Remote GPU Trainer：深度学习实验全流程 Agent Skill
覆盖 RUN → VERIFY → DELIVER 三阶段：把训练作业安全跑完、验证数字真实、交付可复现的图表，专治租用 GPU 的计费陷阱与不可逆销毁。
证据显示安全设计成熟：销毁/关机前有 Iron Law 证据门（PULL_MANIFEST、SHA-256、逐字节校验、用户显式确认）、禁止静默删除与改路由/DNS、密钥经 stdin、严格 host-key 校验、Paramiko 回退需记录证据且失败即关闭。扣分：整体权限面广（SSH、计费动词、清理脚本），Paramiko 单套接字回退路径复杂，静态审阅无法验证其安全实现细节。
指令自洽性高：渐进式披露结构清晰、平台verb模型一致、CI 中有结构性可达性 evals 与 reconcile 单元测试。扣分：静态审查无法复现关键路径；六份以上 profile 与数十个 reference/script 的实际一致性未经执行验证；README 自述六个平台 profile 未经实测，失败反馈质量只能部分推断。
受众与场景明确（自有/租用GPU、AutoDL、SSH、调试、验证、交付），非适用范围（SkyPilot/dstack/Modal 场景）明确声明，触发词含中文且覆盖国内平台与镜像，对中国用户环境适配良好。扣分：触发条件宽泛（几乎所有训练任务都可能命中），语义触发精度缺乏实际调用证据。
分层文档结构优秀：hub + references + profiles + scripts + examples + evals；MIT 许可证明确、版本 v1.0.0、 SECURITY.md、维护路径（self-improvement、staleness 检查、verified 时间戳）齐备。扣分：无独立 CHANGELOG，部分 DELIVER 层被标记为 legacy 非规范，存在跨技能依赖的历史包袱与隐藏假设。
方法论价值高：RUN→VERIFY→DELIVER 全链路、可运行示例、单一真源交付架构，边际价值明显（覆盖平台文档不含的运维与验证知识）。扣分：静态上限 7；实际输出（图表/导出胶囊）的直接可用性未经执行验证，代表产物未核实。
仓库含真实 CI workflow（evals.yml：结构可达性 evals + reconcile 单元测试 + staleness 检查）、evals/RESULTS.md 声称的导航记录、逐条引用并盖 verified 时间戳的计费事实。扣分：静态上限附近；测试覆盖的是结构性漂移与单个脚本，不覆盖技能关键路径（训练、拉取、销毁门）的端到端复现，作者自述六个平台 profile 未实测。
- 静态审阅未执行任何代码：teardown/计费等涉及金钱的事实使用前请按 skill 自身要求对照平台当前文档复核（6个平台 profile 作者自述未实测）。
- 销毁/关机不可逆：即使遵循 Iron Law，也务必亲自核对本地 PULL_VERIFIED. 再确认计费动作。
- 该技能会深度操作远程主机与计费动作，建议先在小额/短租实例上试用；publisher 身份未经验证。
- 跨技能引用（research-artifact-hygiene、mirror-research-artifacts 等）为可选依赖，缺失时部分 DELIVER 指引标记为 legacy。
这个 Skill 能做什么，适合哪些场景？
这是一个面向深度学习实验全生命周期的 Agent Skill，核心在于远程租用 GPU（AutoDL、RunPod、vast.ai、Lambda、Paperspace 及国内平台）上的运维知识。它把'在别人的机器上做短期租客'的关键判断——断连存续、结果先于实例存活、安全停表——写成了可执行的检查点。RUN 之外还延伸到 VERIFY（判断一个数是 bug、真效应还是噪声）和 DELIVER（让每个数字成为不可变证据层的确定性函数）。六份平台 profile 各自锁定具体路径、计费动词与 spot 规则，核心逻辑则跨平台不变。对于在租用卡上跑长任务、或常被'关机仍计费''checkpoint 没写进去'这类问题坑过的用户，这个 skill 提供的是一份按操作顺序编排的护栏。
SKILL.md 是常驻路由层：先按'自有 vs 租用'分流到 run-local 或 run-remote，再进入六阶段远程生命周期（环境/磁盘审计、SSH 凭据、租卡前 CPU 冒烟、detached 启动、四层持久监控、关闭导出）。平台 profile（8 个）绑定具体命令、计费动词（如 AutoDL 关机停表留盘、RunPod terminate、vast.ai destroy）与网络/镜像设置。references/training/ 提供 8 个按症状路由的调试文件（OOM、多卡挂起、NaN、吞吐、断点续训、收敛、数据管线）。references/verifying/ 提供 14 探针方法论判断结果真伪。scripts/ 含可运行模板：监控（mem_monitor、gpu_health、reap_vram_zombies）、传输与聚合（aggregate_to_fs、build_pull_manifest、verify_local）、对账与取证（reconcile.py、wandb_forensics.py、check_staleness.py）。拆卸前执行'铁律'：必须用 SHA-256 清单逐字节核对拉回结果并写入 PULL_VERIFIED.，且用户显式批准后才允许任何不可逆的销毁动作。
- 在 AutoDL 上跑数天的训练任务，担心 SSH 断连或实例回收丢结果，需要断点续训加拆卸前核验的用户
- 首次使用 RunPod / vast.ai 等平台，不确定 stop 还是 terminate 才能停止计费、避免磁盘继续扣费的用户
- 训练出现 OOM、DDP 挂起、loss 变 NaN 或'跑了但不收敛'，需要按症状定位根因的研究者
- 得到一个'显著提升'的结果，想系统排查泄漏、不公平对比或方差后再写进论文的作者
- 需要跑消融扫描并在多平台之间复用同一套操作模型（up/push/run/watch/pull/down）的用户
- Windows + Clash/Mihomo 环境下 SSH 高端口 banner 超时、fake-IP 或 TUN 干扰远程连接的用户
这个 Skill 有哪些优点和局限？
- 罕见的深度：覆盖从租卡前的 CPU 冒烟到拆卸后的本地校验的完整链路，每个阶段都有可运行的门禁
- 平台计费陷阱写得具体（如 AutoDL 关机停表留盘、RunPod stop 仍按 2 倍计费），并标注 verified 日期与出处
- VERIFY 层提供 14 探针方法论，明确'审计→披露'而非硬性拦截，尊重科研判断
- 拆卸铁律用 SHA-256 逐字节核对，从机制上防止'日志说完成了就相信'
- 自带 evals 回归护栏与 worked example，且完全可独立安装，不依赖任何配套 skill
- 六个非 AutoDL 平台 profile 来自官方文档与社区报告研究，作者未逐一实测，计费/拆卸事实仍需按当前文档复核
- VERIFY 与 DELIVER 的方法论来自作者个人科研实践，无第三方基准佐证
- 部分持久监控配方假设宿主有后台任务运行器与调度器，其他 agent 需按 §7 映射
- 引用的配套 skill（nature-figure、experiment-verifier 等）需另行安装
如何安装这个 Skill？
克隆整个文件夹到 agent 的 skills 目录并重启 agent：
Claude Code:
git clone https://github.com/Hanyuyuan6/remote-gpu-trainer.git ~/.claude/skills/remote-gpu-trainer
OpenAI Codex:
git clone https://github.com/Hanyuyuan6/remote-gpu-trainer.git ~/.agents/skills/remote-gpu-trainer
其他兼容 agent（Cursor、Trae、Gemini CLI、Goose 等）放入各自的 skills 目录即可，目录名须保持 remote-gpu-trainer。可选校验：uvx --from skills-ref agentskills validate <路径>。README 未说明除克隆外的其他安装方式。
如何使用这个 Skill？
安装后自动触发，无需按名称调用。典型触发场景：'在 AutoDL 上启动并监控一个训练任务'、'这个 loss 一直是 NaN，帮我排查'、'结果拉回来之后帮我确认数字是不是真的，然后再销毁实例'。Skill 会先让你选平台 profile，然后按六阶段推进；每个阶段的产物（CPU 冒烟结果、checkpoint、拉回清单、verify 报告）都有可运行的检查。注意拆卸/计费动作永远需要你显式确认，skill 只审计与披露，不会替你按下销毁按钮。
这个 Skill 与同类方案有什么区别？
与 SkyPilot、dstack、Modal 等基础设施编排器互补而非竞争：它们负责跨云搬箱与价格寻优，本 skill 在你已有的裸租实例上工作，尤其是它们不覆盖的 AutoDL 与国内平台，并延伸到'数字是否真实'与'交付是否可复现'这两个编排器完全不进入的阶段。作者建议的用法是：让 SkyPilot/dstack 移动机器，用本 skill 保证断点续训与正确回收。