用途：诊断 SageMaker HyperPod（EKS 与 Slurm）上的 NCCL 故障，覆盖训练挂起、AllReduce/集合通信超时、EFA 配置与回退、NCCL 版本不一致、容器/GPU OOM、RDMA memlock、MASTER_ADDR DNS、NVLS/PXN 拓扑调优等。
主要能力：scripts/nccl-diagnose.sh 通过 AWS API、kubectl、SSM 读取状态，输出 [PASS]/[FAIL]/[WARN]/[INFO]，每条 [FAIL] 指向 references 下对应文档章节。支持按集群、区域、命名空间/作业、编排器、采样节点数或指定节点运行。
使用方式：先认证 kubectl（EKS 用 aws eks update-kubeconfig），再运行 bash scripts/nccl-diagnose.sh --cluster <NAME> --region <REGION>，可加 --namespace/--job/--orchestrator/--sample-nodes/--node。需 aws CLI v2.13+、jq、python3、bash 4.2+、unbuffer、kubectl、session-manager-plugin。
限制：仅只读诊断，不执行任何改变集群、节点或工作负载状态的命令；破坏性操作需以建议命令形式交由用户执行。list-cluster-events 不含 NCCL 超时、GPU XID/ECC 或每 Pod 训练信号，需从 Pod 日志、CloudWatch、SSM 探针获取。SSM 节点探测串行，每节点 180 秒，采样 10 节点约需 30 分钟。
适用场景：HyperPod 上 NCCL/EFA/集合通信故障排查、升级 AWS Support 前的诊断包准备。集群创建、节点级问题、Trainium/Inferentia 通信等应委派其他技能。