1. 基本信息
| 项目 | 内容 | 数据来源 |
|---|---|---|
| 名称 | cuopt-numerical-optimization-api-nvidia-skills（SKILL.md 内部名称 cuopt-numerical-optimization-api） |
GitHub |
| 作者/维护者 | NVIDIA cuOpt Team；技能目录仓库 nvidia/skills 每日自动同步自 NVIDIA/cuopt 产品仓库自身的 skills/ 子目录 |
GitHub API + SKILL.md metadata |
| 来源链接 | https://github.com/nvidia/skills/tree/main/skills/cuopt-numerical-optimization-api | — |
| 许可证 | Apache-2.0 | GitHub API |
| GitHub Stars/Forks | 技能所属目录仓库 nvidia/skills 整体 2,784★/323 forks（覆盖 300+ 个不同 NVIDIA 产品的技能，不代表本技能自身热度）；封装的求解器产品 NVIDIA/cuopt 单独仓库 999★/218 forks，当周仍有提交 |
GitHub API |
| 最新版本 | 26.08.00（SKILL.md frontmatter 与官方 skill-card.md 治理卡片一致，随 cuOpt 产品发布节奏同步） |
GitHub |
| 安装方式 | npx skills add nvidia/skills --skill cuopt-numerical-optimization-api --agent claude-code |
GitHub README |
2. 功能介绍与亮点
这个技能教 agent 用 NVIDIA cuOpt 的 GPU 加速求解器，在 Python、C 或命令行三种接口下建模并求解线性规划（LP）、混合整数规划（MILP）与二次规划（QP，beta）问题，替代手写调用底层求解器 API 时反复踩坑的过程。
主要亮点：
- 问题类型判定表：从目标函数与变量特征（是否含平方/交叉项、是否要求整数）直接推导该用 LP、MILP 还是 QP，并给出“数量类描述→整数变量、比例/金额类描述→连续变量”的措辞识别规则，减少建模时的类型误判。
- 三接口任选 + 第三方建模语言零改动接入：Python/C/CLI 各自独立参考文档；对已用 AMPL、GAMS、PuLP、JuMP、Pyomo、CVXPY 建模的用户，只需把求解器指向 cuOpt 即可切换后端，无需重写模型。
- 常见故障对照表：无解、无界、求解慢、QP 用 MAXIMIZE 报错、QP 非最优等场景逐条给出原因与修复方式。
- 官方发布前量化评测：NVIDIA 在发布前对该技能跑了内部 NVSkills-Eval 评测（9 个评测任务），分别针对 Claude Code 与 Codex 两个 agent 测了安全性、正确率、可发现性、有效性、效率五个维度，并附
skill.oms.sig签名文件供溯源校验。
3. 适用场景
所属分类：工程效率与代码质量
适合需要在应用里嵌入线性/整数/二次规划求解能力的开发者（资源分配、排班、投资组合、供应链等场景），以及已经用 PuLP、Pyomo、JuMP 等开源建模库搭好模型、只想把求解器换成 GPU 加速方案的运筹工程师。
4. 跨 Agent 兼容性
| Agent | 结论 | 依据 |
|---|---|---|
| Claude Code | ✅ 原生支持 | 官方安装文档提供 --agent claude-code 选项；skill-card.md 发布了针对 Claude Code 的量化评测结果 |
| Codex | ✅ 原生支持 | 官方安装文档提供 --agent codex 选项；skill-card.md 发布了针对 Codex 的量化评测结果 |
| OpenClaw | ❓ 未验证 | 官方安装文档列出的目标 agent 中未点名 OpenClaw，现有材料不足以判断 |
| Hermes Agent | ❓ 未验证 | 现有材料未提及 |
5. 推荐理由
它把“选对规划类型、写对接口代码、算错了怎么查”这套容易出错的流程，收进一份带判定表、三接口示例与故障排查表的完整指南，还能作为 PuLP/Pyomo/JuMP 等主流开源建模库的直接换后端方案，覆盖面比单一接口的同类技能更广。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 8 | 官方 NVIDIA 机构出品；该技能名是官方 nvidia/skills README 中反复用来演示安装命令的示例技能，在整个技能目录里获得的曝光高于普通子技能；封装的求解器产品 NVIDIA/cuopt 独立仓库持续活跃维护 |
| 可用性 | 8 | 一条命令即可为指定 agent 安装；SKILL.md 配判定表、三接口参考文档、故障排查表，内容随产品版本号（26.08.00）同步更新；运行本身需要 NVIDIA GPU 与匹配 CUDA 环境，无本地 GPU 时无法直接跑通本技能给出的求解示例 |
| 安全性 | 9 | 见下方检查清单 |
安全检查清单：①无 shell 命令执行，纯 Python/C/CLI 库调用，权限范围限定在建模与本地求解本身 ②无联网外发，求解全程本地 GPU 计算完成 ③官方 skill-card.md 明确声明本技能不需要 API Key 或外部凭据 ④通读 SKILL.md 及 references/ 下四份接口文档，未发现可疑指令或隐藏外发行为 ⑤NVIDIA 官方团队出品，附官方 skill.oms.sig 签名与发布前 NVSkills-Eval 评测（Claude Code/Codex 安全维度均 100%），另设公开漏洞上报渠道，无造假迹象 ⑥License 为 Apache-2.0，明确 ⑦最近一次直接提交为 2026 年 7 月初的功能合并，所属目录仓库当周仍有同步提交，持续维护
7. 跟同类 Skills 相比的优势
| 竞品 | 定位 | 与本技能的差异 |
|---|---|---|
| cuopt-numerical-optimization-formulation（同仓库姊妹技能） | 纯建模概念指南：怎么把自然语言问题拆成参数/约束/决策变量/目标函数 | 只教怎么“想清楚问题”，不产出可执行代码；本技能接着给出可直接运行的 Python/C/CLI 代码，两者常搭配、先后使用 |
| cuopt-routing-api-python（同仓库姊妹技能） | 面向车辆路径问题（VRP/TSP/PDP）的 Python API 指南 | 求解的问题类型不同（数学规划 vs 路径规划），按业务问题类型二选一，不互相替代 |
| PuLP / Pyomo（开源纯 CPU 建模库，Python 生态常用） | 长期被广泛使用的开源 LP/MILP 建模与求解工具链，社区成熟、文档丰富 | 无需 GPU、零成本上手，但未见官方封装成 Claude Code/Codex 原生 Agent Skill；本技能可作为这类工具的 GPU 求解器后端（近零代码改动切换），二者互补而非纯竞争 |
8. 用户评价
该技能目前在第三方平台尚无具名用户评价。
9. 其他补充
技能实际维护在 NVIDIA/cuopt 产品仓库自身的 skills/ 子目录下，nvidia/skills 是每日自动同步的目录镜像仓库，二者内容一致。技能目录附带 skill.oms.sig 签名文件，可对照 NVIDIA 根证书校验来源真实性。
10. 安装使用方式
- 推荐方式：
npx skills add nvidia/skills --skill cuopt-numerical-optimization-api --agent claude-code（Codex 用--agent codex；可重复--agent一次装入多个 agent） - 前置要求：当前
skillsCLI 需 ≥ v1.5.16，否则技能可能装上但不出现在 Claude Code 技能列表中 - 安装后注意事项：Claude Code 中需运行
/reload-skills才能加载新装技能 - 运行环境：需要 NVIDIA GPU + 匹配的 CUDA 驱动；已用 PuLP/Pyomo/JuMP/CVXPY 等工具建模的用户可只切换求解器后端，无需改动模型代码
- 通过
npx skills update保持更新
11. 注意事项
- 需要 NVIDIA GPU 硬件，纯 CPU 本地环境无法直接运行本技能给出的求解示例
- QP 接口仍处 beta 阶段，仅支持 MINIMIZE 且要求 Q 半正定，整数 QP 不受支持
- OpenClaw、Hermes Agent 上的兼容性尚未获得官方材料证实