关于 aks-gpu-inference
aks-gpu-inference 是用于诊断 AKS GPU 和 KAITO 问题的技能，涵盖调度、VRAM/OOM、就绪状态和扩缩容。它将调查限定到指定目标，区分设备分配故障与容器或主机 OOM，并报告证据缺口和置信度。
主要功能
- 01限定目标的 AKS 调查
- 02收集事件、状态和 gpuProfile
- 03分析 GPU 内存故障
- 04检查 KAITO 就绪状态
- 05报告证据与置信度
适用场景
- 01调查 GPU 工作负载调度故障
- 02区分 VRAM 分配问题与 OOMKilled
- 03检查 KAITO 工作区未就绪的原因
- 04分析 GPU 工作负载扩缩容问题
MCP 相关
当主机公布的 Azure 读取能力能够提供所需证据时，该技能可使用该能力，也可参照其只读查询。执行命令须经主机授权，且不会通过 Azure MCP 转发 kubectl。
安装
复制下面的命令，在终端中运行。
$
npx skills add https:/安装后在 Claude Code 中输入/aks-gpu-inference确认已加载。
包含的文件
除 SKILL.md 外，安装时一起下载的参考资料和脚本。
references/gpu-cost-and-scaling.mdgpu-observability.mdgpu-scheduling.mdkaito-workspaces.md详细介绍
AKS GPU 推理 Day-2
快速参考
| 属性 | 值 |
|---|---|
| 最适用场景 | AKS GPU/KAITO 故障 |
| 证据 | 已绑定的目标、事件/状态、gpuProfile、DCGM |
何时使用此技能
用于调度、VRAM/OOM、KAITO 就绪状态和工作负载扩缩容。按上述说明 处理排除项。
MCP 工具
使用合适的主机所公布的 Azure 读取工具，或参考文档中的只读查询。
主机能力门槛
执行任何引用的管道之前，请确认主机已授权针对已绑定目标执行所需的
shell 和 kubectl/az 命令。基于文件的采集还需要已批准的构件存储，
以及对所用任何捆绑文件的访问权限。仅有受治理的 Azure CLI 工具并不能证明
这些能力已具备。只有在主机所公布的架构能提供所需证据时，才可使用等效的主机读取操作替代命令。
如果无法执行或执行受到禁止，请说明这一点，并分析已提供或已脱敏的事件、状态、日志和指标，或者向运维人员提供范围明确的采集计划。说明哪些读取操作未运行，并将需要缺失证据才能得出的结论标记为未确认。绝不要通过 Azure MCP 路由 kubectl，也不要绕过主机策略。以下授权要求仍然适用。
工作流
- 绑定订阅、集群、kube 上下文、节点池和受影响的资源。
- 获取精确的事件/状态和观测到的
gpuProfile；说明运行了哪些读取操作。 - 转至调度、 可观测性、 KAITO或 扩缩容。
- 区分容器/主机 OOM 与设备分配故障。对于
OOMKilled， 关联容器内存限制/使用量和节点状况。对于 Managed+Install 设备内存证据，使用 19400 端口上的导出器，并检查事件窗口内的FB_USED/FB_FREE；容量规划表不能证明故障原因。 - 对于未就绪的 KAITO，请警告：删除 Workspace 会保留其 GPU 节点池； 清理需单独处理，并且需要明确授权。
- 报告证据、置信度、缺失的证据以及责任方交接信息。
扩缩容、cordon/drain、删除、启用附加组件或修改监控之前，必须取得 明确授权。
错误处理
| 情况 | 响应 |
|---|---|
| 证据缺失/相互矛盾 | 标记为未确认；请求责任方提供读取结果 |
| 配置未知 | 保留证据；不要建议修复技术栈 |
| 需要变更 | 单独提出方案并等待授权 |
评论
支持 Markdown