用途：面向 DGX Station GB300，按步骤排查常见故障，覆盖 CUDA 崩溃、选错 GPU、vLLM/SGLang 容器缺陷、MIG 状态、NVLink/Fabric Manager、Vulkan、HuggingFace 令牌与端口占用等问题。
主要能力：先采集系统状态，再按症状匹配已知问题并给出修复命令。
使用方式：
- 采集状态：运行 nvidia-smi 查看 GPU 状态；用 nvidia-smi --query-gpu=index,name,memory.used,memory.total --format=csv,noheader 列出设备索引；查询驱动版本；检查 MIG 模式（nvidia-smi -i 1 -q）、Fabric Manager（systemctl is-active nvidia-fabricmanager）、GPU 进程（sudo fuser -v /dev/nvidia*）与使用 GPU 的 Docker 容器。
- 匹配已知问题：如 --gpus all 引发 CUDA 崩溃时，因 GB300（ATS）与 RTX PRO（非 ATS）不能共享 CUDA 上下文，改用 --gpus '"device=N"' 仅指向 GB300；模型跑错 GPU 时核对设备索引并修正 --gpus；vLLM 崩溃或 FlashInfer 缓冲区溢出时改用 nvcr.io/nvidia/vllm:26.01-py3；SGLang CUDA 报错需容器标签为 cu130；显存充足仍 OOM 时减小上下文长度或降低 --gpu-memory-utilization / --mem-fraction-static；MIG 提示被占用需先停掉 GPU 负载；NVLink 报错后启动 nvidia-fabricmanager；X server 崩溃可用备份 xorg.conf 恢复；Vulkan 初始化失败需将 CUDA 与 Vulkan 分离进程，Vulkan 应用前加 _GL_DeviceModalityPreference=2；HuggingFace 401 用 -e HF_TOKEN="hf..." 内联传令牌；端口占用用 lsof -i :<PORT> 排查并换端口。
- 报告结论：说明问题、根因、修复命令及验证方式。
适用场景：DGX Station GB300 上运行容器化推理与 GPU 工作负载时的日常排障。
限制：部分版本、价格、平台与效果信息暂未提供；命令涉及 sudo、MIG 与 X 配置修改，执行前需确认权限与影响。