mcore-create-issue
面向 NVIDIA/Megatron-LM 的 CI 排查技能：根据失败的 GitHub Actions 运行或作业 URL，提取失败日志与根因，检查是否已有重复 issue，并自动创建带 PR 链接和指派人的 GitHub bug issue。
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
通用与其它
53,586 个结果
mcore-split-pr
mcore-split-pr 是用于拆分大型 PR 的技能，按 CODEOWNERS 审查组聚类文件，尽量让每个新 PR 只需最少的审查组，从而降低评审负担。执行前需用户确认，新 PR 以草稿形式推送到用户 fork。
nemo-automodel-launcher-config
NeMo AutoModel 启动器配置技能，说明交互式、Slurm 与 SkyPilot 三种作业启动方式的 YAML 字段、分布式环境设置与 Nsight Systems 性能分析用法。
nemo-mbridge-perf-activation-recompute
面向 Megatron Bridge 的激活重计算技能，用于在增加计算开销的前提下降低 GPU 显存占用，提供选择性重计算与整层重计算的配置、兼容性约束、性能实测与故障排查指南。
nemo-mbridge-perf-cpu-offloading
用于在 Megatron Bridge 中验证与启用 CPU offloading 的技能，涵盖按层的激活 offloading 与按比例的优化器状态 offloading，并提供配置参数、约束、最小运行命令与验证方法。
nemo-mbridge-perf-cuda-graphs
在 Megatron Bridge 中验证并使用 CUDA graph 捕获，含 local 全迭代图与 Transformer Engine 分作用域图（attn、mlp、moe 等），覆盖配置项、启用步骤、约束条件与验证方法。
nemo-mbridge-perf-memory-tuning
面向 Megatron Bridge 训练的显存调优技能，讲解如何通过 PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True 缓解显存碎片导致的 GPU OOM，并对比并行度调整、激活重算与 CPU offloading 等策略的收益与代价。
nemo-mbridge-perf-moe-dispatcher-selection
NVIDIA NeMo MoE 调度器选型技能：指导按硬件、EP 规模与优化阶段选择 alltoall、DeepEP 或 HybridEP 三种 token dispatcher，并给出配置、调参与常见陷阱。
nemo-mbridge-perf-moe-hardware-configs
整理 MoE 训练在不同硬件平台与模型规模下的代表性配置手册，包含 H100、B200、GB200、GB300 上的并行策略、调度器、吞吐量区间与调优要点，供性能规划与配置参考。
nemo-mbridge-perf-parallelism-strategies
面向 Megatron Bridge 的并行策略选择与组合操作指南，按模型规模、硬件拓扑与序列长度给出 TP、PP、CP、DP、EP 等的起步配置，并提供最小 GPU 数计算、内存估算、配置锚点、验证命令与常见陷阱。
nemo-mbridge-perf-tp-dp-comm-overlap
面向 Megatron-Bridge 的通信重叠启用指南，覆盖 TP、DP、PP 通信重叠的配置项、代码锚点、常见陷阱与验证方法，帮助在训练中让通信与计算并行以提升效率。
nemoclaw-user-manage-policy
用于在 NemoClaw 沙箱中添加、删除或修改允许访问的端点（网络出口规则），支持静态策略文件修改与运行时动态更新。适用于自定义网络策略、调整出口规则、配置沙箱端点及审核阻断请求。
nemoclaw-user-manage-sandboxes
NemoClaw 沙箱生命周期管理指南，覆盖快速入门后的日常运维：列出沙箱、健康检查、日志查看、诊断收集、端口转发、多沙箱运行、凭证重置、重建、升级与卸载。所有操作基于 nemoclaw 与 openshell 命令行工具。
nemoclaw-user-overview
NemoClaw 用户概览技能，用于解释 OpenClaw、OpenShell 与 NemoClaw 构成的生态体系，说明 NemoClaw 在技术栈中的位置、相较社区沙箱额外提供的能力，以及何时优先选用 NemoClaw 而非直接整合 OpenShell 与 OpenClaw。
nemotron-policy-generator
为 NVIDIA Nemotron 内容安全护栏（Nemotron-Content-Safety-Reasoning-4B 文本模型与 Nemotron-3-Content-Safety 多模态模型）生成 BYO 自定义安全策略的技能，可从粗略需求产出 Markdown 策略、JSON 分类法、系统提示词，必要时输出 Word 文档。
nv-segment-ctmr
用于在 CT 或 MRI NIfTI 体积上运行 NV-Segment-CTMR 并记录标签图证据的封装技能，不用于临床解读。
tao-run-automl-deft-pipeline
串联 NVIDIA AOI 三阶段训练流程的工作流桥接技能：先用 tao-run-automl 做 AutoML/HPO 基线，再经 DEFT 循环迭代改进数据，最后在增强数据集上再次 AutoML 精调，阶段间负责规格与检查点交接。
tao-run-deft-aoi
用于 NVIDIA TAO VisualChangeNet / ChangeNet PCB 检测模型的 DEFT AOI 迭代改进技能：执行基线评估、RCA、导入客户预生成的合成缺陷、数据挖掘、重训练与部署门禁，直到 KPI 目标达标。本 EA 变体不内联运行 AnomalyGen。
tao-run-inference-service
用于启动、查询并停止指定网络架构的 TAO 推理微服务（{network_arch}-inference-microservice）的技能：收集输入、解析容器镜像、跨平台执行容器、登记服务与就绪轮询、发送推理请求及停止服务。
tao-run-on-lepton
面向 DGX Cloud Lepton 托管 GPU 计算平台的技能，提供 TAO 作业的提交、状态查询与取消接口，支持在专用或共享 GPU 节点组上以容器方式运行训练、评估与推理任务，并由 Lepton 负责调度、镜像拉取、日志收集和作业生命周期管理。
tao-run-on-slurm
面向 NVIDIA TAO 的远程 SLURM GPU 集群执行方案：通过 SSH 在登录节点用 sbatch 提交、srun 配合 Pyxis/Enroot 容器运行训练、评估与推理任务，结果写入共享 Lustre 存储。
tao-train-centerpose
TAO 工具链中的 CenterPose 技能，用于关键点与位姿估计：检测物体中心并回归关键点位置，实现 6-DoF 物体位姿估计。适用于使用 centerpose 数据集进行训练、评估、推理、导出与 TensorRT 部署。
tao-train-deformable-detr
用于 2D 目标检测的 Deformable DETR 技能，通过可变形注意力高效处理多尺度特征，比 DINO 更轻量且精度有竞争力。支持 TAO 训练、评估、推理、导出、量化与 TensorRT 部署，训练可经 AutoML 自动调参。
tao-train-fast-foundation-stereo
基于 FastFoundationStereo（FFS）的实时双目深度估计技能，可通过 TAO depth_net CLI 从校正后的双目图像预测视差图，支持训练、评估、推理、导出 ONNX 与 TensorRT 部署。