nooa-agentdoc
NVIDIA OO 智能体的 agentdoc 文档渲染工具：通过 doc()、spec()、hidden、Annotated 字段描述与 pformat/pprint 调优，让 LLM 以美观、可控的形式理解并查看 Python 类型的 API 契约。
Skill 广场
找到适合任务的 Agent Skill，阅读介绍并复制安装命令。
更新于 11-12 00:15
智能体与模型
26,180 个结果
nooa-capturing-traces
用于为 NVIDIA OO Agents 捕获执行追踪（OpenTelemetry/OpenInference 跨度），支持写入 JSONL、发送到查看器或 OTLP 等导出方式。
nooa-context-and-state
NVIDIA OO 智能体的上下文与状态管理技能：通过 context 块、事件历史与查询、历史摘要和持久化存储，控制智能体每轮看到与记住的内容，适用于需要跨调用状态、长对话压缩或断点续跑的智能体开发。
nooa-self-extending
NVIDIA OO 智能体的自我扩展机制：让智能体编写并热重载持久化技能库（SkillWriting / self.libs、LibraryManager），并支持单元格内辅助函数与独立 @strategy 子调用。
nooa-trace-explorer
用于分析 NVIDIA OO Agents 执行轨迹的 CLI 与 Python 库，面向智能体驱动的根因分析。支持本地 OTLP .jsonl 轨迹文件或运行中的 viewer，提供概览、错误、会话、轮次、搜索、对比与实验级聚合，输出便于 LLM 阅读的文本或 JSON。
nooa-trace-viewer
NVIDIA OO Agents 的 Trace Viewer：一个集 OTLP 接收与 Web UI 于一体的 FastAPI 应用，用于浏览智能体 trace、LLM 调用和评估实验，数据存于 SQLite 可持久化。
refine-agent-prompt
用于渲染并优化 nooa 智能体系统提示词的技能：借助 FakeLLMClient 在不调用真实 LLM 的情况下打印完整提示词，再通过诊断问题排查冗余与浪费，改进上下文块、工具文档与类型定义。
create-model-verification-card
用于创建或更新 Megatron Bridge 模型验证卡（model verification card）的技能，从公开模型事实与已验证命令生成 agent 可读的 card.yaml，并可用脚本校验卡片格式与 HF 推理结果。
nemo-mbridge-mlm-bridge-training
用于运行 Megatron-LM（MLM）与 Megatron Bridge 训练的指南，支持 mock 或真实数据，涵盖损失相关性测试、可用 recipe 与多 GPU 示例，并说明两者入口、参数映射与常见陷阱。
nemo-mbridge-perf-expert-parallel-overlap
用于在 Megatron-Bridge 中验证并使用 MoE 专家并行通信重叠（expert-parallel communication overlap）的技能。它通过让 token 的 dispatch/combine all-to-all 通信与专家 FFN 计算并发执行来隐藏通信开销，并可选用延迟专家权重梯度计算（delay_wgrad_compute）进一步重叠。文档给出 alltoall 与 flex（DeepEP/HybridEP）两种 dispatcher 路径、启用条件、兼容性约束、最小配置与运行命令、验证与失败诊断方法，以及一项 Qwen3 MoE 30B-A3B 在 16 张 H100 上的基准参考数据。
nemo-mbridge-perf-moe-long-context
面向 Megatron Bridge 的长上下文 MoE 训练指南，涵盖 CP 规模估算、选择性重计算、调度器选择，以及 DSV3、Qwen3 等模型的实践配置模式。
nemo-mbridge-resiliency
Megatron Bridge 的弹性训练功能集，涵盖容错、掉队检测、进程内重启、抢占处理与重跑状态机，用于大规模分布式训练中提升任务稳定性与恢复能力。
resiliency
Megatron Bridge 的容错与弹性训练功能，涵盖故障容错、掉队检测、进程内重启、抢占处理与重跑状态机，用于大规模分布式训练的稳定性保障。
review-pr
review-pr 是一个面向 PR、提交和本地 diff 的结构化单智能体代码审查工作流技能，强调分阶段审查、证据优先、只做定向验证，并在必须触碰第三方 Megatron-LM 目录等边界时明确提示。
cosmos-automl
cosmos-automl 是 NVIDIA Cosmos Framework 中的有界 AutoML 技能，用于优化 reasoner 监督微调（SFT）的超参数或评估提示词。它提供原生 cosmos-automl 命令行接口，支持数值、多保真、种群式（PBT）以及 LLM 引导等搜索方式，并可在已安装的虚拟环境、Docker、SLURM、Kubernetes、Brev 和 Lepton 等执行环境中运行。该技能强调以显式配方为起点、先做 CPU 结构检查、设置受控的试验次数与时限、将最终测试数据排除在优化循环之外，并在执行前获得审批；同时提供状态与日志查询、取消与恢复等受控操作。资料明确列出若干验证边界：Bayesian、Hyperband 和 DEHB 未完成批准的预算，实时基础设施恢复与 Hyperband-ES 曲线剪枝尚未验证，实时云 GPU 验证仍待完成。
cosmos3-nano-sim-auto-inference
Cosmos3-Nano-Sim-Auto 是 Cosmos Framework 中的推理技能，用于以四步因果学生模型从初始 RGB 图像、逐相机描述文本和 WSM/HD 地图控制生成同步相机视角，可选生成 LiDAR 数据。该技能覆盖输入准备与推理运行两类任务：用户可按指南整理媒体清单与逐视角描述文本 sidecar 而不启动生成，或配置环境、请求文件和模型快照后执行推理。模型针对参考相机装配优化，自定义装配可能降低质量；需使用导出的学生模型快照而非训练实验或原始目录。支持 480p 与 720p，长时滚动生成有数分钟量级的观察记录。参考配方要求对齐的 30 FPS 相机，联合推理需该相机帧率。请求通过是否包含 lidar.control_path 选择纯相机或相机加 LiDAR。
cosmos3-nano-sim-auto-post-training
这是 NVIDIA Cosmos Framework 中的训练操作说明，用于把 Cosmos3-Nano-Transfer-Auto 蒸馏为 Cosmos3-Nano-Sim-Auto。流程分为三阶段：Stage 1 教师强制（TF）、Stage 2 教师强制扩散一致性（TF-dCM，把生成缩减为四步去噪）、Stage 3 自强制分布匹配（SF-DMD，用自身预测生成并由原始 Transfer-Auto 教师充当评分网络）。文档给出环境激活、初始模型下载与转换、数据包准备、配置 dryrun 检查、分布式训练启动及各阶段检查点交接的具体命令，并说明参考预算为每阶段 4000 次迭代、Stage 3 以 1 次学生更新对 5 次评分网络更新交替。强调不要从普通 Cosmos3-Nano 开始，也不要对最终蒸馏学生直接做常规 SFT。
cosmos3-nano-sim-auto-troubleshooting
该技能用于在 Cosmos Framework 中诊断 Cosmos3-Nano-Sim-Auto 的输入、因果推理、蒸馏、checkpoint 与导出故障。它提供按症状分类的首轮检查清单，覆盖相机映射与几何不一致、输出过短或 caption 切换失败、元数据缺失导致 HF 加载被拒、CFG 或采样器行为异常、LiDAR 缺失或错位、训练字段缺失、教师或续训迭代错误、OOM、编译与分布式错误，以及 SF-DMD 阶段只出现一个等问题。使用方式为收集失败请求或训练步骤、运行时与源码版本、解析后的配置、产物标识、日志和相关输出后逐项排查，并强调隔离问题时保留原始输入与模型 checkpoint/注意力设置，采用最小修正并验证受影响结果。
cosmos3-nano-sim-bimanual-inference
Cosmos3-Nano-Sim-Bimanual 是 NVIDIA Cosmos Framework 中的双臂机器人仿真推理技能，用于根据任务文本描述、初始 RGB 观测和按时间对齐的双臂动作轨迹，生成以动作为条件的视频预测。该技能本身不选择机器人动作，只预测视觉未来；输出长度、帧率与保存几何跟随所选输入。适合在 Cosmos Framework 环境中复现或扩展双臂场景的视频生成与模型验证流程。
cosmos3-nano-sim-bimanual-post-training
这是一个面向 Cosmos Framework 的后训练技能，用于从 Cosmos3-Nano 出发，训练一个双臂（bimanual）动作条件世界模型 Cosmos3-Nano-Sim-Bimanual。该技能覆盖数据准备与预检、模型与视频 VAE 配置、四阶段（Stage 0 到 Stage 3）训练、断点续训，以及 Stage 3 学生模型的导出与推理检查。其输出是视频预测，而不是机器人动作。
cosmos3-nano-sim-bimanual-troubleshooting
这是一个面向 Cosmos3-Nano-Sim-Bimanual 的故障诊断技能，用于排查双边机械臂仿真在环境配置、数据准备、训练、检查点加载、生成与评估各环节出现的失败。其核心思路是按边界定位第一个被破坏的“产品契约”，从成本最低的检查入手，逐步缩小原因范围，并在恢复过程中保持模型契约不变。适用对象是使用该框架进行训练或推理的开发者与研究人员。资料给出了运行时检查、单样本输入校验、分阶段启动检查、训练进度检查、检查点身份核对、生成校验和评估核算等具体流程与命令示例。
cosmos3-nano-sim-transfer-post-training
Cosmos3-Nano-Sim-Transfer 后训练技能，用于在 Cosmos Framework 中对 Cosmos3-Nano-Sim-Transfer 模型进行后训练。该模型可由空间控制片段（边缘、模糊、深度或分割）和文本描述生成 RGB 视频。本技能指导准备对齐的控制片段、RGB 目标与描述文本，并按 Stage 0–3 原生流程训练：Stage 0 双向教师、Stage 1 教师强制、Stage 2 TF-dCM、Stage 3 SF-DMD，各阶段使用前一阶段的 EMA 输出衔接。包含环境配置、数据契约、本地资源绑定、检查点保存与续训、多节点启动及向推理环节交接等说明。
cosmos3-nano-sim-transfer-troubleshooting
用于排查 Cosmos3-Nano-Sim-Transfer 现有工作流中的设置、检查点加载、媒体对齐、训练状态与输出故障的技能。首先定位最先失败的操作，并保留最后一个已完成的检查点和已有输出。按照故障表对照运行时环境、模型与运行时、媒体与数据、推理、训练状态等五类症状，核验实际输入与模型标识是否符合共享约定，并在请求支持时提供首个错误、checkout 与解释器、相关输入元数据及已尝试的修正。
cosmos3-nano-transfer-auto-inference
Cosmos3-Nano-Transfer-Auto 推理技能用于在 Cosmos Framework 中准备或运行 Cosmos3-Nano-Transfer-Auto 模型推理，基于相机 WSM 控制与逐视图描述生成视频，可选初始 RGB 与联合 LiDAR。该技能涵盖参考场景基线、相机装配匹配、相机局部描述准备、请求文件构建、分布式推理命令以及采样输出检查等步骤，适用于需要按相机生成受控视频的研究与开发场景。