cuopt-developer
cuOpt 开发者技能：用于修改、构建、测试、调试并为 NVIDIA cuOpt 代码库贡献代码（C++/CUDA、Python、服务器、CI），面向求解器内部、PR、DCO 与代码规范。注意这是用于开发 cuOpt 本身，而非使用它。
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 11-05 00:16
编程与开发
39,534 个结果
cuopt-install
安装 NVIDIA cuOpt 的指导技能，覆盖 Python、C 和 REST 服务器三种用法，支持 pip、conda、Docker 安装方式，并给出系统要求与安装后验证步骤。
cuopt-numerical-optimization-api-python
使用 NVIDIA cuOpt 的 Python API 建模并求解 LP、MILP 与 QP（beta）问题，支持线性/二次目标、整数变量，可用于调度、投资组合、最小二乘等场景，API 统一为 Problem、SolverSettings 与 solve。
cuopt-numerical-optimization-formulation
面向 LP、MILP、QP 的数值优化建模概念与工作流技能，讲解如何把自然语言问题解析并整理成参数、约束、决策变量与目标函数，仅含概念方法，不含 API 调用代码。
cuopt-routing-api-python
cuOpt 车辆路径规划（VRP、TSP、PDP）技能，仅提供 Python API。适用于在 Python 中构建或求解路径规划问题，需先确认问题类型与数据（地点、订单、车队、约束）。
cupynumeric-install
用于在 Python 中安装并验证 cuPyNumeric 的技能：涵盖系统要求、conda 与 pip 安装路径、GPU/CPU 变体选择及安装后验证。仅提供命令供用户自行运行，不代替用户执行安装，也不适用于源码编译。
cupynumeric-migration-readiness
移植前就绪度评估技能：在把 NumPy 代码迁移到 cuPyNumeric 之前，静态只读地分析源码中各 NumPy 用法在 Legate/GPU 栈上的多 GPU 扩展性，结合内置 API 支持清单给出结构化判定与重构指引，不执行用户代码。
deepstream-dev
基于 NVIDIA DeepStream SDK 9.0 与 Python pyservicemaker API 的开发技能，用于构建视频分析、GStreamer 视频处理和 TensorRT 推理流水线。
digital-health-clinical-asr-setup
Clinical ASR Flywheel 第一阶段的只读环境准备流程：确认 NVIDIA_API_KEY、安装 Python 依赖，并对 NVIDIA NVCF 托管的 Magpie TTS 与 Parakeet/Nemotron ASR 做一次临床句子的往返冒烟测试，通过后进入第二阶段。
holoscan-install-debian
在 Ubuntu（含 Jetson/IGX）上通过 NVIDIA apt 源原生安装 Holoscan SDK 的 C++ 运行时与头文件：按主机 CUDA 驱动选择 holoscan-cuda-12 或 holoscan-cuda-13 包，并用自带 C++ 示例验证安装。
holoscan-install-source
从 Holoscan SDK 源码树用 ./run 脚本（在 Docker 容器内构建）编译 Holoscan SDK，生成可作为 CMake 依赖的本地安装树；仅在已发布包无法满足需求时使用。
mcore-linting-and-formatting
Megatron-LM 的代码检查与格式化技能，涵盖运行 autoformat.sh、使用 ruff、black、isort、pylint、mypy 等工具的方法，以及导入排序和代码风格规则，适合在提交 PR 前统一代码质量。
nemo-automodel-model-onboarding
将 Hugging Face 新模型架构接入 NeMo AutoModel 的引导技能：按发现、实现、示例配置、测试、文档、对等验证六个阶段，完成模型类型判定、权重映射、注册与校验。
nemo-automodel-recipe-development
用于创建和修改 NeMo AutoModel 训练与评估配方的技能：讲解 YAML 结构、builder 函数、_target_ 模式、验证与检查点配置、CLI 路由及配方测试。
nemo-mbridge-perf-moe-long-context
面向 Megatron Bridge 的长上下文 MoE 训练指南，涵盖上下文并行(CP)规模估算、选择性重计算、调度器选择，以及来自 DSV3、Qwen3、Qwen3-Next 的实践配置模式。
nemo-rl-session-memory
为编码智能体维护可持久、可读的工作会话记忆，便于断线或 VS Code 重启后另一智能体以最小上下文损失恢复。适合长时、实验性或易中断的任务，以及恢复已有 ./session/ 目录的仓库。
tao-train-ocdnet
基于 TAO 的 OCDNet 场景文本检测技能，使用可微分二值化方法检测自然图像中任意方向的文字区域，支持训练、评估、推理、剪枝、量化与 TensorRT 部署等操作。
tilegym-adding-cutile-kernel
为 TileGym 添加新 cuTile GPU 内核算子的端到端工作流技能，涵盖 ops.py 分发注册、cuTile 后端实现、__init__.py 导出、测试与基准创建及验证。
tilegym-converting-cutile-to-julia
将 cuTile Python GPU 内核（@ct.kernel）转换为 cuTile.jl Julia 等价实现，涵盖内核语法翻译、0 索引到 1 索引转换、调试与验证流程。
tilegym-converting-cutile-to-triton
该技能用于把 TileGym 中的 cuTile GPU 内核（@ct.kernel）转换为 Triton（@triton.jit），覆盖标准仓库内转换，并处理 cudaErrorIllegalAddress、shape 不匹配、数值不一致等调试问题，以及性能优化。
tilegym-cutile-autotuning
用于为 CuTile 内核添加、修改、优化或调试自动调优（autotuning）代码的技能，基于 exhaustive_search API 与 tune-once/cache/direct-launch 模式，覆盖搜索空间设计、缓存、校验与常见陷阱排查。
tilegym-cutile-python
面向 NVIDIA GPU 的 cuTile Python 编程技能，提供基于 tile 的并行编程模型指导，帮助编写、调试、验证与优化高性能 GPU 内核，并可参考 TileGym 与内置示例。
tilegym-improve-cutile-kernel-perf
这是一个用于在 TileGym 仓库中迭代优化 cuTile 内核性能的技能提示，通过系统化性能分析、瓶颈诊断、IR 对比和针对性调参提升 cuTile 内核表现。
ai-memory-developer
指导 AI 智能体与应用记忆系统的设计与实现，涵盖短期会话状态、长期用户/租户记忆、情景与语义存储、记忆读写与遗忘策略、隐私合规及记忆质量评估。