用途：面向 Amazon SageMaker HyperPod Slurm 集群的纯诊断技能，用于识别和分类 Slurm 调度器（slurmctld）与节点守护进程（slurmd）问题，范围对应 HyperPod 故障排查指南。仅诊断，不运行、不建议、不打印任何会变更状态的命令；修复一律链接到 AWS 或 Slurm 官方文档，由用户自行授权执行。
适用与不适用：当用户报告决策表中的症状时调用。若集群为 Orchestrator.Eks，应改用 hyperpod-node-debugger 或 hyperpod-nccl；单节点硬件故障且调度器正常用 hyperpod-node-debugger；NCCL 训练挂起用 hyperpod-nccl；节点无法通过 SSM 访问用 hyperpod-ssm。
前置条件：AWS CLI v2 并具备 sagemaker:DescribeCluster、sagemaker:ListClusterNodes 及对 HyperPod 创建的 SSM 文档执行 ssm:StartSession 的权限；本地安装 Session Manager 插件；jq ≥ 1.6；unbuffer（expect 包）为必需，否则 aws ssm start-session 会间歇性返回空 stdout 并报 Cannot perform start session: EOF，导致检查静默误报，缺失时脚本在预检阶段退出。
使用方式：先收集集群名（非 Slurm 分区名）、区域和可选节点名；用 aws sagemaker describe-cluster --cluster-name <NAME/ARN> --region <REGION> --query 'Orchestrator' --output json 确认编排器；再运行 bash scripts/slurm-diagnose.sh --cluster <NAME> --region <REGION>，可用 --node <SLURM_NODE> 限定节点，并原样转述输出；最后按决策表把发现映射到对应 AWS/Slurm 文档。默认只读，区域默认取 $AWS_DEFAULT_REGION 否则 us-east-1，输出为彩色终端（可用 --no-color）。
覆盖场景：节点 down（slurmd 无响应、磁盘满、OOM、网络分区、硬件故障）、意外重启（down* 且 Reason 为 Node unexpectedly rebooted）、控制器状态失步（作业 PENDING 但节点空闲、COMPLETING 卡住、GRES 未释放、scontrol ping 超时、slurmdbd 连接异常、配置未生效）、Action Reason 不匹配（state=fail 的 reason 必须精确为 Action:Reboot 或 Action:Replace）、以及 --auto-resume=1 未重启作业的原因分析。
限制：只读，无修复标志；IaC 管理的集群直接变更会导致实际状态与 IaC 计划漂移，需警告；控制器重启在节点替换进行中、仅单节点故障、sinfo/squeue 正常、未查看 journalctl、刚编辑 slurm.conf 等情况下不应执行。资料未提供价格、平台支持范围等更多信息。