-0dfe10a0136e43769499df7f92
        • AIOpsLab problem
        • fault/workload generator
        • evaluator
        • session trace
        • batch assessment
      • 🔥 高频故障与风险 ^xm-fc4b245009c646cd94ba0d841f
        • 只测成功案例
        • judge 与 agent 同源偏差
        • 环境不可复现
        • 只看最终答案不看危险动作
      • 🔎 排障路径 ^xm-8b0a979466604768b0312ebee7
        • 固定环境/模型/工具/预算
        • 多次运行报告方差
        • 人工核对高风险轨迹
      • 🧪 实战练习 ^xm-2ca6a6a715ba43ec9d30074fe3
        • 新增一个错误配置问题
        • 对 2 个 Agent 做多次对比
      • ✅ 验收标准 ^xm-bf126076a83f464caca5bb0671
        • 任务/指标公开
        • 结果可重放
        • 安全违规单独计分
        • 人工基线存在
      • 🔗 对应优秀开源项目 ^xm-8907d3f67c51457195bf13aaac

        • microsoft/AIOpsLab

          备注（源图文本，未作运行验证）：

          定位：自治 AIOps Agent 设计与评测框架
          源码阅读：application→fault/workload→task→agent→evaluator
          实战：新增一个 K8s 故障问题并评估检测/定位/分析/缓解
          注意：Agent 必须在可复现实验场评测，不能凭演示判断
          整理日期：2026-07-09

          • 原链接（未复核）：https://github.com/microsoft/AIOpsLab

  • ★ [新增] GPU 平台运维主线

    备注（源图文本，未作运行验证）：

    GPU、驱动、CUDA、框架和模型服务版本变化快，部署前核对官方支持矩阵。

    • 硬件与拓扑 ^xm-3120ad2d0261482cb7414b7182
      • GPU 架构/显存/功耗
      • PCIe/NUMA
      • NVLink/NVSwitch
      • RoCE/InfiniBand/RDMA
      • 本地盘与对象存储
    • 软件栈 ^xm-0cbd82bde23741b381fd6bfcaf
      • NVIDIA Driver
      • CUDA Toolkit/Runtime
      • cuDNN
      • NCCL
      • NVIDIA Container Toolkit
      • 框架与算子兼容性
    • 资源共享与隔离 ^xm-953832f4aa18405d8c381472cf
      • 整卡独占
      • PCI Passthrough
      • NVIDIA vGPU
      • MIG：显存与故障隔离
      • Time-Slicing：无显存/故障隔离
      • MPS
    • Kubernetes GPU ^xm-9d1051476c4449d8a3ed807449
      • Device Plugin
      • GPU Operator
      • Node Feature Discovery
      • MIG Manager
      • 配额与调度
      • 升级与驱动维护
    • 监控与故障 ^xm-fc59baf99ade40db912de78289
      • DCGM Exporter
      • 利用率/显存/功耗/温度
      • ECC/XID
      • PCIe/NVLink 错误
      • 僵尸进程与显存泄漏
      • 节点隔离与维修
    • 模型服务 ^xm-fdd329c0fa1041fba83a298739
      • vLLM/Triton/KServe
      • 批处理与连续批处理
      • KV Cache
      • 量化
      • 张量/流水线并行
      • 吞吐/首 Token/Token 间延迟
    • 容量与成本 ^xm-12b3280a543d47e7992ac0f5e4
      • 显存估算
      • 并发与上下文长度
      • GPU 利用率
      • 基准测试
      • 队列与弹性
      • 单位 Token 成本

  • ★ [新增] RAG 生产链路

    • 数据源与采集
    • 清洗、解析与权限继承
    • 分块与元数据
    • Embedding 与版本管理
    • 向量库与索引
    • 关键词/向量混合检索
    • 过滤、查询改写与重排
    • 上下文组装与生成
    • 离线/在线评估
    • 可观测性、成本与安全

  • ★ [新增] Agent 生产化能力

    • 模型层 ^xm-fe565f7f56774228a6653c0164
      • 模型供应商与版本
      • 上下文与工具调用
      • 成本/时延/可用性
      • 降级与路由
    • 开发助手 ^xm-69e515d7cd3f4ba5a8b0b9c24f
      • Codex
      • Claude Code
      • Gemini CLI
      • GitHub Copilot
      • OpenCode
      • Trae
    • 编排框架 ^xm-af40c8434dde404da68ffea599
      • LangChain
      • LangGraph
      • 工作流/状态机
      • 多 Agent 协作
    • 工具与协议 ^xm-db825fb284a64addb430d7520d
      • Tool/Function Calling
      • MCP
      • 权限边界
      • 沙箱与审批
    • 运行保障 ^xm-3ad4fb1fe74e4b0cb7756aac11
      • Prompt/版本管理
      • Trace 与评估
      • 缓存与重试
      • 安全防护
      • 人工接管
      • 成本治理

  • GPU硬件

    • 企业级显卡 ^xm-5uuf0obnc00grrhvt342pre0rn
      • A100显卡 ^xm-7vaeacebs3mebq2694hq47uelk

        • ⚑ [纠错] A100 40GB / 80GB

          备注（源图文本，未作运行验证）：

          原节点 A100-32G 不符合常见正式 A100 显存规格。采购、调度和 MIG 配置前应按具体 PCIe/SXM SKU 核对厂商规格。

          • VGPU切分
      • V100显卡 ^xm-2r2g58korj83ggh3ien1vm7k4r
        • v100-32G ^xm-1aia8fau6of0jgucvpqhmaglbf
          • 直通
          • VGPU切分
      • H200
      • 昇腾910
    • 家用显卡 ^xm-46q4sksc2mgn22h03m9drast78
      • RTX20系列,30系列,40系列,50系列

  • GPU驱动

    • ⚑ [纠错] NVIDIA 驱动与 CUDA Toolkit

      备注（源图文本，未作运行验证）：

      NVIDIA Driver、CUDA Toolkit/Runtime 是不同层次。Toolkit 版本有最低驱动要求；nvidia-smi 显示的是驱动可支持的最高 CUDA 版本，不等于已安装 Toolkit 版本。

    • ⚑ [纠错] cuDNN 深度学习算子库

      备注（源图文本，未作运行验证）：

      cuDNN 是面向深度学习算子的 GPU 加速库，不是独立驱动。需核对 GPU 架构、驱动、CUDA Toolkit、框架与 cuDNN 支持矩阵。

    • 库与驱动兼容性适配

  • RAG

    • 企业知识库 ^xm-63utne93adjk41b8cbhd28eq70
      • 开源项目 ^xm-2iv43j5jj5re1f3p353182sq6e
        • ragflow
        • dify
        • n8n
      • 分类 ^xm-090of4jjaag3uvk3mhilschhul
        • 数据采集
        • 清洗
        • 分块
        • 向量化存储
        • 查询优化
        • 混合检索
        • 提示词组装
        • 大模型推理
        • 结果返回

  • AI agent

    • ⚑ [纠错] 编码助手与开发工具（国外）

      备注（源图文本，未作运行验证）：

      原分类混合了模型、编码助手和客户端工具；已按用途重新命名。

      • claude code ^xm-0emaq27tui7dna2dal94m6g00c
        • 模型分类 ^xm-0kdaksadklevbqqrgi1jrd01an

          • ⚠ [版本限定] 原记录：fable5（名称待核实）

            备注（源图文本，未作运行验证）：

            未找到稳定、明确的标准产品名称对应关系，保留原记录并要求按厂商模型目录核实。

          • ⚠ [版本限定] Claude Opus 4.x 系列（版本敏感）

            备注（源图文本，未作运行验证）：

            模型名称与可用版本变化较快，使用前核对 Anthropic 官方模型目录、上下文限制和退役计划。

        • 提示词 ^xm-6g3kgu59opr6vmtj31c6aftdgk
          • SKILL.md
      • codex ^xm-1n5mknicrqj53humopt3c7n25a
        • 模型分类 ^xm-6ln8it2j7bt4j2aqd0t3cj6vru
          • GPT5系列
      • opencode
      • gemini
      • copilot

    • ⚑ [纠错] 模型与开发工具生态（国内）

      备注（源图文本，未作运行验证）：

      原分类混合模型与客户端产品，保留原内容并提示按用途区分。

      • Qwen

        • 离线模型 ^xm-0i4nelfjqhbfndibccice6plo1
          • 离线部署 ^xm-7udfu54kr9r9s3i2pcpfa516sb

            • Qwen3-Coder-30B

            • ⚠ [版本限定] 原记录：Qwen3.6-35B-A3B（名称待核实）

              备注（源图文本，未作运行验证）：

              模型命名变化快，部署前应核对 Qwen 官方模型卡、参数规模、许可证、量化格式和硬件需求。

      • ⚑ [纠错] Trae

        备注（源图文本，未作运行验证）：

        原节点名称：trea。已统一为标准拼写。

      • deepseek

      • yuanbao

    • ⚑ [纠错] Agent 应用与开源项目

      备注（源图文本，未作运行验证）：

      与编排框架分开管理。

      • openclaw
      • deerflow
      • Oncall Agent项目

    • ⚑ [纠错] Agent 编排框架

      备注（源图文本，未作运行验证）：

      统一框架分类。

      • ⚑ [纠错] LangChain

        备注（源图文本，未作运行验证）：

        原节点名称：Langchain。已统一为标准拼写。

      • ⚑ [纠错] LangGraph

        备注（源图文本，未作运行验证）：

        原节点名称：Langgraph。已统一为标准拼写。

  • 向量数据库

    • ⚑ [纠错] Milvus

      备注（源图文本，未作运行验证）：

      原节点名称：milvus。已统一为标准拼写。

  • ⚑ [纠错] GPU Operator

    备注（源图文本，未作运行验证）：

    原节点名称：gpu-operater。已统一为标准拼写。

    • GPU在k8s资源调度