这个 Skill 能做什么，适合哪些场景？
这是 NVIDIA/skills 单仓库中的一个 Agent Skill，专门用于启动和排查 catheter_navigation 工作流。它检查 Linux 主机、NVIDIA GPU、CUDA 兼容性和 PYTHONPATH，确认 ./i4h CLI 已注册该工作流，并运行 CPU 冒烟测试。GPU 用户还可以生成合成 DRR 图像进行快速验证。该 Skill 声明使用 Apache-2.0；所在目录属于包含 324 个 Skill 的 NVIDIA 技能集合。
解析或克隆 i4h-workflows 仓库，定位 workflows/catheter_navigation，设置 simulation 目录到 PYTHONPATH，并创建带日志的运行目录。它执行 command -v、nvidia-smi、df -h 等预检，调用 ./i4h modes catheter_navigation 验证 CLI 注册，运行 7 项 CPU 单元测试，并可调用 render_drr 生成 DRR 图像。最后检查 smoke.log、确认测试结果包含 OK，并验证 fluorosim 可导入。
- 需要首次启动 catheter_navigation 工作流的开发者，用它检查仓库路径、CLI 注册和 Python 导入配置。
- 遇到 fluorosim 导入错误的用户，用它重新设置 PYTHONPATH 并确认 simulation 目录存在。
- 遇到 slangpy、CUDA 或 GPU 错误的用户，用它检查主机要求并选择本地 GPU 测试或 Docker。
- 没有可用 GPU、但需要进行 CI 风格验证的维护者，用它运行 CPU 冒烟测试。
如何安装这个 Skill？
- 执行前应确认是否允许从未固定提交的 GitHub 仓库 clone，并审查目标路径、网络访问和写入 $HOME 的影响。
- 该 skill 只验证环境，不会完整安装依赖；GPU/依赖失败时仍需依据受支持版本和 Docker 文档进一步处理。
- 默认依赖 GitHub 可达性，未证明中国大陆网络环境下可稳定获取仓库。
- 不要将 CPU smoke test 通过误解为 GPU render_drr 或 interactive_viewport 已可用。
- Shell / 命令行
- 网络访问
- 本地文件系统
Linux x86_64Ubuntu 22.04 or 24.04 testedGitPython 3numpyNVIDIA GPU with compute capability >= 7.0CUDA 12.8-compatible driverslangpyWarptorch CUDADocker optional
在支持 Agent Skills 的客户端中运行：npx skills add nvidia/skills --skill i4h-catheter-navigation-setup --yes。README 未提供该 Skill 的独立安装脚本；使用它还需要一个包含 workflows/catheter_navigation/ 的 i4h-workflows 检出目录，或允许命令将仓库克隆到 ~/i4h-workflows。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/NVIDIA/skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/i4h-catheter-navigation-setup" ~/.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：
- 设置 catheter_navigation
- 排查 catheter_navigation 的 fluorosim、GPU 或 slangpy 错误
可向 Agent 提示：“设置 catheter_navigation”或“排查 catheter_navigation 的 fluorosim、GPU 或 slangpy 错误”。Skill 会从 I4H_WORKFLOWS 或当前 Git 根目录解析工作流；若未找到，则使用 ~/i4h-workflows 并克隆 https://github.com/isaac-for-healthcare/i4h-workflows。随后按顺序执行 CLI 注册检查和 CPU 冒烟测试；有 GPU 且已安装 slangpy 时，再运行 render_drr。
这个 Skill 有哪些优点和局限？
- 提供明确的主机、GPU、CUDA 和内存/磁盘要求。
- 包含可复制的 CLI 注册检查、CPU 冒烟测试和可选 DRR 验证命令。
- CPU 测试不需要 GPU，适合 CI 风格验证。
- 针对 PYTHONPATH、仓库根目录和 slangpy/GPU 失败提供排错路径。
- 没有专用 setup.sh；它主要负责验证和记录要求。
- 完整 GPU 模式需要 NVIDIA GPU、CUDA、slangpy、Warp 和 torch CUDA。
- 仅明确测试 Ubuntu 22.04/24.04 的 Linux x86_64 环境。
- 未提供独立的性能基准或更广泛平台测试证据。
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 |
|---|---|---|---|---|
| 导管导航设置验证 本页 ✓ NVIDIA · 官方 | 51 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| 导管导航端到端烟雾测试 ✓ NVIDIA · 官方 | 45 · 不推荐 | ★ 3.8k | 今天 | Apache-2.0 |
| 导管导航氟透视冒烟测试 ✓ NVIDIA · 官方 | 50 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| 导管导航透视视口 ✓ NVIDIA · 官方 | 50 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| i4h 导管导航工作流概览 ✓ NVIDIA · 官方 | 52 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
FollowSkills 如何评估这个 Skill？
文档明确列出权限需求、GPU/主机范围、无凭据要求，并避免明显破坏性命令；但默认可在未确认时 clone 外部仓库、写入 $HOME、创建符号链接并运行环境命令，仓库未固定提交、无回滚说明，也未充分披露网络与文件数据流，因此扣分。
步骤顺序、路径变量、预期的 7 个 CPU 测试结果和故障排查较清晰；但依赖外部仓库当前内容、Docker/依赖版本未锁定，部分命令失败反馈有限，且静态审查不能确认可运行性，因此不超过 10 分。
触发条件、Linux/NVIDIA GPU 场景、CPU 与 GPU 模式边界以及不适用于数字孪生的路由证据较明确；但环境要求严格，中文支持未说明，默认依赖 GitHub 克隆，对中国大陆网络可达性缺乏保障，因此扣分。
具备 frontmatter、版本、Apache-2.0 许可证、所有者、先决条件、限制、故障排查和最终输出约定；但版本字段位置被 benchmark 指出可能被忽略，缺少 Instructions/Examples、变更日志和明确维护/更新路径，因此扣分。
能够指导主机预检、CLI 注册验证、CPU smoke test、可选 GPU 检查并产生日志，核心 setup 任务可直接使用；但不负责实际安装，GPU 依赖修复仅给出概括性建议，且提交的评估结果显示有效性有限，因此扣分。
文档包含具体命令、预期输出、日志路径和提交的评估材料；但没有可独立核验的 CI、测试执行记录或外部复现证据，benchmark 主要是声明性报告，因此仅给有限分。
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 →