shield_lock
金大哥
← 返回 Skill 列表
extension
分类: 开发与工程API Key 暂未确认

RunNPU CLI

通过 runnpu CLI 操作 RunNPU 昇腾算力平台：项目、配额、工作负载（开发/训练环境、训练任务、推理服务）、日志与指标。需要已部署的 RunNPU 控制台；CLI 与本 Skill 同版本发布（v0.1.2）。

person作者: EMGeekLabhubOpenAPI
open_in_new仓库download下载资源包

RunNPU CLI Skill

RunNPU 是面向昇腾 NPU 的算力管理平台。本 Skill 通过 runnpu 命令行完成一切操作——不要自己拼 HTTP 请求， CLI 已经封装了认证、错误格式和输出格式；未封装的端点用 runnpu api <METHOD> <路径>。

深入主题按需读同目录文件：references/workload-types.md（四类负载全参数）、 references/templates-assets.md（模板与资产的全部命令 + --from-template 的合并规则）、 references/data-sources.md(挂载与数据卷)、references/troubleshooting.md（排查树 + 已知集群行为）、 references/training-runs.md（用户丢来训练工程说「帮我跑起来」时必读：工程搬运、密钥注入、 后台运行、loss 监控与收敛判断、CUDA→NPU 迁移炸点）、 references/admin.md（项目 / 配额 / 用户管理）。examples/ 里是可直接照抄的完整场景。

前置：确认 CLI 可用与已登录

runnpu status            # 平台版本、是否初始化、集群连通
runnpu me                # 当前身份与有效权限（决定能做什么）

  • runnpu 不存在（command not found）时先装，Linux / macOS 一行： curl -fsSL https://github.com/EM-GeekLab/run-npu-skill/releases/latest/download/install.sh | sh -s -- --no-skill （Windows：irm https://github.com/EM-GeekLab/run-npu-skill/releases/latest/download/install.ps1 | iex）。 离线环境到不了 GitHub，问用户要控制台提供的安装包。CLI 与本 Skill 同版本发布， runnpu --version 应与本文件末尾的版本注释一致，不一致时去掉 --no-skill 重装一次把两者对齐。

  • 未登录时报 unauthenticated。二选一：交互式 runnpu login --server <URL> -u <email>； 非交互设 RUNNPU_SERVER + RUNNPU_TOKEN（管理员在「个人设置 → 访问密钥」签发）。

  • 绝不要把密码或 token 写进命令行参数回显给用户，也不要写入任何文件。

输出约定（对解析很重要）

  • 非终端（被程序调用）下所有命令输出 JSON；给人看表格加 -o table。
  • 错误走 stderr：{"error":"<code>","status":<http>,"message":"…","details":[…]}，退出码 1；参数错误 2。 常见 code：unauthenticated / forbidden / not_found / validation_failed（看 details 字段级原因）/ cluster_error。
  • 列表响应 {"items":[…]}，分页 next_cursor / total；默认只取一页（--limit N，默认 50）， 回答"有多少 / 全部"先加 --all（自动翻页），否则按 total 说明只看了一页。
  • 时间 RFC3339；容量单位在字段名里（_gib / _bytes / _millis）。

核心概念（回答问题前先对好口径）

  • 项目是唯一组织层（没有部门）。配额、成员、策略都挂项目上。
  • 负载类型（四类都可用）：workspace（开发环境，可抢占）/ training-env（训练环境，不可抢占）/ training-job（训练任务，跑完即止，可多机）/ inference（推理服务，Deployment + 端口）。 开发/训练环境的区分轴是可抢占性，不是单机多机。
  • 配额单位是卡（张数）：guaranteed 保底张数、limit 额外可借张数。集群内部记账用核当量 （100 核 = 1 卡），分卡负载按份额扣（25 核 = 0.25 卡）；cards_equivalent_used 是实际占用卡当量。
  • 分卡（vNPU）：--xpu 1 --xpu-core C --xpu-memory-mib M = 单张卡切 C%（1..100）算力 + M MiB 显存。只支持单卡切分：--xpu 必须为 1（多卡请按整卡申请）。 两个字段必须成对；整卡就都不给。创建后不可改规格。
  • 负载状态：submitting → pending/queued → admitted → running；终态 completed / stopped / failed / rejected； cleanup_blocked / 长期 Terminating 见 troubleshooting（已知上游问题，不要反复删）。
  • 指标为 null 或 metrics.available=false = 数据源未接入（不是 0），转述时说"未接入"，原因在 metrics.reason。

创建负载前：先查模板与资产

用户要创建负载时，第一步是查模板，不是从零拼参数——模板是平台/管理员存好的整张创建表单， 往往带着踩过坑才知道的预设（如昇腾官方镜像必需的 LD_LIBRARY_PATH 覆写、就绪探针延迟）：

runnpu template list --type training-env      # ★ 开头的是系统预置；-q 按名称/描述/镜像搜
runnpu template get <名称>                     # 看 payload 里都预设了什么
runnpu asset list --kind environment          # 资产：environment / compute / data-source / credential

有匹配的模板就用 --from-template，不要自己读 payload 再手拼参数：

runnpu workload create --project main --name nb6 --from-template <名称> --xpu 2 --wait
  • 合并规则由 CLI 保证：模板 payload 作基底，只有你在命令行上显式写了的字段才覆盖它 （--xpu 0、--jupyter=false 这种「显式的零值」也算数）；--mount 与模板预设的数据源取并集， 挂载点冲突会直接报错。模板里的 env / 探针等预设不会丢——那正是模板存在的理由。
  • 模板类型不可覆盖：--type 与模板类型不一致会报错，换模板而不是改类型。
  • 模板标记的 pending_fields（待填字段）要问用户，别编；提交后服务端 422 会把缺的字段指出来。
  • 如果 CLI 报「模板里有本版本不认识的字段」，说明服务端比 CLI 新——升级 CLI， 或退回 runnpu api POST /workloads -d '<payload + project_id + name>'。
  • 资产是单个配置段的值拷贝：environment（镜像+env）/ compute（池+卡数）按段并入； credential / data-source 资产在挂载里按名引用（如 --mount s3:...,credential=<资产名>）。
  • 列表为空或确实不匹配再手拼参数；用户自带全量参数时以用户为准，但提一句「有现成模板 X」。

常用流程

用户给了一个训练工程（文件夹/仓库）要「跑起来」 → 先读 references/training-runs.md 再动手（搬运方式、密钥注入、后台运行、loss 监控的判断经验都在那）。

看现状

runnpu overview                      # KPI、项目资源分布、存储池、排队/闲置负载
runnpu node list / runnpu node get 910b2       # 物理卡健康与占用，逐卡到负载
runnpu cluster get                   # 组件健康（Operator/Kueue/HAMi/Prometheus…）、算力池、存储池
runnpu workload list [--project X] [--type training-job] [--status running] [--all]
runnpu workload list --deleted       # 删除历史（谁删的、何时）

创建开发环境并拿到入口

runnpu workload create --project main --name nb5 --type workspace \
  --image m.daocloud.io/quay.io/ascend/vllm-ascend:v0.22.1rc1 \
  --xpu 1 --security baseline --jupyter --workspace-pool shared-cephfs --workspace-gib 50 --wait
runnpu workload get main/nb5         # tools[].url 是 Jupyter 地址（平台登录态直达，无需 token）
  • --wait 阻塞到 running / failed / rejected（最多 10 分钟；大镜像首次拉取可能超过它，超时后用 runnpu workload get 继续看，不代表失败）。
  • 受管工作盘（--workspace-*）非 root 也可写（平台以 GID 20000 + ACL 初始化卷根）。
  • SSH：加 --ssh（注入用户已登记公钥）即可，与安全级无关——restricted / baseline 都支持 （run-npu#595 起放行；旧版 operator 才会以 SshRootInitUnavailable 拒绝 restricted+SSH）。 SSH 登录后的身份 = 容器主进程的身份（restricted 下就是你 --run-as-uid 指定的非 root 用户）。 连接命令用 runnpu workload endpoints 拿： 登录用户名是 <负载名>.<命名空间>（SSHPiper 路由标识，API ssh.username），不是平台用户名。
  • restricted 下 root 镜像要 --run-as-uid（安全级本身的要求，与 SSH 无关）。
  • runnpu workload exec main/nb5 连入终端（交互式；管道喂 stdin 必须以 exit 结尾）。

训练任务（跑完即止）

runnpu workload create --project main --name job1 --type training-job --image img:tag --xpu 2 \
  --command bash --command -c --arg "python train.py" \
  --backoff-limit 2 --active-deadline-seconds 7200 --ttl-after-finished 86400 --wait
# 多机：--nodes N（N ≥ 2，没有中间值）；多机没有 --completions/--parallelism（规模由节点数决定）
runnpu workload get main/job1        # status=completed 后 batch 进度在 progress 里（succeeded/failed/retries）

推理服务（部署完记得给用户访问地址，见下一节）

runnpu workload create --project main --name svc1 --type inference \
  --image m.daocloud.io/quay.io/ascend/vllm-ascend:v0.22.1rc1 --xpu 1 --security baseline \
  --command bash --command -c \
  --arg "python -m vllm.entrypoints.openai.api_server --model /models/qwen --served-model-name qwen --port 8000" \
  --mount pvc:/models,name=model-weights,ro \
  --port http:8000,expose=nodePort --replicas 1 --wait
runnpu workload get main/svc1        # 工具行显示 nodePort=3xxxx；访问 http://<任一节点IP>:<nodePort>

三个必须想清楚的点：

  1. 不给 --port 的推理服务不对外，等于白建。expose=clusterIP 只在集群内可达；对外用 nodePort。
  2. 模型权重从哪来是真正的卡点：镜像里没有权重。挂 PVC / NFS / 数据卷进来，或问用户有没有内网镜像源—— 私有化环境别默认能连 HuggingFace。用户说"部署一个 X 模型"时先问权重来源，这比拼命令重要。
  3. ready=false (EndpointUnavailable) 不代表不可达（已知上游观测缺陷 run-npu#553）：node_port 已分配、 Pod Running 时端口通常已可用，用 curl http://<节点IP>:<nodePort>/ 实测判断，别等 ready 翻真。

部署完了怎么访问（用户问得最多的下一个问题）

runnpu workload endpoints main/svc1     # 一条命令给出所有入口 + 现在能不能用

几条路径，按可用性排：

  1. 泛域名入口（--jupyter / --code-server / --port …,expose=externalUrl）：url 非空即可点， 平台登录态直达，不用再输 token；

    • 没有泛域名的现场（离线机房，控制台本身就是 http://<IP>:30000）：--jupyter / --code-server 会被平台 自动建成 expose=httpPort，url 形如 http://<IP>:3xxxx/。走哪条由平台决定，创建命令不用变。 ⚠️ 这个地址靠浏览器里的平台登录 Cookie 放行：只能让用户在已登录控制台的同一个浏览器里、 用与控制台相同的主机地址打开。你（Agent）自己 curl 它只会拿到「请先登录」页——不代表服务没起来； 要程序化访问（检查 Jupyter API 等）用下面的端口转发；

  2. NodePort（--port name:端口,expose=nodePort）：endpoints 会给出 http://<节点地址>:<端口> 直接访问。 ⚠️ workload get 里这条的 ready 会长期是 false——Operator 只认节点 ExternalIP，私有化集群没有 （上游 run-npu#553）。端口是真的通的，别因为 ready=false 就告诉用户"没起来"，以 endpoints 的判断为准；

  3. 端口转发（前两条都没有时的兜底，不依赖任何集群地址）：

    runnpu workload port-forward main/svc1 8000:8000   # 然后访问 http://127.0.0.1:8000
runnpu workload port-forward main/nb5 2222:2222    # 转发 SSH 端口，本地再 ssh 进去

    它走控制面板的 WebSocket 隧道，只要 CLI 能连上平台就能用；Ctrl-C 结束。

workload create --wait 成功后会自动打印可用地址，不用再问一遍。

挂载数据（速查；细节与易错点见 references/data-sources.md）

--mount pvc:/models,name=weights,ro          # ⚠️ PVC 必须带 npu.run/project-id=<项目slug> 标签，否则报"不存在"
--mount datavolume:/data,name=<集群卷名>,ro   # 跨项目必须 ro；集群卷名用 runnpu datavolume list 查
--mount newvolume:/out,pool=shared-cephfs,size=20Gi[,persistency=project]
--mount nfs:/data,server=10.0.0.1,path=/export/ds
--mount emptydir:/scratch,size=1Gi

数据源整段创建后不可修改。用户说"再挂一个盘"= 重建负载，不是找修改命令。

排查一个负载（完整决策树见 references/troubleshooting.md）

runnpu workload get main/nb5          # 状态、reason.text、Pods、工具入口
runnpu workload events main/nb5       # 调度/准入/运行时事件
runnpu workload logs main/nb5 --tail 200      # -f 跟随
runnpu workload yaml main/nb5         # 实际 CR 含 status

顺序：status+reason.text → events → logs。queued 看项目配额；admitted 不 running 看事件里的 镜像拉取/调度；容器 CrashLoop 且日志有 symbol lookup error → 镜像 LD 与平台注入不兼容， 见 troubleshooting 的「镜像兼容性」一节（有一行 env 的救援配方）。

停止 / 删除

runnpu workload stop|start main/nb5
runnpu workload delete main/nb5 --yes      # 破坏性：先向用户确认

删除后负载可能停留 Terminating 数分钟乃至更久（上游 run-npu#549：带工具 Service / 受管卷的负载 teardown 卡住）——不要反复删、不要 --force 循环，如实告知用户需等待或运维介入。

项目与配额（管理员；全量见 references/admin.md）

runnpu project create --slug asr --name 语音识别 --pool ascend910b4 --guaranteed 4 --limit 4 \
  --storage-pool shared-cephfs --storage-gib 200
runnpu project quota get asr
runnpu project quota set asr --pool ascend910b4=8,4 --storage-pool shared-cephfs=500   # 整份替换语义！先 get 再 set

单位是卡。⚠️ 建项目后配额落到集群有秒级延迟且可能失败（集群配额被占满时被拒）： 建完项目先 runnpu project quota get <slug> 确认 cluster 段有数据再建负载， 否则负载可能拿到终态 rejected / QuotaGrantNotFound（不会自愈，要删掉重建）。

行为准则

  1. 只读命令直接执行；创建/停止/删除/改配额/改成员/禁用用户先复述参数并取得用户确认， 删除、移除、吊销类必须用户明确同意后才加 --yes。一次性凭据（初始密码、token 明文）只转给用户，不复述到其它地方。
  2. 引用负载一律 <project-slug>/<name>；项目可用 slug 或 ID。
  3. 用户点名的东西（模型名/镜像 tag/池名）可能不存在：能核对的核对（池用 runnpu cluster get）， 核对不了的明说无法确认、要用户拍板，绝不静默替换。
  4. 不猜状态含义：以 status、reason.text、events 为准；metrics.available=false 按"未接入"转述。
  5. 结果给出用户能直接用的关键字段（名字、状态、入口 URL / nodePort、原因）；数字带单位与口径（卡 / 卡当量 / GiB）。
<!-- runnpu-skill v0.1.2：与 runnpu CLI 同版本发布，`runnpu --version` 应一致 -->