1. 基本信息
| 项目 | 内容 | 数据来源 |
|---|---|---|
| 名称 | cupynumeric-install-nvidia-skills（SKILL.md 内部名称 cupynumeric-install） |
GitHub |
| 作者/维护者 | NVIDIA Corporation（legate@nvidia.com）；技能目录仓库 nvidia/skills 每日自动同步自 nv-legate/cupynumeric 产品仓库的 skills/ 子目录 |
GitHub API + SKILL.md metadata |
| 来源链接 | https://github.com/nvidia/skills/tree/main/skills/cupynumeric-install | — |
| 许可证 | CC-BY-4.0 OR Apache-2.0（双许可，SKILL.md frontmatter 明确声明） | GitHub |
| GitHub Stars/Forks | 技能所属目录仓库 nvidia/skills 整体 2,817★/331 forks（覆盖 300+ 个不同 NVIDIA 产品的技能，不代表本技能自身热度）；封装的产品 nv-legate/cupynumeric 单独仓库 981★/88 forks，最近一次提交为 2026-08-07 |
GitHub API |
| 最新版本 | 2.0.0（SKILL.md frontmatter 声明） | GitHub |
| 安装方式 | npx skills add nvidia/skills --skill cupynumeric-install --agent claude-code |
GitHub README |
2. 功能介绍与亮点
这个技能指导 agent 在本地或集群环境里正确安装 cuPyNumeric（NumPy 的分布式 GPU 加速直接替代库），并验证安装真正在使用 GPU，而不只是“能 import”。
主要亮点：
- 强制的执行边界：“Never run installs”——agent 只负责打印 conda/pip 安装命令，交给用户自己执行；且要求装进独立环境，不污染 base conda 或系统 Python。
- 两段式 GPU 验证，专门拆穿“假成功”：单纯
import cupynumeric成功并跑出正确结果，并不能证明用的是 GPU——CPU 版本装错了同样能算对。技能给出的验证分两步：先用legate --gpus N强制以 GPU 模式启动（没有可见 GPU 或装的是 CPU 版会直接报错），再用一个限时矩阵乘循环配合nvidia-smi逐秒采样，确认显存占用与利用率真的在跳动。 - 覆盖构建期无 GPU 可见的边界情况：给容器/镜像构建等场景提供
CONDA_OVERRIDE_CUDA环境变量，在构建机没有 GPU 时也能强制选中 GPU 版本包。 - 故障排查表：常见的
ModuleNotFoundError、CUDA/libcudart版本不匹配、legate: command not found、“比 NumPy 还慢”等问题各给一句诊断方法。 - 官方发布前量化评测：NVIDIA 内部评测框架用 24 个任务在 Claude Code 与 Codex 上分别测了安全性、正确率、可发现性、有效性、效率五个维度，均通过发布门槛。
3. 适用场景
所属分类：工程效率与代码质量
适合需要把现有 NumPy 代码跑上单机多 GPU 或多节点集群、但不想改写代码逻辑的科研人员与工程团队——典型场景包括：第一次在新机器或容器镜像里搭建 cuPyNumeric 环境、怀疑当前环境实际在用 CPU 而非 GPU 需要确认、以及为构建期看不到 GPU 的镜像预先指定 GPU 变体。它是同一技能家族里 cupynumeric-migration-readiness（决定要不要迁移）与 cupynumeric-hdf5（迁移后的 I/O 场景）之间承上启下的“把环境立起来”这一步。
4. 跨 Agent 兼容性
- Claude Code：原生支持，官方
skillsCLI 提供--agent claude-code参数直接安装，装完需运行/reload-skills加载。 - Codex：原生支持，
--agent codex参数同样覆盖；官方发布前评测两个 agent 均通过。 - OpenClaw / Hermes Agent：未验证。官方
skillsCLI 目前列出的目标客户端为 Claude Code、Codex、Cursor、Kiro 等，抓取到的材料未提及这两个 agent。
5. 推荐理由
GPU 版 NumPy 库最容易被忽视的坑不是装不上，而是“装成了 CPU 版但看起来一切正常”——import 成功、计算结果也对，唯独没用 GPU，问题往往要等到跑大规模任务发现慢得离谱才会被发现。这个技能把“证明 GPU 真的被用到了”做成强制的两步验证流程，而不是止步于一句 print(cupynumeric.__version__)，能在环境搭建阶段就拦住这类事后才会暴露的隐蔽故障。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 7 | 官方 NVIDIA Corporation 出品（cuPyNumeric/Legate 均为 NVIDIA 自有产品）；nvidia/skills 2,817★属整个合集共 300+ 个技能共享，不代表本技能自身热度，未见针对这个安装技能本身的独立第三方讨论或采用数据 |
| 可用性 | 9 | 分支清晰的决策流程（询问包管理器/环境目标/CUDA 版本后再给命令），配完整的验证脚本、GPU 使用核实步骤与故障排查表；技能目录最近一次提交 2026-07-31，所属仓库整体每日同步，维护活跃；无付费依赖 |
| 安全性 | 8 | 见下方检查清单 |
安全检查清单：①仅涉及打印 conda/pip 安装命令与本地验证脚本，不执行破坏性操作，且明文要求 agent 不代替用户执行安装命令 ②运行时的联网行为限于从官方 conda-forge/legate/PyPI 源拉取公开软件包，无隐蔽外发 ③不需要任何 API Key 或外部凭据 ④通读 SKILL.md 全文未发现可疑指令、混淆代码或隐藏外发行为 ⑤NVIDIA 官方团队出品，发布前评测安全维度 Claude Code 100%、Codex 96%，无造假迹象 ⑥License 为 CC-BY-4.0 OR Apache-2.0，明确 ⑦技能目录最近一次提交 2026-07-31（约一周前），所属仓库整体持续每日同步维护
7. 跟同类 Skills 相比的优势
| 对比对象 | 定位 | 与本技能的差异 |
|---|---|---|
cupynumeric-migration-readiness（同仓库姊妹技能） |
评估现有 NumPy 代码值不值得迁移到 cuPyNumeric，属迁移前决策阶段 | 是静态代码评估工具，不涉及实际环境搭建；本技能面向的是已经决定使用、需要把环境真正装起来并确认 GPU 生效的实施阶段 |
CuPy（cupy/cupy，12,236★） |
Python 生态最主流的 NumPy GPU 直接替代库，单 GPU 场景成熟稳定 | 官方本身不提供内建的多 GPU/多节点自动扩展，跨设备扩展需要用户手动分片或另外搭配 Dask；cuPyNumeric 的差异化正是同一份代码靠 Legate 运行时自动从单 CPU 扩展到多 GPU/多节点，不需要手动改并行逻辑 |
JAX（jax-ml/jax，36,116★） |
提供 jax.numpy，支持 GPU/TPU 与 pmap/分片式多设备并行，AI 研究领域广泛使用 |
属函数式编程模型，数组不可变、依赖 jit 编译追踪，把现有命令式 NumPy 代码搬过去通常需要重写；cuPyNumeric 定位是“代码零改动”的直接替代，两者面向的迁移成本不在一个量级 |
目前能找到的同类方案要么是同一产品线里迁移流程前一阶段的姊妹技能，要么是生态里更成熟但扩展模式不同的通用 GPU 数组库，专门针对“cuPyNumeric 安装 + GPU 是否真的生效”这个组合给指导的技能暂无其他直接对标。
8. 用户评价
该技能目前在第三方平台尚无经核实的具名用户评价。其所属的 cuPyNumeric 项目本身曾获科技媒体 MarkTechPost 报道，将其定位为“面向分布式加速计算的 NumPy 直接替代库”，但该报道针对项目整体，未提及这份安装技能本身。
9. 其他补充
提供 nightly conda 渠道供想抢先用未完全验证版本的用户选择；nvidia/skills 目录会持续每日同步上游改动，运行 npx skills update 可保持本地安装的技能版本最新。
10. 安装使用方式
- 通用安装（交互式选择安装目标）：
npx skills add nvidia/skills，然后从目录中选择cupynumeric-install - 指定技能与 agent 一次装好：
npx skills add nvidia/skills --skill cupynumeric-install --agent claude-code（Codex 用户把--agent值换成codex） - 安装后注意事项：在 Claude Code 中需运行
/reload-skills让当前会话识别新装技能；向 agent 描述“帮我装 cuPyNumeric”或“确认 cuPyNumeric 是不是真的在用 GPU”即可触发
11. 注意事项
- 仅支持 Linux（x86_64/aarch64）与 WSL x86_64，不支持原生 Windows 或 macOS
- GPU 路径要求 CUDA 12.2 及以上、Compute Capability ≥ 7.0（Volta 及更新架构），更早的 Pascal 架构（GTX 10xx/P100）不支持
- 明确将多节点 / MPI / UCX 网络配置划为范围之外，需另查 Legate 官方文档
- 只覆盖“安装并验证使用”，不覆盖从源码构建 cuPyNumeric 本身（面向贡献者的场景需要另一个技能）
- 封装的产品仓库
nv-legate/cupynumeric在 GitHub 上因未被自动识别出标准 LICENSE 文件而显示NOASSERTION；实际适用许可证以 SKILL.md frontmatter 明确声明的 CC-BY-4.0 OR Apache-2.0 为准