该技能面向 AWS 上的 GPU 训练或推理集群，覆盖 SageMaker HyperPod（Slurm 或 EKS）、AWS ParallelCluster 以及自管 EC2 或 EKS GPU 实例。用途有三种模式：集群出现失败、挂起、变慢或掉节点时做事故调查；回答“是否有 GPU 错误”“日志是否可信”时做覆盖度审计；回答“集群能否支撑长任务”“Capacity Block 即将到期”时做上线前检查。
主要能力包括：按集群名称子串发现日志组并逐节点、逐小时验证 GPU 日志覆盖；构建节点清单与能力画像（GPU 数量、EFA、NVSwitch 等）；用 CloudTrail 事件名区分重启与替换，保留节点身份线索；对每个节点给出 REPLACE、REBOOT、LEAVE ALONE、MONITOR 或 NOT OBSERVABLE 结论；区分已证实原因与待验证假设；检查 FSx、GPU 活动、EFA 等指标；在 HyperPod 的 NodeProvisioningMode 为 Continuous 时用 ListClusterEvents 获取不依赖日志代理的时间线；在预检模式中评分 P1 至 P16 检查项，并以 FAIL、RISK 优先呈现。
使用方式是调用技能并按其规则执行，很多步骤依赖 read_skill_resource 读取 references 下的参考文件，例如：read_skill_resource(skill_id="aiml-gpu-training-cluster-investigation", path="references/inventory-and-timeline.md")。规则要求证据收集必须为写出结论留出空间，缺少输入时使用默认值并标注假设；每个结论必须点名日志组与日志流、资源 ID，否则不可复核。
限制：只读，不重启、替换、更新或删除任何资源，也不读取训练数据、检查点或模型权重；HyperPod 节点对 DescribeInstances 不可见，HyperPod 系统指标不导出到 CloudWatch，因此其 GPU 活动在该处不可观测；当 NodeProvisioningMode 不是 Continuous 时 ListClusterEvents 不受支持；资料未提供具体收费标准、价格或平台支持范围。