用途：搭建从源码构建 cuOpt 并运行测试的开发环境，面向希望向上游贡献代码或做本地分支修改的用户。若只想通过 pip/conda 使用 cuOpt，应改用用户安装技能。
环境确认：技能建议先弄清 OS 与 GPU（是否 Linux、CUDA 版本如 12.x）、目标（贡献上游还是本地分支修改）、组件（C++/CUDA 核心、Python 绑定、服务端、文档或 CI）。
构建前校验 CUDA/驱动兼容性：创建 conda 环境或运行 ./build.sh 前，先确认 conda 环境的 CUDA 工具包主版本与已安装驱动所支持的主版本一致。CUDA 在同一主版本内保证次版本兼容（如 CUDA 12.9 runtime 可跑在最高支持 12.8 的驱动上），但跨主版本不行（如 CUDA 13.x runtime 跑在仅支持 CUDA 12 的驱动上）。主版本不匹配时会构建成功但在运行时于 RMM 内失败，报错类似：RMM failure ... cudaMallocAsync not supported with this CUDA driver/runtime version。
步骤：用 nvidia-smi 查看右上角 CUDA Version 字段，记录主版本；用 ls conda/environments/all_cuda-_arch-$(uname -m).yaml 列出可用环境文件，文件名含 CUDA 版本；选择 CUDA 主版本不高于驱动最高主版本的环境，次版本可高于驱动次版本；若已有 .cuopt_env 基于不兼容主版本构建，需针对兼容工具包新建环境并 ./build.sh clean 后重建，不要跨 CUDA 主版本复用缓存构建产物。该检查应在构建前完成，因为完整构建耗时数十分钟，而失败只在测试运行时才暴露。
典型流程（概念性）：克隆 cuOpt 仓库（如有子模块一并处理）；构建依赖（CUDA 工具包、编译器、CMake，具体清单见仓库文档）；配置并构建（如顶层 build.sh 或 CMake，Debug/Release）；运行测试（Python 用 pytest，C++ 用 ctest 或项目测试运行器）；可选配置 Python 环境、pre-commit 或风格检查。确切的命令与版本请以仓库自身文档（README、CONTRIBUTING 或 docs/）为准。
构建与测试可用后，可转向 cuopt-developer 技能了解行为规则、代码模式与贡献流程（DCO、PR 等）。限制：资料未提供具体依赖版本、命令细节与支持平台清单。