这个 Skill 能做什么，适合哪些场景？
这是 NVIDIA cuOpt 的安装型 Agent Skill，面向使用 cuOpt 而非从源码构建它的用户。它覆盖 Python API、C API 和 REST 服务，并提供 pip、conda 和 Docker 路径。技能会根据 CUDA 版本、GPU 能力和运行环境引导选择安装方式，并给出基础验证与常见故障排查步骤。源码构建应使用另一个名为 cuopt-developer 的技能。
询问或确认接口类型、CUDA 版本、包管理器和运行环境；检查 NVIDIA GPU、CUDA 与驱动要求；生成 Python 或 C 包的 pip/conda 安装命令；提供 REST 服务的 pip、conda 和 Docker 启动命令；通过 Python 导入、版本打印、DataModel 创建或健康检查验证安装；针对缺少 cuopt 模块、CUDA 不可用以及 Python/C 依赖关系给出排查建议。
- 需要在具备 NVIDIA GPU 的本地或云端机器上通过 pip 安装 cuOpt Python API 的 Python 用户。
- 希望只使用 C API、需要安装 libcuOpt 库和头文件而不安装 Python 绑定的 C/C++ 用户。
- 需要通过 HTTP 向 cuOpt 发送请求、部署 REST 服务的团队。
- 偏好使用容器或 Kubernetes/远程服务器环境，并需要 Docker 启动示例的运维或平台用户。
如何安装这个 Skill？
- 执行前核对CUDA、驱动、GPU算力、Python环境和包版本；不要在同一环境混用pip与conda。
- Docker示例以latest和0.0.0.0绑定运行，生产环境应固定镜像版本并限制网络暴露。
- NVIDIA包索引和Docker镜像可能受中国大陆网络可达性影响，需准备镜像、代理或离线方案。
- Shell / 命令行
- 网络访问
Pythonpip or condaCUDA 12.x or 13.xNVIDIA GPU with Compute Capability >= 7.0compatible NVIDIA driver
先安装整个 NVIDIA skills 集合：npx skills add nvidia/skills，在交互式提示中选择 cuopt-install 和安装目标。使用该技能前，准备与 CUDA 版本匹配的环境：GPU 需为 Compute Capability 7.0 或更高，CUDA 需为 12.x 或 13.x，并配备兼容的 NVIDIA 驱动。cuOpt 本身可按技能说明通过 pip、conda 或 Docker 安装；不要同时执行同一接口的 pip 和 conda 安装，也不要同时安装两种 Python pip 方案。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/NVIDIA/skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/cuopt-install" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
安装后，把下面任意一句发给 Agent 即可触发：
- 我需要在 CUDA 12 的 NVIDIA GPU 机器上安装并验证 cuOpt Python API，优先使用 pip。
向已加载该技能的 Agent 说明你的目标，例如：“我需要在 CUDA 12 的 NVIDIA GPU 机器上安装并验证 cuOpt Python API，优先使用 pip。”Agent 会据此确认接口、CUDA 版本、包管理器和环境，然后提供相应命令。若要从源码构建或修改 cuOpt，应改用 cuopt-developer。
这个 Skill 有哪些优点和局限？
- 同时覆盖 Python、C 和 REST 三种使用接口。
- 提供 pip、conda 和 Docker 安装路径，并包含基础验证命令。
- 明确 CUDA 后缀匹配、Python 与 C 包依赖关系及常见失败原因。
- C API 的完整验证命令位于未随提示内容展开的 `references/verification_examples.md` 中。
- 示例主要覆盖 CUDA 12/13、Linux 风格 shell 命令和 NVIDIA GPU 环境；其他平台没有具体说明。
- CUDA 12 的 pip 示例固定为 `26.2.*`，CUDA 13 示例未固定版本，版本策略并不完全对称。
- 源材料未说明价格、性能提升或完整测试覆盖范围。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| cuOpt 安装助手 本页 ✓ NVIDIA · 官方 | 51 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| TAO NVIDIA GPU 主机配置 ✓ NVIDIA · 官方 | 55 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| Holoscan NGC 容器安装助手 ✓ NVIDIA · 官方 | 52 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| RTVI-CV 二维检测跟踪运维技能 ✓ NVIDIA · 官方 | 54 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| VIOS 视频输入输出与存储管理 ✓ NVIDIA · 官方 | 53 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
与 cuopt-developer 的边界很明确：cuopt-install 用于安装和验证已发布的 cuOpt；源码构建、贡献或修改应使用 cuopt-developer。
FollowSkills 如何评估这个 Skill？
技能要求先确认接口、CUDA、包管理器和环境，使用最小化的安装建议且未要求凭据；但未明确要求执行前确认、回滚步骤或供应链校验，Docker示例使用--gpus all并绑定0.0.0.0，数据流和外部影响披露不完整，因此扣分。
安装路径、依赖关系、常见故障和验证步骤总体一致；但CUDA 12版本固定为26.2.*、前置版本为26.08.00，服务器示例主要覆盖CUDA 12，Docker使用可变latest，且静态审查无法复现关键路径，因此扣分。
明确覆盖Python、C、REST、pip、conda、Docker、本地和远程环境，并对源码构建进行边界转介；未提供中文说明，且核心包索引和镜像依赖海外服务，面向中国网络的可达性未说明，因此扣分。
具备名称、版本、许可证、作者、引用、验证参考、基准和技能卡；但缺少Instructions和Examples推荐章节，作者格式不符合检查器要求，缺少明确变更日志和技能级维护更新路径，因此扣分。
提供可直接复制的安装、启动、健康检查和故障排查命令，且评估材料显示单个外部任务通过；但静态材料未证明实际可运行，版本、平台覆盖和部分验证命令仍需用户审阅，因此未给满分。
包含提交的评估用例、基准报告和较具体的验证脚本，关键主张可审计；但覆盖量很小、只有一个外部基准任务，未见覆盖关键路径的真实CI测试证据，静态审查也无法独立复现，因此扣分。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →