这个 Skill 能做什么，适合哪些场景？
这是一个面向 Brev 实例的 NeMo-RL 运维指导技能，假定代码位于 `/home/ubuntu/RL`，实验生成数据位于 `/ephemeral`。它覆盖自动研究活动、训练任务、模型与数据集下载、缓存、Ray 临时文件、检查点、日志以及 W&B 和 Hugging Face 认证流程。技能要求在长任务前检查磁盘空间，并将大型产物和共享缓存移出 Git 工作区。它适合需要在 Brev 上运行 NeMo-RL 长任务且希望保持代码仓库小巧、实验可复现的用户。
读取可选的 /home/ubuntu/RL/.env，但不输出其中的密钥；使用 df -h 检查 /home/ubuntu/RL 和 /ephemeral 的容量；创建按用户、活动和实验划分的 /ephemeral 目录；设置 Hugging Face、PyTorch、Triton、uv、pip、W&B、Ray 和临时目录；将日志、检查点、评估结果及其他生成文件写入实验目录；把绝对路径记录到 nemo-rl-auto-research TSV；长任务期间复查磁盘，并仅清理当前活动的目录。
- NeMo-RL 研究人员在 Brev 上启动 nemo-rl-auto-research 活动，需要预先规划实验目录、缓存和日志路径。
- 训练工程师运行会生成检查点、Ray 临时文件或大量日志的长时间任务，需要避免填满工作区磁盘。
- 需要从 Hugging Face 下载模型或数据集的用户，希望复用 `/ephemeral` 共享缓存。
- 使用 W&B 或 Hugging Face 认证工作流的用户，需要从 `.env` 加载密钥而不泄露密钥内容。
如何安装这个 Skill？
- 执行前应确认当前确实是Brev实例，并将所有占位符替换为经过检查的实际路径。
- 在启用HF_TOKEN、WANDB_API_KEY或其他认证前，应确认数据是否会发送到外部服务及其网络可达性。
- 技能未定义磁盘不足、任务中断或缓存清理失败时的完整恢复步骤；清理操作必须逐项确认目标。
- 评测结果缺少原始日志和独立复现材料，不应视为已完成运行验证。
- Shell / 命令行
- 网络访问
- 本地文件系统
nemo-rl-auto-researchRayWeights & BiasesHugging Face
使用默认 skills CLI 安装：npx skills add nvidia/skills --skill nemo-rl-brev-etiquette --yes。README 未说明该单个技能的其他安装方式。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/NVIDIA/skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/nemo-rl-brev-etiquette" ~/.claude/skills/
rm -rf "$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？
在 Brev 实例中，在启动 NeMo-RL 活动、实验、训练任务或大型下载前触发该技能，例如：在 Brev 上启动一个 nemo-rl-auto-research 活动，并按 NeMo-RL Brev 规范配置存储、缓存、日志和认证。 技能提供了检查磁盘、创建 /ephemeral 目录、加载 .env、设置环境变量及记录路径的 shell 模式；具体实验命令和配方路径未在该 SKILL.md 中规定。
这个 Skill 有哪些优点和局限？
- 明确区分 `/home/ubuntu/RL` 代码区与 `/ephemeral` 实验存储。
- 覆盖模型、数据集、PyTorch、Triton、uv、pip、W&B 和 Ray 等缓存位置。
- 包含磁盘检查、认证保护、日志记录和清理边界。
- 强调将绝对产物路径写入实验记录，便于复现。
- 依赖 Brev 的固定目录约定，迁移到其他环境需要调整路径。
- 未提供测试套件、自动化脚本或针对不同实例规格的容量阈值。
- 技能本身不定义具体的 NeMo-RL 训练配方或实验命令。
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 |
|---|---|---|---|---|
| NeMo-RL Brev 运行规范 本页 ✓ NVIDIA · 官方 | 50 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| Jetson LLM 服务部署技能 ✓ NVIDIA · 官方 | 54 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| NeMo-RL Kubernetes 启动助手 ✓ NVIDIA · 官方 | 54 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| TAO Brev GPU 运行技能 ✓ NVIDIA · 官方 | 51 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| 创作者档案注册表 | 61 · 推荐 | ★ 3k | 今天 | Apache-2.0 |
FollowSkills 如何评估这个 Skill？
技能明确要求将大型产物移至/ephemeral、避免打印或提交.env密钥、限制清理范围，并说明缓存和日志路径，体现了一定的最小权限与数据流透明度。扣8分：运行昂贵任务前没有明确的用户确认机制，没有完整回滚方案，也未充分说明W&B/Hugging Face外部传输和认证副作用。
路径规划、容量检查、缺失.env提示、缓存变量和日志位置写得较具体，且BENCHMARK报告了静态检查和评测结果。扣12分：依赖、平台前置条件、异常恢复和停止流程不完整，命令包含未替换的占位符，且静态材料无法复现关键路径；按静态上限不超过10分。
触发场景集中于Brev上的NeMo-RL训练、自动研究、缓存和日志管理，正负评测任务也支持基本的触发边界。扣8分：硬编码/home/ubuntu/RL和/ephemeral，未声明非Brev环境的替代方案，缺少中文使用说明，也未评估中国大陆网络对Hugging Face、W&B等服务的可达性。
SKILL.md有前置元数据、许可证和较清晰的章节；skill-card补充了所有者、用途、风险、版本1.5.4和评测信息。扣7分：缺少作者与标签、Instructions和Examples等推荐结构，缺少变更日志、明确维护责任和更新路径，安装及故障排查说明也不足。
对Brev磁盘布局、共享缓存、日志和认证环境变量给出了可直接改写使用的指导，评测报告显示核心任务有一定收益。扣9分：示例使用占位符，未提供代表性完整输出或可验证执行记录，且对不同Brev配置的适配有限；静态评估下不超过7分。
包含固定日期、评测任务、指标、结果以及正负触发案例，提供了有限的审计线索。扣6分：没有原始运行日志、CI测试或独立复现材料，BENCHMARK主要是报告性证据，无法达到多类型交叉验证；静态评估下不超过5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 →