让 AI Agent 直接在本地 CLI 里完成启智平台的全部操作。
在本项目开始筹办之初，对于所有 SII 的学生，启智平台是科研实验链路里最慢的那一环：每次申请资源、新建 Notebook、新建训练任务、同步代码都要反复点点点，SSH 等更进一步的功能更是遥遥无期。
本着过渡到大 Agent 时代、将一切重复性机械工作交给 Agent 的初衷，我们创办了 InspireSkill 项目，旨在将启智平台 GUI 打平为 CLI，并建立了 CLI + Skill 的一体化系统，让 InspireSkill 成为所有 Agent 开箱即用的工具、让你的 Claude Code / Codex / Antigravity / Cursor / OpenClaw / OpenCode / Qoder CLI / Qoder Work / Kimi Code / Kimi Desktop 成为进行科研工作的唯一入口。
建立和维护本项目的过程并非易事，InspireSkill 也并非只是将启智平台的网页 API 打平重构为 CLI 的简单工作，在维护本项目的过程中，设计高于平台语义的高层功能、寻找启智平台中细枝末节的 API 并将其优雅融入 CLI 系统中、尤其是维护一个易于 Agent 阅读且包含平台所有特性的文档系统都给我们带来了不小于 CLI 本身的麻烦。
在长时间的开发与维护中，以 @realZillionX 和 @JingYiJun 为首的开发团队始终秉持着注重细节与优雅的开发者精神，最终构建出一个令人满意的项目。时至今日，我们可以自豪地说：InspireSkill 所包含的功能，只有你想不到，没有我们做不到。它们包括但不限于：对 HDD / SSD / QB-ILM 等项目路径的优雅维护、翻转镜像的可见范围、将平台内部源入口交给 Agent（从而使在不可上网区配置镜像成为可能）、联网 Notebook 的 SSH 板块、受限 Notebook 的 JupyterTerminal 执行路径、空闲 8 卡整节点总量的查询、低优任务占用总量的查询、将 Notebook / 训练任务的资源视图 / 事件 / 聚合日志交给 Agent。
InspireSkill 将算力平台的一切入口交给 AI Agent。当 Claude Code / Codex / Antigravity / Cursor / OpenClaw / OpenCode / Qoder CLI / Qoder Work / Kimi Code / Kimi Desktop 识别到本项目所提供的 SKILL.md，它会：
- 直接调用
inspire命令查实时资源、开 Notebook、提 HPC 任务、拉日志 - 全程只用 Name：参数、帮助、错误、人类输出和 JSON 输出都使用 Name、Account Alias、Path Alias 和可读状态，不需要 Agent 记忆或搬运平台内部 ID
- 提供可选的 Clash Verge Mixed Port 分流模板，让公网与启智内网共存一套本地代理配置，取代多人共用断连的 aTrust；CLI 本身不绑定固定端口，任何能同时覆盖公网与
*.sii.edu.cn的代理方案都行 - 把平台网页上的常用操作都变成可复现、可串联、可自动化的命令链
- 从
SKILL.md按需加载对应使用手册，理解调度语义、资源申请原则和验收点，不需要用户在对话里反复向 Agent 解释平台语义
启智官方的 InspireCode 是把 OpenCode 直接部署到某个 Inspire 实例里，要用就得打开 qz.sii.edu.cn、进那个实例、在它的终端里跟 OpenCode 对话。凡是“把 Agent 装在服务器上”的方案都是这个路数。InspireSkill 走相反路径：Agent 留在本机，Inspire 降格为被调用的工具。
| 维度 | InspireCode（Agent 装在 Inspire 实例里） | InspireSkill（Agent 装在本机） |
|---|---|---|
| Agent 生命周期 | 绑死在某一个 Notebook 实例；实例回收 / 崩溃，对话与状态一起没 | 跑在本机 Harness 里，与任何一个 Inspire 实例解耦 |
| 调度范围 | 只能操作它所在那一个实例的文件系统与运行时 | 一个 Agent 横跨多 Workspace / Notebook / HPC Job / Image，全平台统一编排 |
| 入口 | 必须打开 qz.sii.edu.cn 网页 |
大家本来就在用的 Claude Code / Codex / Antigravity / Cursor / OpenClaw / OpenCode / Qoder CLI / Qoder Work / Kimi Code / Kimi Desktop |
| Harness / 模型选择 | 锁定 OpenCode + 它支持的模型 | 任选本机已装的 10 家 Harness，模型可随意配置 |
| 上下文来源 | 只有实例里能看到的东西；本地代码仓库不在场 | 本机完整 Repo + Git 状态 + 编辑器 + 其他 MCP 工具（Figma / Preview / Playwright / …）一起可用 |
| 计算占用 | Agent 进程吃 Inspire 实例的 CPU / RAM 配额；API Key 必须放在实例里 | Agent 进程跑本机；Inspire 实例的 CPU / RAM 全给训练 / HPC；API Key 只留本地 |
| 自动化 / 可复现 | 对话历史锁在浏览器页面里 | 命令流可保存 / 回放；可读格式给 Agent 决策，结构化输出留给脚本消费 |
一句话：InspireCode 把 Agent 搬进 Inspire，InspireSkill 把 Inspire 变成 Agent 的一把工具。
启智社区还有两条独立维护的 CLI：EmbodiedForge/Inspire-cli 和 tianyilt/qzcli_tool。它们都解决了部分网页操作自动化问题，尤其 qzcli_tool 已经覆盖资源查询、GPU Job 提交、HPC Submit、Logs、Dashboard 和 Jupyter Exec，也提供 qzcli-mcp 给 MCP-Capable Harness 使用。
InspireSkill 的定位更往前走了一层：它不是把若干 API 包成命令，而是把启智平台整理成一套 Agent 能长期使用的操作模型。安装、命令面、SKILL.md、references/、具体启智项目的 INSPIRE.md 资产合同、Path Alias、Workload Profile、观测和清理闭环都在同一套设计里。
| 维度 | Inspire-cli | qzcli_tool | InspireSkill |
|---|---|---|---|
| 安装与更新 | 源码渠道为主 | Clone 仓库、pip install -e .、手动 mcp add |
curl | bash 一键安装 CLI、SKILL.md 和 references/，inspire update 同步更新 |
| Agent 文档系统 | 无统一 Skill 文档 | qzcli-mcp 的薄 Skill，主要说明工具调用顺序 |
SKILL.md 是平台操作模型入口，按场景路由到完整 references/ |
| Harness 落位 | 无 | MCP 可接入 MCP-Capable Harness，但需要用户自己注册 | 安装器自动写入 Claude Code / Codex / Antigravity / Cursor / OpenClaw / OpenCode / Qoder CLI / Qoder Work / Kimi Code / Kimi Desktop 的约定目录 |
| Notebook 连接 | 依赖用户预配本地组件或容器公网 | Jupyter Terminal API Exec | SSH / Shell / Exec / SCP / OpenSSH Config / Proxy URL / Connection Cache / 跨账号重建 |
| Workload 覆盖 | 少量训练 / HPC 能力 | 资源、GPU Job、HPC Submit、Logs、Dashboard、Jupyter Exec | Notebook / GPU Job / CPU HPC / Ray / Serving / TensorBoard / Model / Image / Dataset / Project / Resources 全覆盖 |
| 观测闭环 | 有限 | Job Logs、Watch、Usage / Dashboard | Events / Logs / Metrics / Instances / Lifecycle / Status 分层诊断 |
| 资源与路径语义 | 主要是配置和命令参数 | 资源缓存、Workspace / Compute Group / Spec 解析 | Workload Profile 管调度条件，Path Alias 管远端路径，具体启智项目的 INSPIRE.md 管持久资产合同 |
| 多账号与项目层 | [accounts."<user>"] 合并层 |
以单套 ~/.qzcli/ 配置为中心 |
一账号一目录，账号级默认值和仓库级项目覆盖分层 |
一句话：这两条 CLI 各做了一段路；InspireSkill 把整个平台的操作面、文档面和观测面端到端铺平，让 Agent 不只是“能调用命令”，而是能理解应该怎么用启智平台。
平台支持：macOS + Linux 一等公民。Windows 用户请用 WSL2。CLI 依赖 SSH /
rsync/ GPFS 目录约定 / POSIX 文件权限，Windows 原生不在 Roadmap。
前置：bash / curl / tar / Python 3.10+ / 已装 uv（推荐）或 pipx 任一。
curl -LsSf https://astral.sh/uv/install.sh | sh
curl -fsSL https://raw.githubusercontent.com/realZillionX/InspireSkill/main/scripts/install.sh | bash安装、可选参数和安装后检查见 references/setup/install-and-config.md。
inspire update # CLI 包 + SKILL.md / references/ 一起升到最新
inspire update --check # 只检查，不动
inspire update --cli-only # 仅升 CLI 包与运行时
inspire update --skill-only # 仅刷 SKILL.md / references/升级旧版本和 Installer 检测说明见 references/setup/install-and-config.md。
inspire uninstall # skill 目录 + 更新检查 agent + CLI 包
inspire uninstall --purge # 连 ~/.inspire 的账号配置一起删
inspire uninstall --purge-runtime # 连共享的 Playwright 浏览器缓存一起删执行前会打印完整清单并要求确认。账号配置和浏览器缓存默认保留：前者重装后还能直接用，后者是本机所有 Playwright 工具共用的；仓库自己的 INSPIRE.md 和 ./.inspire/ 任何一档都不碰。CLI 已经跑不起来时，用安装脚本的 --uninstall 兜底，分层与参数见 references/setup/install-and-config.md。
inspire account add <name>
inspire account check
inspire init
cd /path/to/your-repo
inspire init --scope project
inspire resources availability --workspace 分布式训练空间 --include-cpuinspire init 默认做账号级全局发现，写入平台 Catalog 和默认 Path Alias；--scope project 用于当前仓库的 Project Context 和 Path Alias 覆盖。
安装、更新和多账号操作见 references/setup/install-and-config.md；项目初始化问询（Project / Workspace / Paths / Image）和 INSPIRE.md 维护见 references/project-context.md；Clash Verge 的 SII Proxy / DIRECT 分流模板见 references/setup/sii-proxy.md。
按能力域折叠，点开你关心的那一个。命令组、子命令、参数和默认值一律以 inspire <group> <subcommand> --help 为准。
📝 Notebook 统一入口 —— 交互工作台、连接、文件流转、把跑通的环境固化成镜像
全链路命令化：create / batch / list / status / start / stop / delete / ssh / ssh-config / ssh-proxy / connection / exec / shell / scp / install-deps / proxy-url / path / quota / profile / metrics / events / lifecycle / save-image / cancel-save-image。容器里部署好的服务用 proxy-url --port 拿到外部地址直接请求；ssh-proxy 是给 OpenSSH ProxyCommand 用的裸流转发，ssh-config 生成的配置里就指向它。
把跑通的环境固化成镜像是 Notebook 自己的生命周期事件：save-image 会先报平台估算的快照体积（--dry-run 只估不存），保存期间该 Notebook 不可操作，中途要拿回来用 cancel-save-image——已经打出「等待推送」之后取消仍然生效。默认是在起点镜像上再堆一层，反复迭代的环境层数会一路累积，--flatten 把结果压成单层：实测压平反而更小（8 层 331.78 MB → 1 层 286.90 MB），多出来的时间落在镜像构建上而不落在 Notebook 上，两种保存都在同一时刻把容器还给你。
显卡不是 H100 / H200 的 Notebook 可使用 OpenSSH / SCP / SSH Config；H100 / H200 受限 Notebook 使用 JupyterTerminal 执行命令，文件流转以 /inspire/... 共享路径为边界，并通过支持 SSH 的 Notebook 使用 notebook scp 或外部 rsync 完成本地上传/下载。连接类命令会跨账号解析本地已缓存的 Notebook Connection，不要求先切 Active Account。
🏃 GPU 后台任务（平台名：分布式训练） —— 一张卡到多节点，后台 GPU 任务都走这里
平台官方把 job 这一路叫“分布式训练” / Distributed Training；提交 Job 时只要求 GPU 计算资源和启动命令，不强制程序必须是训练。inspire job 可用于一张卡、多卡、单节点、多节点等后台 GPU 任务：分布式训练 / 批量推理 / 并发 Worker Pool 都走这里（hpc 对应 CPU Slurm）。
inspire job create / batch / list / status / command / wait / stop / delete / events / instances / shell / logs / metrics / quota / profile。提交统一使用 job create（一次提交多个用 job batch），可用 --enable-notification 开启当前用户绑定飞书账号的状态通知；脚本里等任务跑完用 job wait，忘了提交时写的启动命令用 job command 原样读回；需要跟日志时用 job logs <name> --workspace <workspace> --follow，健康度用 job metrics <name> --workspace <workspace> 看 GPU、显存、CPU、内存、I/O 和多 Pod 负载是否同步。
🚀 HPC 任务分派 —— 只写 Slurm 正文，两层规格由 CLI 在提交前挡下
inspire hpc create / batch / list / status / stop / delete / events / instances / shell / logs / metrics / quota / profile。hpc create -c <slurm-body> 只写 Slurm 正文 + 显式 srun，平台自动补 #SBATCH 头。两层独立：节点资源用 --quota gpu,cpu,mem（CLI 自动解析到平台 Quota Row），Slurm 调度用 --number-of-tasks / --cpus-per-task / --memory-per-cpu。
两层之间平台和网页端都不校验，规格不匹配时要么 FAILED 且日志和事件里都没有原因，要么一直 RUNNING 却什么都没跑，所以 hpc create 在提交前自己挡下这些组合。hpc status 的 Steps 是判断「程序到底跑没跑」的字段——正文忘了 srun 的任务照样报成功，但 Steps 是 0/0。
🧬 弹性计算（Ray） —— Head 加可伸缩 Worker Group，以及弹性到底动没动过
inspire ray create / batch / list / status / start / stop / delete / events / instances / shell / logs / metrics / scaling / quota / profile：一个 Head 加多个可伸缩 Worker Group。停掉的 Job 保留完整集群规格，ray start 原样拉回来，不需要重新指定；平台在这里会「受理但不执行」，所以命令以状态真的离开 STOPPED 为准，没动就报失败。
弹性是 Ray 存在的理由，而「min / max 到底动没动过」要用 ray scaling 才看得到：它按时间列出每个 Worker Group 的每一次副本数变更，空的历史说明这个弹性区间从来没被用到。
🛰 模型部署（Serving） —— 部署、伸缩、回滚，以及只有请求侧才看得见的那一半
inspire serving create / batch / list / status / start / stop / delete / scale / scale-history / versions / rollback / configs / events / instances / shell / logs / metrics / api-metrics / quota / profile：覆盖模型部署服务的创建、列表、状态、启停与删除、副本伸缩与伸缩历史、部署历史与回滚、可用配置、事件、实例、日志和指标；创建前用 serving quota --workspace <workspace> 选 Quota，用 model deploy-config 确认规格下限。
metrics 看资源占用，api-metrics 看请求量、成功率和延迟——只有后者能把「没人调用」和「一直调用一直失败」分开。没重新部署过而延迟变了，先看 scale-history：掉下去的副本数、没落地的自动伸缩只出现在这里，versions 里一个字都没有。
📉 TensorBoard —— 把 loss 和 eval 曲线当数字读回来，不需要有人去看一眼图
inspire tensorboard create / list / status / start / stop / delete / tags / scalars：TensorBoard 在平台上是一等对象——计算组单独声明 tensorboard 任务类型，board 既能挂在训练任务上，也能对任意一个 summary 目录单独建；规格由平台固定成 1 CPU / 2 GiB，没有 Quota 也没有镜像要选。
关键是 tags 和 scalars 直接读运行中的 board：Agent 自己建一个 board 指向训练目录，再把 loss 和 eval 曲线当数字读回来——首尾值、step 区间、最小最大值，--points N 给最后 N 个点——不需要浏览器，也不需要有人替它去看一眼图。metrics 回答「这个任务在平台侧还健康吗」，这里回答「模型训得怎么样」。
📈 指标、事件、日志、实例 & 远端 PTY —— 「这东西为什么没起来」分几层查
notebook metrics / job metrics / hpc metrics / ray metrics / serving metrics 读取平台 资源视图 的历史时间序列，默认输出 PNG 趋势图，--no-plot --sparkline 适合终端快速判断。
job events / hpc events / notebook events / ray events / serving events 拉平台 Events——不加参数就把控制器事件和每个 Pod 的事件合成一条时间线（--instance 收窄到某个实例，--workload-level 反过来只留控制器那一半），因为「这东西为什么没起来」的答案通常在 Pod 那一半。
job logs / hpc logs / ray logs / serving logs 读程序自己的输出，四条共用同一套预算和同一份 JSON schema；job instances / hpc instances / ray instances / serving instances 看 Live Pod / Component 清单和每个 Pod 落在哪个节点，notebook lifecycle <name> 看一个实例的多次启停记录。
读完还要进去看的时候，job shell / hpc shell / ray shell / serving shell 把本地 stdin 接到实例里的远端 PTY（exit 退出、Ctrl+] 断开），默认进哪个实例按 Workload 定——HPC 进 launcher（srun 在那儿跑），Ray 进 head（驱动和 ray status 在那儿），Serving 进第一个运行中的副本，要点名用 --instance。
节点归属还有任务级的一层：job / hpc / serving status 直接列出落点节点（job 另给创建时的 Pin 与排除节点），notebook status 的 Node 附带该节点的健康状态。排查坏节点、复现实验、定位掉队的 Worker 都从这里开始。
📊 资源情报 —— 哪个组有空、余量去哪了、能抢回来多少、拿到手能留多久
resources availability --workspace <name> --include-cpu / resources nodes --workspace <name> / resources usage --workspace <name> / resources policy --workspace <name> / <workload> quota --workspace <name>：定位一个 Workspace 里哪个计算组有空，支持透支式申请。<workload> quota 回答「有哪些合法档位」，availability 回答「这些档位现在还有没有空」，usage 回答「余量去哪了、其中哪些能抢回来」——它的 Reclaimable 列是持有者手里有多少卡落在以可抢占优先级提交的任务上，--group <关键词> 把这个判断收窄到任务真正提交进去的那个计算组，policy 回答「拿到手能留多久——空闲多久被回收、有没有运行时长上限」。
<workload> quota 的 Priority 列还给出这一行接受哪些任务优先级：分布式训练空间 的训练区碎卡档只调度低优先级（可被抢占），整节点档才不受限，创建时 CLI 按这一列先做预检，不用等平台拒绝；Points/h 列给出这一行每实例每小时烧多少点券——只有 GPU 计费，CPU-only 的行一律是 0，而 GPU 按卡型定价（实测 H100 / H200 是 1 点券/卡/小时，4090 是 0.33）。
这些命令一律一次只看一个 Workspace——档位、余量、回收策略和占用都是按 Workspace 定义的事实，跨空间扫一遍答不出任何一个可执行的决定；还接受 --workspace all 的只剩「按名字找东西」那一类（<workload> list / account permissions），因为不知道东西在哪个空间时本来就给不出空间名。
机器本身发生了什么是另一层：resources node-events <节点名> 是平台上唯一按节点而不是按工作负载组织的事件源，内核 OOM kill、Cordon / Uncordon、重启、NodeNotSchedulable 都在这里，「同一台机器上反复失败」此前在 CLI 里无处可查。
余量和规格始终读 Live 数据；inspire cache status / refresh / clear 管的是本地加速缓存——Name 解析索引、Quota 目录和 Notebook 显卡型号，三条命令都支持 --resource <kind> 分类操作。正常情况下 refresh 根本不需要跑（Workload 名字后台一直在补，其余的解析一次就自己缓存了），所以它不接受裸形式，必须用 --resource / --workspace / --name 说明刷哪一块；cache status 里 Workload 那几行常态是 partial（后台只读最新的一头），要看的信号是 empty——刷过、还在有效期内、却一个名字都拿不出来。
🗂 镜像管理 —— Registry 边界沿着卡的类型走，可见性有一道单向门
image list / detail / register / set-visibility / delete，创建 Notebook、Job、HPC、Ray 或 Serving 时显式传 --image；hpc create --image-type 明确可见性。
镜像存在 Registry 里而不是 Workspace 里，多个 Workspace 正常共用同一份 Registry——这一组都要 --workspace，因为那是平台唯一的指定 Registry 的方式，它是路标不是分区，所以 notebook save-image --workspace X 存出的镜像在同一个 Registry 上的每个 Workspace 里都看得到。真正会挡住人的是 Registry 边界，而这条线基本沿着卡的类型走：国产卡空间和 NVIDIA 空间读的是两份不相交的目录。一个 Registry 动辄几千个镜像，用 image list --keyword 按名字搜。
把跑通的 Notebook 固化成镜像不在这一组——那是 Notebook 的生命周期事件，走 notebook save-image。可见性有 private / project / public 三档，改成 public 是单向门：之后既删不掉也改不回私有，只有平台管理员能清理。
📦 模型注册表（Model） —— 模型版本、部署规格下限、删之前的占用核对
inspire model list / register / status / versions / deploy-config / delete：浏览或注册 Workspace 下的模型 + 每个模型的历史版本，带 vLLM 兼容标记 / 创建时间；deploy-config 给出某个版本装得下权重的最小节点规格，正好是 serving create --quota 的下限。
status 还会说出哪些推理服务仍占着这个版本，换版本或删模型不用再盲操作；delete 删整个条目连同全部版本，删之前逐版本核对占用，有服务还可能起来就点名拒绝。之前只能在平台网页里翻。
📚 官方数据集 —— 数据广场检索与 --dataset 只读挂载
inspire dataset list / show / tags / validate / applications：数据广场是和启智并列的独立平台，只共用同一套 SSO，启智那侧没有检索接口。CLI 用现有登录态走一次 CAS 握手，直接检索目录、读版本、看当前账号有没有挂载权限。
确认后在 notebook / job / hpc create 上用 --dataset <数据集名>:<版本名> 只读挂载到 /inspire/dataset/<数据集名>/<版本名>，创建前平台逐条校验，不会先建出一个缺数据的 Workload。数据集用名字寻址，数据广场内部的数字 ID 拿去挂载会被拒。--tag 认的是固定中文词，全量用 dataset tags 列（52 个，分属五种模态），猜不出来；没有挂载权限时申请仍然只在网页端，但 dataset applications 能读到申请走到哪一步。
🗂️ 项目（Project） —— 归属、负责人、预算与平台优先级
inspire project list / detail / owners：项目是全局对象，不按 Workspace 划分，所以这一组都不接 --workspace。list 给出可见候选和显示预算，detail <名字> 看单个项目的预算 / 点券 / 平台优先级字段，owners 给出「负责人」下拉框的内容——需要权限时知道该找谁。
判断本仓库归属哪个 Project 只能由用户指认，不从列表猜；确认后写进 ./.inspire/ 与 INSPIRE.md，见 references/project-context.md。日常算力决策先看 <workload> quota 和实时余量，项目预算通常不是第一约束。
👤 权限 —— 提交前先确认自己有没有这个动作的权限
inspire account permissions --workspace <workspace>：看清当前账号在某 Workspace 下实际授予的权限码（job.trainingJob.create 等），提交前先确认自己有没有这个动作的权限。
🗝 多账号（一账号一目录） —— 切账号 = 改一个文件
inspire account add / list / use / rename / current / remove / check / context / permissions：每个账号的 config.toml、SSH Tunnel Bridges 和登录缓存都在独立目录 ~/.inspire/accounts/<name>/，活动账号由 ~/.inspire/current 一行决定。account check 一次核对配置、登录和项目上下文，account context 列出当前账号能用的全部资源名。
不再有 [accounts."<user>"] 合并层、不再有多个环境变量的优先级链；切账号 = 改一个文件。Notebook 连接类命令的 --account <name> 使用本地 Account Alias，不是平台登录用户名；all 是跨账号扫描 Selector。
不同 Harness 的后台唤醒、Skills 实现和 MCP 能力会有差异；InspireSkill 的安装器负责把同一套 SKILL.md / references/ 放到各自约定目录，用户继续使用自己习惯的 Agent 入口。
| Harness | 安装后位置 | 备注 |
|---|---|---|
| Claude Code | ~/.claude/skills/inspire/ |
用户级 Skills 层，跨项目可用 |
| Codex CLI | ~/.codex/skills/inspire/ |
额外生成 agents/openai.yaml |
| Antigravity | ~/.gemini/config/skills/inspire/ |
用户级 Global Skills 层，跨项目可用 |
| Cursor | ~/.cursor/skills/inspire/ |
用户级 Global Skills 层，跨项目可用 |
| OpenClaw | ~/.openclaw/skills/inspire/ |
全局 Managed Skills 层；Workspace 层（~/.openclaw/workspace/skills/）可覆盖 |
| OpenCode | ~/.config/opencode/skills/inspire/ |
遵循 XDG；$OPENCODE_CONFIG_DIR 可改根 |
| Qoder CLI | ~/.qoder/skills/inspire/ |
用户级 Skills 层，跨项目可用 |
| Qoder Work | ~/.qoderwork/skills/inspire/ |
用户级 Skills 层，跨项目可用 |
| Kimi Code | $KIMI_CODE_HOME/skills/inspire/（默认 ~/.kimi-code/skills/inspire/） |
用户级 Skills 层，跨项目可用 |
| Kimi Desktop | ~/Library/Application Support/kimi-desktop/daimon-share/daimon/skills/inspire/ |
macOS 桌面端共享 Skills 目录 |
SKILL.md 装完是一份通用 Playbook。日常 Workspace 基本就是 CPU资源空间 和 分布式训练空间；资源条件不要写成隐式默认值，把 workspace、project、group、quota 和 image 组合成 Workload Profile，并在 inspire notebook/job/hpc/... create --profile <name> 或 Batch 文件里显式使用。
INSPIRE.md 不是所有仓库必备的文件。只有某个具体科研或工程项目在启智上维护稳定拓扑、Canonical Remote Paths、永久基础设施或 Image / Model / Dataset / Checkpoint 等持久资产时，才在该项目工作区根维护 INSPIRE.md。CLI、Skill、文档和其它通用工具源码仓库不应为了“使用了启智”而创建它；初始化问询、字段与生命周期边界见 references/project-context.md。
需要定制 Harness 级入口时，直接编辑 ~/.claude/skills/inspire/SKILL.md 和同目录 references/（Codex / Antigravity / Cursor / OpenClaw / OpenCode / Qoder CLI / Qoder Work / Kimi Code / Kimi Desktop 同理）。inspire update 默认会覆盖 SKILL.md 和 references/；维护本地改动后用 inspire update --cli-only 只升级 CLI 与运行时。
启智平台的调度语义、资源组划分、镜像可用性会频繁变化。InspireSkill 的维护目标是让 CLI 和使用手册始终贴近平台真实行为。
维护者 @realZillionX 会高频率、持续跟进上游变更。每次发版后，任意 inspire <subcommand> 都会在 stderr 提醒一行，跑 inspire update 即升（用法见上面更新段）。
发现新的平台行为差异时，在 Issue Tracker 开一条，附 inspire --debug <cmd> 的 Trace（CLI 会自动脱敏敏感登录凭据和代理信息）。反馈流程的更多细节见下方“开发与贡献”一节。
不常驻 SII 的科研人员通常需要让本机代理转发 *.sii.edu.cn 流量；能直连 SII 校园网的人可以走 DIRECT。Clash Verge Mixed Port 的 SII Proxy / DIRECT 分流模板和验证步骤见 references/setup/sii-proxy.md；账号级 proxy、Shell proxy 与 NO_PROXY 诊断见 references/setup/install-and-config.md。CLI 本身不绑定固定端口。
凭据（Host / User / Password）从实验室或组织管理员获取，不要提交到任何公开仓库或聊天记录。
项目由 @realZillionX 维护，节奏与启智平台的行为 / 调度语义紧密绑定。为了让上游变更能被最快、最一致地消化进 CLI、SKILL.md 和 references/，贡献入口按变更风险分层：
- 欢迎小而清楚的 PR。文档修正、使用手册补丁、平台行为变化修复、可复现的小型 CLI Bugfix 都可以直接提 PR；长期协作者（如 @JingYiJun）持续跟进平台变化，相关 PR 通过基础验证和 Review 后可按快速通道合入。
- 大范围语义调整先提 Issue。平台语义变化快，涉及 Workflow 重写、配置边界、调度策略或多命令联动的改动，先用 Issue 描述问题场景，附上
inspire --debug <cmd>的日志最好（CLI 会自动脱敏敏感登录凭据和代理信息）。维护者会评估后纳入后续版本，通常几天内发新版。 - 新的平台行为差异同样走 Issue；不用自己附敏感本地文件，维护者会用仓库内的开发工具复现。
这么安排的权衡：这个 Skill 的价值在于与上游保持零漂移的同步。Issue 是最高效的问题信号，PR 是可落地 Patch 的通道；能小步合并的就小步合并，需要统一调度的就先收敛语义再动手。
SKILL.md：日常使用入口，包含平台不变量、项目上下文约定、最短执行闭环和按需加载索引。references/setup/install-and-config.md：安装、更新、账号配置、全局发现和多账号操作。references/setup/sii-proxy.md：Clash Verge 的 SII Proxy / DIRECT 分流模板和验证步骤。references/project-context.md：项目初始化问询（Project / Workspace / Paths / Image）、INSPIRE.md资产合同和项目信息持续维护。references/resources.md：Workspace、Compute Group、规格三元组、实时资源和 Workload Profile 边界。references/paths.md：共享盘作用域、存储池、挂载隔离、Path Alias 和远端路径边界。references/dataset.md：数据广场检索、官方数据集的版本与访问权限、--dataset只读挂载语义。references/internal-sources.md：联网准备动线、SII 内部源入口和镜像固化策略。references/notebook.md：Notebook 作为交互工作台、连接方式、文件流转、Proxy 和观察边界。references/compute-workloads.md：GPU Job、CPU HPC、Ray、Serving、TensorBoard 的适用边界、调度语义和观察闭环。references/workflows.md：CPU 准备、数据处理、分布式训练三阶段项目流程。references/image.md：镜像职责、保存 / 注册边界、可见性和清理原则。references/model.md：Model Registry 与 Serving 的职责边界、注册限制和版本判断。references/dev/browser-api.md：CLI 维护参考，唯一一份接口文档——请求契约与信封、认证与 Session、分页与 scoping、探针方法、13 条路由 114 个 Action 的逐条参数与响应表、创建面字段合同、数据广场（aip.sii.edu.cn）与变更验收。CONTRIBUTING.md：开发、测试和贡献约定。cli/：CLI 源码；入口cli/inspire/cli/main.py。scripts/install.sh：Curl Pipe Bash 安装器。scripts/scan_v2_surface.py：CLI 维护工具，把控制台前端产物里写死的/api/v2接口面抓出来和discovery对账，--probe逐个探活。
LICENSE（MIT）
- 启智平台团队提供的公开资料与协助。
- EmbodiedForge/Inspire-cli 提供了 CLI 的初步框架。
Made for researchers who'd rather think than click.
