nvrx-attr

par nvidia

Couche d'orchestration au-dessus des modules d'attribution de nvidia_resiliency_ext. Fournit une analyse des logs, une analyse fr, et un retour d'injection de fautes orienté Megatron-LM…

npx skills add https://github.com/nvidia/nvidia-resiliency-ext --skill nvrx-attr

Attribution Skills

High-level orchestration layer over the nvidia_resiliency_ext.attribution modules. Each subdirectory is a self-contained skill with its own SKILL.md and helper scripts.

Skills

DirectoryPurposeEntry point
log-analysis/Analyze SLURM job logs for failure root-cause and restart decisionsRestartAgent (python -m nvidia_resiliency_ext.attribution.restart_agent.cli)
fr-analysis/Analyze NCCL flight-recorder dumps for collective-hang root-causeCollectiveAnalyzer (fr_attribution.py)
fault-injection-loop/Run a batched SLURM fault-injection feedback loop and score attribution accuracyprepare_node_alloc.sh / watch_and_analyze.sh

How skills relate to the library

src/nvidia_resiliency_ext/
├── attribution/
│   ├── restart_agent/                    ← log-analysis implementation
│   ├── trace_analyzer/fr_attribution.py  ← fr-analysis implementation
│   └── mcp_integration/                  ← packaged restart-agent + FR MCP tools
└── skills/
    └── nvrx-attr/                        ← this skill bundle
        ├── log-analysis/
        ├── fr-analysis/
        └── fault-injection-loop/

Use the packaged restart_agent and trace_analyzer entry points for current log and FR analysis. Legacy LogSage, SPLITLOG, and combined LogSage+FR tools live under attribution/legacy_logsage/ for source-checkout workflows only.

Common prerequisites

  • LLM_API_KEY environment variable, LLM_API_KEY_FILE, or ~/.llm_api_key
  • Source checkout or installed package with the attribution extra for restart-agent and FR analysis
  • The fault-injection loop has only been validated with Megatron-LM training scripts

Fault-Loop Local Setup

Before using fault-injection-loop/, create the local config file from the tracked template and fill in your site-specific values:

cp scripts/user.env.example scripts/user.env

The feedback-loop scripts require src/nvidia_resiliency_ext/skills/nvrx-attr/scripts/user.env to exist at runtime. Keep user.env local and untracked.

Plus de skills de nvidia

fhir-basics
nvidia
Apprend aux agents comment fonctionnent les API FHIR R4, quelles ressources sont disponibles, comment les interroger avec des paramètres de recherche, et comment analyser correctement tous les formats de réponse…
compileiq-validate-result
nvidia
Utiliser APRÈS qu'une recherche soit terminée et AVANT de réclamer un accélérateur ou d'expédier un ACF. Charge le CSV dump_results, extrait les K meilleurs candidats (mono-objectif)…
changelog-audit
nvidia
Auditer le CHANGELOG.md de Warp avant une publication : récupérer les entrées perdues, trier par impact utilisateur, affiner le langage des entrées, ajuster les retours à la ligne et (en mode branche de publication) mettre à jour la comparaison…
dgx-diagnose
nvidia
Diagnostiquer les problèmes courants du DGX Station GB300 — plantages CUDA, ciblage incorrect du GPU, bugs de conteneur vLLM/SGLang, problèmes d'état MIG, erreurs NVLink/Fabric Manager,…
aicr-managing-openvex
nvidia
Use when adding, updating, or removing CVE/GHSA suppressions in `.openvex.json` — the OpenVEX document consumed by the daily image vulnerability scan workflow.…
aicr-creating-slide-decks
nvidia
À utiliser lors de la création d'un diaporama HTML autonome ou d'un support visuel pour un concept technique ou un flux de travail (par exemple un demos/*.html) — affiché en plein écran ou…
aicr-creating-guided-demos
nvidia
Génère un script de démonstration guidée interactive (demos/*.sh), en direct ou à son rythme, avec le modèle Frame → Tell → Show → Close. Se déclenche sur « script de démonstration », « guidé…
aicr-analyzing-snapshots
nvidia
À utiliser lors de l'analyse d'un fichier YAML de snapshot AICR, de l'examen de l'état du cluster, de la comparaison des caractéristiques des fournisseurs, de l'extraction d'informations sur la topologie GPU/réseau, ou…