SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场rfd4-proteina-setup

rfd4-proteina-setup

智能体与模型

查看项目

更新于 10-21 19:19

技能介绍

用途

RFD4-Proteína Setup 用于安装 RFD4-Proteína 模型运行时和已发布的检查点对，然后通过预检（preflight）和生成一个单体（monomer）来证明就绪状态。它面向原生模型安装与故障排查；已经运行的 NIM 有不同的部署工作流。

前提条件

需要 RFD4-Proteína 模型检出、其文档规定的主机/GPU 平台，以及用于环境和检查点的存储空间。技能目录包含的是说明和辅助脚本，不包含模型源码。安装技能并不意味着模型或 GPU 已安装。

输入

使用位于 RFPROTEINA_ROOT 的已提供模型检出，或在需要克隆时使用已提供的源 URL 和修订版本。复用已知路径和访问信息。可选输入包括 DATA_PATH、用于已有模型解释器的 RFPROTEINA_PYTHON，以及 oracle 或调度器设置。导出的值优先于配置文件默认值。

使用方式

1. 定位模型并保留工作区

将已加载的技能目录解析为绝对路径并保存在 RFD4_SETUP_SKILL 中，然后再更改目录。其辅助脚本属于技能安装；setup.sh、配置和基准输入属于模型。

检查已提供的 RFPROTEINA_ROOT，若未提供路径则检查当前项目。模型检出包含 .project-root、pyproject.toml 和 configs/inference.yaml。阅读其安装手册和 setup 入口点。仅缺少 scripts/rfproteina_exec.sh 并不表示模型不存在：原生安装可以直接使用 .venv/bin/python。

如果源缺失，使用已提供的仓库 URL 和修订版本克隆到新的未使用目录。否则请求缺失的源信息。不要猜测名称相似的 Proteina 仓库，也不要用 NIM 替代此模型。404 可能表示源不可用或为私有。

保留现有文件、Git 元数据、环境和数据。绝不要为了容纳克隆而清空或重置工作区。如果目标已存在，检查它并复用有效检出或选择未使用的目标。克隆失败不授权删除其目标或无关文件。

将 RFPROTEINA_ROOT 设置为已验证的绝对模型路径，并在那里执行 RFProteína 命令。对其辅助脚本使用绝对技能路径。有关特定修订版本的设置和安全的环境文件处理，请阅读 environment。

2. 检查主机，然后安装

根据安装手册检查所选执行主机的 GPU 可见性（例如 nvidia-smi -L）、存储和所需平台。在集群上，检查请求的 GPU 分配，而不是将登录节点视为推理主机。区分缺少驱动工具与 CUDA 检查失败。如果 GPU 访问不可用，报告推理被阻塞；执行明确请求的仅环境安装，但不要声称就绪。

从已验证的模型检出，使用其维护的安装配方：

cd "$RFPROTEINA_ROOT"
make setup
source .venv/bin/activate

如果用户选择了已有的模型环境，复用它并仅安装缺失的依赖。从预检所检查的同一环境运行后续的 rfd4-generate 命令。

文档化的原生设置会创建 .venv 并安装 pyproject.toml 中固定修订版本的 AtomWorks。它保留现有环境文件，不编辑 shell 启动文件。在调整这些命令之前，先检查所选修订版本的手册。根据日志诊断安装失败；不要禁用 TLS 验证、替换导入桩或修补模型代码来制造成功的预检。

3. 解析数据路径和检查点

文档化的设置会将两个已发布检查点下载到 DATA_PATH，默认为 ./data_path，并复用现有文件。在 setup 之前设置自定义 DATA_PATH。bash setup.sh --skip-weights 仅安装环境。缺少检查点是下载/配置问题，不是检出缺失的证据。

从 configs/inference.yaml 读取检查点名称，并检查所选数据目录。导出的 DATA_PATH 优先于 .env.local，仅当 .env.local 不存在时才使用 .env。将这些文件视为数据，绝不要 shell-source 它们或打印凭据。有关发布文件和下载器，请参阅 checkpoints。将可选的 refolding 设置分开；普通单体生成不需要 oracle。

对于原生预检，导出设置期间选择的实际数据目录，或使用 --data-path 显式传递。检查器使用提供的路径；它不加载凭据文件。保留现有配置，而不是用猜测的默认值替换它。

4. 在该模型的运行时中运行预检

bash "$RFD4_SETUP_SKILL/scripts/preflight.sh" --repo-root "$RFPROTEINA_ROOT"

该辅助脚本在提供时使用显式的 RFPROTEINA_PYTHON，否则使用检出的可执行调度器（如果存在），否则使用其原生 .venv/bin/python。它检查导入、CUDA 和非空的已发布检查点文件。--data-path 覆盖导出的 DATA_PATH；相对数据路径相对于模型根解析。非零退出会阻止冒烟测试。报告实际失败的检查和补救措施，而不是替换检出或宣布设置完成。

5. 生成并验证一个冒烟结果

在预检以 0 退出并显示 PREFLIGHT PASSED 后，运行：

rfd4-generate inputs=data/benchmarks/monomer \
    subset_to_examples=monomer-short num_replicates=1 out_dir=./runs/smoke

使用未使用的输出目录；如果 runs/smoke 已包含结果，保留之前的运行。确认命令成功，并在实际输出目录的 inference_samples/ 下存在非空的带注释 CIF。报告检出、解释器、检查点对、预检结果和生成的 CIF 路径。仅预检通过并不能证明生成成功。将更大的设计请求交给 rfd4-proteina-generate。

故障排查

  • 技能存在但模型源不可用：报告检查了哪些候选路径，并请求批准的检出或源 URL/修订版本。访问失败后停止猜测源；保留工作区。
  • 找到检出但运行时缺失：运行其安装程序，或使用 RFPROTEINA_PYTHON 选择其现有解释器。
  • 缺少数据/检查点：检查所选 DATA_PATH，并对该目录重复文档化的下载；保留现有设置。
  • 没有可用的 CUDA 设备：在生成之前修复请求的主机/分配。
  • Refolding 失败：检查单独的 oracle 镜像、权重、缓存和主机运行时。不要将 refolding 添加到此普通生成冒烟测试中。

限制

执行环境中必须存在检出、GPU 和检查点访问。预检检查依赖、CUDA 和发布文件；它不验证每个设计任务、检查点校验和、自定义检查点覆盖或可选 oracle。

示例

对于单独安装的技能和模型，将 RFD4_SETUP_SKILL 设置为已加载的技能目录，将 RFPROTEINA_ROOT 设置为模型检出，然后遵循步骤 2–5。在没有 GPU 的主机上，有用的结果是准确的阻塞诊断；它不是完成的推理安装。

可用脚本

脚本 用途 参数
scripts/preflight.sh 检查所选模型运行时 --repo-root PATH 或 RFPROTEINA_ROOT；--data-path PATH 或 DATA_PATH；可选 RFPROTEINA_PYTHON
scripts/preflight.py 在已安装的模型解释器中直接运行检查 --repo-root PATH 或 RFPROTEINA_ROOT；--data-path PATH 或 DATA_PATH