Jetson 软件包与环境助手
为 Jetson 选择匹配架构的容器与 GPU 软件包。
技能明确声明只读、不安装或拉取，并要求基于检测结果而非猜测推荐；未见凭据处理、数据外传或破坏性默认行为。扣分原因是依赖外部容器和包索引，未说明签名、哈希校验、用户确认或回滚方案。
脚本使用严格 Bash 模式，未知 Jetson 世代会明确报错并拒绝猜测；文档、脚本和引用文件基本一致。静态审查未执行脚本，且检测脚本依赖未随所给材料提供，因此扣分；按静态上限不超过10分。
用途、触发语句、Orin/Thor 分支、未知设备限制及交接技能描述清楚。扣分原因是仅面向 Jetson、依赖联网目录和设备侧检测，未提供中文使用支持，也未充分说明中国大陆网络可达性风险。
具备 frontmatter、分层说明、前置条件、脚本参数、引用文档、限制、版本、许可证和技能卡。扣分原因是缺少 Examples，作者格式被静态检查指出不规范，没有明确 changelog、维护更新流程，且动态标签存在隐含运维假设。
技能能把设备检测、SM 目标、JetPack/CUDA 索引和容器选择连接起来，并明确避免普通 ARM wheel；附带评测报告显示核心指标有正向结果。扣分原因是评测数据集不可用、样本有限，且静态审查无法确认推荐命令和实际产物可直接运行。
提供了固定修订上下文、脚本、评测摘要和评测断言，部分关键主张可追溯。扣分原因是没有可复核的评测数据、执行日志或覆盖该技能关键路径的本地测试；静态条件下不超过5分。
- 执行前应在实际 Jetson 设备上运行检测脚本，并核对 JetPack、L4T、CUDA 和当前目录标签；不要把占位符标签直接复制执行。
- GHCR、NGC 和 Jetson AI Lab 索引依赖联网，需确认中国大陆网络可达性及企业网络策略。
- 安装前应额外核验镜像和 wheel 的来源、摘要或签名，并由用户确认外部下载行为。
这个 Skill 能做什么，适合哪些场景？
该技能帮助代理为 NVIDIA Jetson Orin 和 Thor 选择兼容的容器、vLLM 运行时镜像及 Python 软件包索引。它根据设备代际、JetPack、CUDA 用户态和 GPU SM 目标，避免推荐仅支持通用 ARM64 的不兼容构件。技能优先使用 NVIDIA 维护的 GHCR、NGC 和 Jetson AI Lab 资源。它只提供目录查询与兼容性提示，不执行安装或拉取操作。
运行 scripts/artifact_hints.sh，读取检测到的 SKU、代际、产品线、变体、L4T、CUDA SM 提示和规范 URL；指导代理检查 NVIDIA-AI-IOT GHCR 包、NGC CUDA/PyTorch 容器目录及 Jetson AI Lab PyPI 树；根据 Orin 的 sm_87 或 Thor 的 sm_110 选择构件；为 GPU 软件包提供匹配 JetPack/CUDA 的额外索引示例；在设备信息未知时要求不要猜测标签。
- Jetson 用户在运行 Docker 前，需要选择与 Orin 或 Thor 及其 JetPack 版本匹配的容器。
- 开发者安装 PyTorch、vLLM 或 onnxruntime-gpu 时，担心通用 ARM64 wheel 缺少 Jetson GPU 内核。
- 用户找不到 NGC 上的 l4t-cuda 镜像，需要迁移到当前的多架构 CUDA 镜像。
- 用户遇到错误 CUDA、SM 或过时容器标签问题，需要先检测设备环境。
这个 Skill 有哪些优点和局限？
- 明确区分 Orin sm_87 与 Thor sm_110。
- 优先引用 NVIDIA GHCR、NGC 和 Jetson AI Lab 等规范来源。
- 强调先读取设备事实，减少错误 CUDA、JetPack 或容器标签建议。
- 明确说明只读范围，不会安装软件或拉取镜像。
- 不会验证具体模型检查点是否能装入设备内存。
- NGC 和 GHCR 标签会变化，需要联网查询当前目录。
- 必须在 Jetson 目标设备上运行检测脚本；未知代际或 SM 时无法给出具体标签。
- 提供的是目录和兼容性提示，不是完整的软件安装或运行故障排查流程。
如何安装这个 Skill？
使用仓库 README 提供的 skills CLI 安装单个技能：npx skills add nvidia/skills --skill jetson-package --yes。README 未说明该单个技能的其他专用安装方式。
如何使用这个 Skill？
在 Jetson 目标设备上从仓库根目录运行 bash scripts/artifact_hints.sh，并读取其 JSON 输出；再按检测到的 JetPack/CUDA 线路检查 Jetson AI Lab PyPI 索引、GHCR 或 NGC 当前标签。例如，onnxruntime-gpu 可使用：pip install --extra-index-url https://pypi.jetson-ai-lab.io/jp6/cu126/+simple/ onnxruntime-gpu。将 jp6/cu126 调整为实际匹配的线路，不要把占位标签当作字面命令。
这个 Skill 与同类方案有什么区别？
相较于直接使用默认 PyPI 的 GPU wheel 或 Docker Hub 上的随机 arm64 镜像，该技能要求优先检查 Jetson AI Lab、NVIDIA GHCR 和 NGC，并验证 JetPack、CUDA 与 SM 目标。对于旧式 l4t-cuda 查找失败的情况，它指向多架构 nvcr.io/nvidia/cuda。