专注于 Infra 层的 AI Agent 技能平台——龙蜥社区 SkillHub 已收到数百个技能，当前陆续上线中。我们每周也会收到一些技能的最佳实践分享，本期给大家推荐的是李海仑贡献的 芯片适配专家（GPU/NPU/DCU） Skill 实践文章，他是集技术研发与市场运营于一体的复合型技术从业者，现在是靓推云负责人、FDE 专家讲师、资深 OPC，大模型及 AI 应用落地布道师。这次提交的开源芯片适配 Skill，把项目中积累的芯片兼容适配实战经验封装为可被 AI Agent 直接调用的能力，助力开发者高效完成芯片适配工作。以下是他的实战经验分享：

如果你做过算力集群的底层适配，大概经历过这样的场景：

凌晨两点，机房里一台新到的昇腾 910B 服务器死活装不上驱动。你翻遍了官方文档，发现 x86_64 的包名里居然用的是连字符 x86-64，而 CANN Toolkit 的包名却用的是下划线 x86_64。

等你搞完驱动，又发现 Docker 透传 NPU 还得装一个叫 Ascend Docker Runtime 的东西——跟 NVIDIA 的 Container Toolkit 完全不是一回事。

再换个场景：海光 DCU K100 到货了。你按经验直接套 AMD ROCm 的安装流程，结果 rocminfo 报了个 HSA initialization failed，折腾一晚上才发现海光 DCU 根本不能用 ROCm 公版驱动，得从光合社区下 rock-*.run 包，还得设 HSA_OVERRIDE_GFX_VERSION。

这些问题不是多高深的技术难题，但坑多、分散且每家厂商文档风格各异。我们做了一个 Skill，把这类适配工作固化成了一套可复用的标准流程。

这个 Skill 是什么？

芯片适配专家（GPU/NPU/DCU）Skill，一个聚焦 GPU（NVIDIA）、NPU（昇腾）、DCU（海光）三类算力芯片裸金属适配的智能体 Skill。它的定位就一句话：你告诉它系统版本和芯片型号，它给你一套能直接复制粘贴跑的命令序列。

覆盖范围：

• 驱动全生命周期：选型、安装、调优、卸载、回滚

• 硬件兼容矩阵：十维对照表（CPU 架构到框架版本全覆盖）

• 异构混用风险预判：哪些卡能同机、哪些不能

• Docker/K8s 透传：NVIDIA Container Toolkit + Ascend Docker Runtime 双路支持

• 排障日志一键采集：一条命令打包所有诊断信息

这个 Skill 解决什么问题？

问题一：三家厂商的驱动安装方式各不相同

NVIDIA 的 runfile 用 --silent --dkms，昇腾用 --full --install-for-all，海光 DCU 用 -A 全自动安装。

参数体系完全不互通，照搬一个厂商的经验去装另一个，必然踩坑。

比如海光 DCU，最常见的错误就是习惯性加 --install 参数——这个参数对 rock-*.run 包根本不存在。

问题二：包名命名规则不统一

昇腾的包名都不统一：

NPU 驱动包：Ascend-hdk-910b-npu-driver_23.0.3_linux-x86-64.run   ← 连字符
CANN Toolkit：Ascend-cann-toolkit_7.1.RC1_linux-x86_64.run        ← 下划线
复制

下载时少注意一个字符就 404。

问题三：DCU 不能用 ROCm 公版

海光 DCU 基于 ROCm 编程模型（HIP），但软件栈是自研的 DTK，路径在 /opt/hygon/dcu/ 而非 /opt/rocm/。

直接装 AMD ROCm 公版驱动，轻则 HSA 初始化失败，重则 invalid device function (98)，连最简单的 kernel 都跑不起来。

而且不同型号的 DCU GFX Version 不同，HSA_OVERRIDE_GFX_VERSION 取值也不一样：

型号	GFX Version	HSA_OVERRIDE
Z100/Z100L	gfx906	9.0.6
K100	gfx926	9.2.6
K100-AI	gfx928	9.2.8
BW1000	gfx936	无需设置

问题四：容器透传各家方案独立

NVIDIA 用 Container Toolkit，NPU 用 Ascend Docker Runtime，两者配置完全不同，daemon.json 的 runtime 注册也各写各的。

而且 NVIDIA 在 2023 年底把仓库从 nvidia-docker 迁到了 libnvidia-container，很多老教程还在用废弃的旧地址，装完发现 --gpus all 不生效——因为少了 nvidia-ctk runtime configure 这一步。

问题五：排障信息散落各处

出问题后要查 dmesg、查 journalctl、查 Xid 错误码、查 NPU 固件日志、查 BMC 带外日志。

每次都是手动一条条敲，漏了哪条就得重新来。

如何使用

访问 SkillHub 平台获取本 Skill：

https://skillhub.openanolis.cn/skill/chip-adapter

使用方式

在支持 Skill 调用的 AI 助手或开发工具中，直接用自然语言提问即可触发。例如：

• CentOS 7.9 装 A100 驱动

• 麒麟 V10 上海光 DCU K100 怎么装

• Docker 怎么透传 GPU 给容器

• A100 和 910B 能插同一台机器吗

• 怎么关掉 A100 的 ECC

• 怎么卸载昇腾 NPU 驱动

Skill 会先确认四个关键信息：内核版本、操作系统、芯片型号、部署场景。信息齐全后，直接给你一套能跑的分步命令，附带前置检查和故障排查表。

如果你在做 CI/CD 自动化部署，也可以将 Skill 集成到流水线中，作为新节点的驱动适配检查门禁。

输出示例

以 Ubuntu 22.04 + 昇腾 910B 为例，Skill 会给你这样的命令序列：

# 0. 创建 NPU 专用运行用户（不做这步会报 ERR_NO:0x0091）
groupadd HwHiAiUser
useradd -g HwHiAiUser -d /home/HwHiAiUser -m HwHiAiUser -s /bin/bash

# 1. 安装驱动（注意 x86-64 是连字符）
./Ascend-hdk-910b-npu-driver_23.0.3_linux-x86-64.run --full --install-for-all

# 2. 安装固件
./Ascend-hdk-910b-npu-firmware_7.1.0.5.220.run --full

# 3. 安装 CANN（注意 x86_64 是下划线，跟驱动包不一样）
./Ascend-cann-toolkit_7.1.RC1_linux-x86_64.run --install --quiet

# 4. 环境变量
echo 'source /usr/local/Ascend/ascend-toolkit/set_env.sh' >> ~/.bashrc

# 5. 验证 + 拓扑检查
npu-smi info
npu-smi info -t topo          # 看 HCCS 互联拓扑
复制

每一步都有注释说明为什么这么干。卸载时也会提醒你顺序反过来：先卸固件再卸驱动。

真实案例

案例一：Docker --gpus all 报错

现象：容器内执行 nvidia-smi 报 could not select device driver with capabilities gpu

根因：装了 nvidia-container-toolkit 但没执行 runtime 配置。很多老教程缺了这一步。

修复：

sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker复制

案例二：DCU 装完 rocminfo 无输出

现象：海光 K100 装完驱动后 rocminfo 空 output，但 lspci 能看到设备。

根因：没设 HSA_OVERRIDE_GFX_VERSION，运行时不知道按哪个 GFX 架构编译。

修复：

echo 'export HSA_OVERRIDE_GFX_VERSION=9.2.6' >> ~/.bashrc
source ~/.bashrc
复制

案例三：多卡场景的两个高频坑

坑 1：A100 和 910B 混插

驱动层不冲突（nvidia.ko 和 drv.ko 可共存），但 BAR 空间竞争大，Above 4G Decoding 必须开。更关键的是 PyTorch CUDA 版和 CANN 版不能同时加载到同一进程，必须在容器层面隔离。建议还是分节点部署。

坑 2：多卡训练 NCCL 突然报 ibv_open_device

排查逻辑链：先看 GPU 与 IB 网卡拓扑（nvidia-smi topo -m），再看 IB 端口状态（ibstat），最后查 memlock 限制（ulimit -l）——最常见的根因是 memlock 没设 unlimited。

彩蛋：一键采集排障日志

出问题后不用一条条手动敲，Skill 内置了日志采集脚本，关键 5 行：

mkdir -p /tmp/chip_debug && cd /tmp/chip_debug
lspci -vvv > lspci_vvv.log; dmesg > dmesg.log
nvidia-smi -q > nvidia_smi.log; npu-smi info > npu_smi.log; hy-smi > hy_smi.log
nvidia-bug-report.sh
tar czvf chip_debug_$(date +%Y%m%d).tar.gz *
复制

打包发给后端，一条龙。硬件级故障还需通过 iDRAC/iLO 带外管理通道采集 BMC 日志。

写在最后

做算力适配的工程师大概都有个体会：这活儿技术上不难，但信息太碎。

NVIDIA 的文档是一套体系，海光又是一套，其他各家也有各自的体系。而且每家都在迭代——NVIDIA 把 Docker 仓库迁了，昇腾把 device-plugin 合到 mind-cluster 了，海光的驱动模块名从 hydcu 改成了 hycu。

芯片适配专家（GPU/NPU/DCU） Skill 做的事情就是把碎片化的信息收敛到一处，经过了多轮技术验证（每条命令、每个 URL、每个包名都搜过官方文档确认），减少在海量文档里查找的时间。

适配范围

芯片类型	支持型号（示例）
GPU（NVIDIA）	A100 / A800 / H100 / H800 / T4 / V100
NPU（昇腾）	910B / 910A / 310B / 310P
DCU（海光）	Z100 / Z100L / K100 / K100-AI / BW1000

适配操作系统：Ubuntu 20.04/22.04、CentOS 7/8、麒麟 V10、统信 UOS

如果你正在踩坑，现在就去试试。下次装机翻出来直接抄。若大家在使用此 Skill 的时候发现哪里跟实际有出入，欢迎反馈，我们持续修正。也欢迎更多人把自己工作中沉淀的好经验打包成 Skill 提交上来，SkillHub 的共建大门随时敞开。

相关链接：

芯片适配专家（GPU/NPU/DCU）Skill：

https://skillhub.openanolis.cn/skill/chip-adapter

Skillhub 官网链接：

https://skillhub.openanolis.cn

相关文章推荐：

从“能启动”到“可验证” ，一条命令在 Anolis OS 拉起统一大模型网关 | 龙蜥 SkillHub 精选

从 3 天排查缩到 20 分钟，一个内核老兵的 AI Skill 诞生记 | 龙蜥 SkillHub 精选

从此告别重复劳动，百款开源项目适配经验提纯成 AI Agents | 龙蜥 SkillHub 精选

教了 Agent 一百遍工程规矩，我干脆把它写成了 Skill | 龙蜥 Skillhub 精选

敲了十年 vmstat，我把排查经验塞进了一个 AI Skill | 龙蜥 Skillhub 精选

一句话搞定 PG 集群部署和管理 | 龙蜥 Skillhub 精选

龙蜥社区 Skill 征集活动——「Skill 创造营」上线以来响应热烈。截至目前，龙蜥 SkillHub 已收到覆盖安全、系统运维、AI 推理、数据库等多个领域，一个面向 Infra 的 AI 技能生态正在加速成型。「Skill 创造营」持续征集中，诚挚欢迎每一位开发者提交你的 Skill 与最佳实践。如果你有感兴趣的方向或者关于 SkillHub 的问题，欢迎通过下方链接反馈给我们。

SkillHub 用户需求收集链接：

https://alidocs.dingtalk.com/notable/share/form/v014jKqm0b74KdjLnw1_f22ghuX_M7AJs3D