log-analysis

tarafından nvidia

Bir SLURM iş günlük dosyasını, hata kök neden tespiti ve yeniden başlatma kararları için NVRxLogAnalyzer kullanarak analiz edin. Bir SLURM eğitim iş günlüğünüz olduğunda ve…

npx skills add https://github.com/nvidia/nvidia-resiliency-ext --skill log-analysis

Skill: log_analysis

Analyze a SLURM job log file for failure root-cause attribution and restart decisions using RestartAgent.

Command: python -m nvidia_resiliency_ext.attribution.restart_agent.cli


What it does

  1. Reads the log file (UTF-8, falls back to latin-1).
  2. Builds deterministic L0 evidence from training progress, failure lines, checkpoint state, and known restart-policy signals.
  3. Optionally runs L1 model enrichment to explain the primary failure and related evidence.
  4. Applies the restart-agent retry/recovery policy and returns a structured STOP or RESTART decision.

CLI

python -m nvidia_resiliency_ext.attribution.restart_agent.cli \
    /path/to/job.log \
    [--job-id JOB_ID] \
    [--cycle-id CYCLE_ID] \
    [--config examples/attribution/restart_agent.json] \
    [--llm-model MODEL] \
    [--llm-base-url URL] \
    [--llm-api-key-file PATH] \
    [--disable-l1] \
    [--summary]
FlagDefaultDescription
log_pathrequiredPath to the job log file
--job-idunsetOptional job id for request metadata and retry history
--cycle-idunsetOptional cycle id for retry history
--configunsetVersioned restart-agent config for configured model routes and retry policy
--llm-modelenvironment/default configL1 enrichment model when --config is not used
--llm-base-urlenvironment/default configOpenAI-compatible base URL when --config is not used
--llm-api-key-fileenvironment/default configFile containing the L1 API key
--disable-l1offRun deterministic-only analysis
--summaryoffEmit a compact human-readable summary to stderr in addition to JSON stdout

Programmatic API

from nvidia_resiliency_ext.attribution.restart_agent.l1 import LlmConfig, LlmEvidenceExtractor
from nvidia_resiliency_ext.attribution.restart_agent.models import RestartAgentRequest
from nvidia_resiliency_ext.attribution.restart_agent.pipeline import RestartAgent

agent = RestartAgent(evidence_extractor=LlmEvidenceExtractor(LlmConfig.from_env()))
run = agent.run(RestartAgentRequest(log_path="/path/to/job.log", job_id="12345"))
result = run.result.to_payload()

Output

The CLI prints one JSON object to stdout. Important fields include:

FieldMeaning
decisionRESTART or STOP
decision_basisPolicy reason for the decision
retry_policyRetry budget and selected rule details
primary_failurePrimary failure evidence, when identified
secondary_failuresRelated or cascading failure evidence
evidence_coverageWhich evidence sources were checked/found
justificationHuman-readable explanation for the final decision

Prerequisites

  • LLM_API_KEY set (env var, LLM_API_KEY_FILE, or ~/.llm_api_key) for L1 enrichment
  • Use --disable-l1 when you want deterministic-only analysis without model access

nvidia tarafından daha fazla skill

fhir-basics
nvidia
Ajanlara FHIR R4 API'lerinin nasıl çalıştığını, hangi kaynakların mevcut olduğunu, arama parametreleriyle nasıl sorgulanacağını ve tüm yanıt formatlarının nasıl doğru şekilde ayrıştırılacağını öğretir…
compileiq-validate-result
nvidia
Bir arama tamamlandıktan SONRA ve herhangi bir hızlandırma talep etmeden veya bir ACF göndermeden ÖNCE kullanın. dump_results CSV dosyasını yükler, en iyi K adayı (tek amaçlı) çıkarır…
changelog-audit
nvidia
Bir sürüm öncesinde Warp CHANGELOG.md dosyasını denetle: kayıp girdileri kurtar, kullanıcı etkisine göre sırala, girdi dilini iyileştir, satır kaydırma yap ve (sürüm dalı modunda) karşılaştırmayı artır…
dgx-diagnose
nvidia
Yaygın DGX Station GB300 sorunlarını teşhis edin — CUDA çökmeleri, yanlış GPU hedefleme, vLLM/SGLang konteyner hataları, MIG durumu sorunları, NVLink/Fabric Manager hataları,…
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
Teknik bir kavram veya iş akışı için kendi kendine yeten bir HTML slayt sunumu veya görsel konuşma noktası oluştururken kullanın (ör. demos/*.html) — tam ekran gösterilir veya…
aicr-creating-guided-demos
nvidia
Etkileşimli rehberli demo scripti (demos/*.sh) hazırlar, canlı veya kendi hızında, Frame → Tell → Show → Close deseniyle. "demo script", "guided…" üzerine tetiklenir.
aicr-analyzing-snapshots
nvidia
AICR snapshot YAML dosyasını analiz ederken, küme durumunu incelerken, sağlayıcı özelliklerini karşılaştırırken, GPU/ağ topolojisi içgörüleri çıkarırken veya… kullanın.