gpu server management
Set up and manage NVIDIA GPU servers for AI workloads
Каталог из GitHub · что мы проверяем
Собираем навыки из Agentic Awesome Skills на GitHub. Это работы авторов сообщества, а не собственные разработки КОМЭКСПО. В карточках сохраняем источник и фиксированную версию.
Автоматические проверки
- При импорте: проверяем адреса источников и убираем повторяющиеся идентификаторы. Некоторые категории риска исключаем.
- При загрузке инструкции: проверяем формат SKILL.md, кодировку и объём. Ищем упоминания дополнительных файлов и инструментов.
- Сверяем обозначение лицензии с разрешённым списком и учитываем известные исключения источника. Непонятные условия требуют отдельной проверки.
«Требует проверки» означает, что инструкция ещё не загружена и не проверена. Статусы совместимости не подтверждают безопасность, качество ответа или работу во всех моделях. Полный аудит кода, прав и тестирование каждого навыка не проводились. Скрипты не запускаем.
Авторы и условия использования
Оригинальные тексты коллекции заявлены под CC BY 4.0; у сторонних материалов могут быть другие условия. Открытый GitHub не означает отсутствие авторских прав. Сохраняйте авторство, ссылку на лицензию и отметки об изменениях.
Русские пояснения и промпт-обёртки подготовлены КОМЭКСПО. Оригинальные инструкции не переведены. Мы не связаны с GitHub или авторами навыков и не заявляем об их одобрении сервиса. Правообладателям: контакты — укажите карточку, оригинал и суть обращения.
Использовать навык
Без регистрацииВставьте в свой ИИ-чат и замените последнюю строку своей задачей. Это инструкция, а не подключение новых инструментов.
Промпт попросит код-агента изучить фиксированную версию и предложить подключение к вашему проекту. Изменения требуют вашего согласования.
Команда для Skills CLI от Vercel ↗. Нужны Node.js и npm; запускайте в тестовой копии проекта. Установщик предложит выбрать агента.
Скачивается только SKILL.md указанной версии. Дополнительные файлы и MCP не входят. Команду здесь не запускали; формат сверён с документацией CLI. Перед установкой проверьте источник и запросы разрешений.
Источник: sickn33/agentic-awesome-skills · MIT · Оригинал ↗
Атрибуция для копирования и распространения
Если распространяете скачанный файл, приложите атрибуцию и требуемые лицензией уведомления автора. При изменении инструкции укажите свои изменения. Условия лицензии
Как это работает
Навык задаёт подход к задаче: например, как редактировать текст или проверять код. Вы выбираете его в чате — ИИ получает эту инструкцию вместе с вашим запросом.
Поддерживаются текст, код и создание сайтов. Навык не подключает новые модели, терминал, MCP или аккаунты. Для изображений и видео используются отдельные инструменты.
- Совместимость
- Нужны доп. инструменты
- Источник
- sickn33/agentic-awesome-skills ↗
- Версия
465ad05638fb· фиксируется при добавлении- Лицензия
- MIT
- Звёзды репозитория
- 47 140
Ограничения оригинала
- В оригинале есть ссылки на файлы или внешние инструменты. Они не устанавливаются; в чате применяются только инструкции SKILL.md.
Оригинальная инструкция SKILL.md · 7 899 символов
--- name: gpu-server-management description: Set up and manage NVIDIA GPU servers for AI workloads category: devops risk: critical source: https://github.com/BagelHole/DevOps-Security-Agent-Skills source_repo: BagelHole/DevOps-Security-Agent-Skills source_type: community date_added: '2026-09-20' license: MIT license_source: https://github.com/BagelHole/DevOps-Security-Agent-Skills/blob/main/LICENSE compatibility: Requires the relevant OS/platform tooling and privileged access where noted. Docs-only; helper scripts and templates not bundled. metadata: author: devops-skills version: '1.0' --- # GPU Server Management Provision, configure, and monitor NVIDIA GPU servers for AI inference and training workloads. ## When to Use This Skill Use this skill when: - Setting up a new GPU server for LLM inference or model training - Installing or upgrading NVIDIA drivers and CUDA toolkit - Configuring Docker with NVIDIA Container Toolkit for GPU workloads - Partitioning A100/H100 GPUs with MIG for multi-tenant workloads - Troubleshooting GPU errors, driver issues, or thermal throttling ## Prerequisites - Ubuntu 22.04 LTS (recommended) or RHEL 8/9 - NVIDIA GPU (A10G, A100, H100, RTX 4090, or L40S recommended) - Root or sudo access - Internet access for package downloads ## Driver Installation (Ubuntu) ```bash # Remove old drivers sudo apt purge -y 'nvidia*' 'cuda*' 'libcuda*' sudo apt autoremove -y # Add NVIDIA package repository distribution=$(. /etc/os-release; echo $ID$VERSION_ID) curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | \ sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg curl -s -L https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.list | \ sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \ sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list sudo apt update # Install latest driver (560.x as of 2025) sudo apt install -y nvidia-driver-560 cuda-toolkit-12-6 # Install NVIDIA Container Toolkit (Docker GPU support) sudo apt install -y nvidia-container-toolkit sudo nvidia-ctk runtime configure --runtime=docker sudo systemctl restart docker # Verify nvidia-smi nvcc --version docker run --rm --gpus all nvidia/cuda:12.6.0-base-ubuntu22.04 nvidia-smi ``` ## Post-Install Configuration ```bash # Enable persistence mode (reduces driver initialization latency) sudo nvidia-smi -pm 1 # Set power limit (reduce heat/noise on inference servers) sudo nvidia-smi -pl 350 # watts; check TDP for your GPU model # Disable ECC on inference servers (frees ~6% VRAM, less safe) sudo nvidia-smi --ecc-config=0 # requires reboot # Enable P2P for multi-GPU NVLink training sudo nvidia-smi topo -m # check NVLink topology ``` ## GPU Health Monitoring ```bash # Real-time monitoring (like htop for GPUs) watch -n 1 nvidia-smi # Detailed stats nvidia-smi --query-gpu=index,name,temperature.gpu,utilization.gpu,\ utilization.memory,memory.used,memory.free,power.draw,clocks.current.graphics \ --format=csv --loop=1 # DCGM — production monitoring daemon (for clusters) sudo apt install -y datacenter-gpu-manager sudo systemctl start dcgm dcgmi discovery -l # list GPUs dcgmi diag -r 1 # quick health check dcgmi diag -r 3 # full diagnostic (takes ~20 min) # Check GPU errors (XID errors — important for stability) sudo dmesg | grep -i "NVRM\|nvidia\|XID" nvidia-smi --query-gpu=ecc.errors.corrected.volatile.total \ --format=csv,noheader ``` ## Prometheus GPU Metrics (DCGM Exporter) ```bash # Deploy DCGM Exporter for Prometheus scraping docker run -d \ --name dcgm-exporter \ --gpus all \ --cap-add SYS_ADMIN \ -p 9400:9400 \ --restart unless-stopped \ nvcr.io/nvidia/k8s/dcgm-exporter:latest # Key metrics exposed: # DCGM_FI_DEV_GPU_UTIL - GPU utilization % # DCGM_FI_DEV_MEM_COPY_UTIL - Memory bandwidth utilization # DCGM_FI_DEV_FB_USED - Framebuffer memory used (MB) # DCGM_FI_DEV_SM_CLOCK - SM clock speed (MHz) # DCGM_FI_DEV_GPU_TEMP - Temperature (°C) # DCGM_FI_DEV_POWER_USAGE - Power draw (W) # DCGM_FI_DEV_XID_ERRORS - XID error count (0 = healthy) ``` ## MIG Partitioning (A100/H100) MIG (Multi-Instance GPU) allows slicing one GPU into isolated smaller GPUs. ```bash # Enable MIG mode (requires reboot or restart of all processes) sudo nvidia-smi -mig 1 sudo systemctl restart nvidia-persistenced # List available MIG profiles (A100 80GB example) nvidia-smi mig -lgip # 1g.10gb — 1 slice, 10GB (max 7 instances) # 2g.20gb — 2 slices, 20GB (max 3 instances) # 3g.40gb — 3 slices, 40GB (max 2 instances) # 7g.80gb — full GPU, 80GB (max 1 instance) # Create MIG instances (e.g., 3× 2g.20gb + 1× 2g.20gb = multi-tenant) sudo nvidia-smi mig -cgi 2g.20gb,2g.20gb,2g.20gb,2g.20gb -C # List created instances nvidia-smi mig -lgi nvidia-smi mig -lcgi # Use in Docker docker run --gpus '"device=MIG-GPU-xxx/0/0"' ... # Disable MIG sudo nvidia-smi mig -i 0 -dci sudo nvidia-smi mig -i 0 -dgi sudo nvidia-smi -mig 0 ``` ## Kernel & OS Tuning for GPU Servers ```bash # Increase file descriptor limits echo '* soft nofile 1048576' | sudo tee -a /etc/security/limits.conf echo '* hard nofile 1048576' | sudo tee -a /etc/security/limits.conf # Disable transparent huge pages (reduces latency jitter) echo never | sudo tee /sys/kernel/mm/transparent_hugepage/enabled echo never | sudo tee /sys/kernel/mm/transparent_hugepage/defrag # Persist via rc.local or systemd unit: cat <<'EOF' | sudo tee /etc/rc.local #!/bin/bash echo never > /sys/kernel/mm/transparent_hugepage/enabled echo never > /sys/kernel/mm/transparent_hugepage/defrag nvidia-smi -pm 1 exit 0 EOF sudo chmod +x /etc/rc.local # PCIe performance mode sudo nvidia-smi --auto-boost-default=0 sudo nvidia-smi --auto-boost-permission=0 ``` ## Multi-GPU Topology Check ```bash # Check NVLink and PCIe topology nvidia-smi topo -m # Output shows interconnect type: # NV4 = NVLink 4.0 (H100 SXM) # NV2 = NVLink 2.0 (A100 SXM) # PHB = PCIe bus (slower; avoid for tensor parallel training) # PIX = same PCIe switch (fast) # Bandwidth test between GPUs /usr/local/cuda/samples/bin/x86_64/linux/release/p2pBandwidthLatencyTest ``` ## Common Issues | Issue | Cause | Fix | |-------|-------|-----| | `nvidia-smi: command not found` | Driver not installed | Follow driver installation steps above | | Driver version mismatch | CUDA/driver incompatibility | Check compatibility matrix at developer.nvidia.com | | GPU temperature >85°C | Poor airflow or fan failure | Check `nvidia-smi -q -d TEMPERATURE`; reseat cooler | | XID 79 errors | GPU hardware error | Run `dcgmi diag -r 3`; may need GPU replacement | | `failed to open device` in container | Container toolkit not configured | Run `nvidia-ctk runtime configure --runtime=docker` | | Low PCIe bandwidth | Wrong slot or power limit | Check `nvidia-smi -q | grep PCIe`; use x16 slot | ## Best Practices - Always enable persistence mode (`nvidia-smi -pm 1`) — reduces first-request latency. - Monitor XID errors; persistent XID 79/94 indicates hardware failure. - For training: use NVLink-connected GPUs; for inference: PCIe is usually fine. - Set up DCGM alerts on temperature >80°C and power draw near TDP. - Use MIG for multi-tenant inference to provide GPU isolation between models. ## Related Skills - vllm-server (`vllm-server`) - LLM inference on GPUs - llm-fine-tuning (`llm-fine-tuning`) - GPU training setup - linux-hardening (`linux-hardening`) - Secure the host OS - prometheus-grafana (`prometheus-grafana`) - Metrics dashboards ## Limitations - Infrastructure commands can disrupt services: confirm target host/scope and have backups/snapshots before mutating state. - Docs-only import: upstream scripts and templates not bundled.