القائمة
远程 GPU 集群操作。当用户提到集群、远程执行、GPU、训练、同步代码时使用。触发词包括但不限于："连集群"、"同步代码"、"GPU 占用"、"集群上跑"、"remote bash"、"在服务器上"、"跑训练"、"看日志"、"tail log"、"mutagen"。即使用户没有明确提到集群，只要任务涉及远程执行或训练相关操作，也应该触发此 skill。
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
| name | remote-cluster-agent |
| description | 远程 GPU 集群操作。当用户提到集群、远程执行、GPU、训练、同步代码时使用。触发词包括但不限于："连集群"、"同步代码"、"GPU 占用"、"集群上跑"、"remote bash"、"在服务器上"、"跑训练"、"看日志"、"tail log"、"mutagen"。即使用户没有明确提到集群，只要任务涉及远程执行或训练相关操作，也应该触发此 skill。 |
通过单个 MCP server 提供 remote_bash 工具（带 node 参数路由），在远程 GPU 集群上执行命令。
使用持久 SSH 长连接 + 集群端 Agent 模式，命令延迟 ~0.1s（旧 sentinel 模式 ~1.5s，约 10x 加速）。
读取 reference/context.local.md。
用 AskUserQuestion 收集信息，生成 reference/context.local.md。目标：2 轮交互完成。
同时问以下 4 个问题：
节点数量
第一个节点的 SSH 命令和名称
名称: train\nSSH: ssh -p 2222 gpu-node\n用途: 训练项目代码路径
GPU 占用防回收
如果用户选了 2 个以上节点，追加 1 轮问后续节点信息（同样用 preview 格式）。
共享存储安全限制
Mutagen 文件同步
MUTAGEN.md 进行配置（条件）GPU 脚本路径——仅当上轮选了"需要"时才问
根据交互收集的信息，执行以下步骤：
Step 1: 生成配置文件
参考 reference/context.template.md 格式，用用户回答填充，生成 reference/context.local.md。
注意在节点表中填入实际的节点名称和 SSH 命令。
Step 2: 构建 NODES JSON
将所有节点的名称和 SSH 命令组成 JSON。例如用户输入了两个节点：
NODES='{"train":"ssh -p 2222 gpu-node","eval":"ssh gpu-eval"}'
Step 3: 安装 MCP server
bash <skill_dir>/mcp-server/setup.sh "$NODES" <项目路径>
如果用户的 agent 路径不是默认的 ~/.mcp-agent/agent.py，追加参数：
bash <skill_dir>/mcp-server/setup.sh "$NODES" <项目路径> <agent_path>
Step 4: 提示重启 + 部署 Agent
告诉用户：
请说 "部署集群 Agent" 或 "deploy agent"，我会通过 remote_bash 自动完成
Step 5: Agent 部署（用户重启后触发）
当用户重启回来并请求部署 Agent 时：
<skill_dir>/cluster-agent/agent.py 的内容remote_bash 写入集群：
mkdir -p ~/.mcp-agent
cat > ~/.mcp-agent/agent.py << 'AGENT_EOF'
... (agent.py 的完整内容)
AGENT_EOF
chmod +x ~/.mcp-agent/agent.py
python3 -c "import ast; ast.parse(open(os.path.expanduser('~/.mcp-agent/agent.py')).read()); print('syntax OK')"
echo '{"type":"ping"}' | python3 ~/.mcp-agent/agent.py
如果 Step 5 跳过，MCP server 仍然可用（自动降级为 sentinel 模式，~1.5s/命令）。 Agent 部署后无需再次重启——下次 remote_bash 调用时会自动连接 Agent。
mcp__cluster__remote_bash(node="train") 执行node 参数路由（train/eval/...），扩展到 N 节点不增加 context 占用agent.py 通过 SSH 长连接通信，~0.1s/命令；不可用时自动降级为 sentinel 模式MUTAGEN.md以下操作中的路径均从 reference/context.local.md 读取，不要硬编码。
所有环境通过 Mutagen 实时同步，保存即生效，无需手动操作。
如果 Mutagen 尚未配置，引导用户参考 MUTAGEN.md 进行配置。Mutagen 通过 SSH 隧道工作，集群不需要公网。
# 释放 GPU（训练前）
bash <stop_gpu_script>
# 占用 GPU（训练后 / 空闲时）
bash <start_gpu_script>
# remote_bash: 先停 GPU 占用（如果有），再启动训练
bash <stop_gpu_script> 2>/dev/null || true
cd <project_dir> && nohup <train_cmd> > <log_path> 2>&1 &
echo $!
# remote_bash: 检查进程
ps -p <pid> -o pid,stat,etime --no-headers 2>/dev/null || echo "FINISHED"
tail -30 <log_path>
# 训练完成后重启 GPU 占用（如果有）
bash <start_gpu_script> 2>/dev/null || true
推荐配置 Mutagen one-way-safe session 将集群 outputs 自动同步到本地（排除 checkpoint 大文件），同步后直接用 Read 工具读取本地目录。
如果输出文件不在 Mutagen 同步范围内（如输出到了项目目录外），用 remote_bash 读取：
tail -100 <log_path>
context.local.md 读取共享存储限制并严格遵守——共享路径下的文件可能属于其他团队，误删可能导致他们的实验中断pkill -f 必须用方括号技巧：pkill -f "[s]glang.launch_server" 而不是 pkill -f "sglang.launch_server"——因为 SSH 进程的命令行参数包含被 kill 的模式，pkill -f 会把 SSH 自身也杀掉，导致哨兵收不到，命令卡死。同理适用于所有 pgrep -f、grep 进程列表等操作nohup ... & 或 tmux new-session -d，且 echo 放在后台命令之后用 ; 分隔：
# 正确：nohup 后台 + echo 在外面
nohup python -m vllm.entrypoints.openai.api_server ... > /tmp/log 2>&1 & echo "PID=$!"
# 正确：tmux detach + echo 在外面
tmux new-session -d -s serve "python -m vllm.entrypoints.openai.api_server ..."; echo "started"
# 错误：echo 在 tmux 内部的 && 链里，永远执行不到
tmux new-session -d -s serve "python ... && echo started"