NVIDIA/skills · 上手攻略

仓库：NVIDIA/skills
链接：https://github.com/NVIDIA/skills
分类：Agent Skills / Agent 工具链（NVIDIA 全栈官方认证）
作者：spark
更新：2026-09-09

本攻略面向已经把 Claude Code / Codex / Cursor 等"会读 SKILL.md 的编码代理"装进日常开发流的人——你想让代理真的会用 NVIDIA 那套 CUDA-X、AI Blueprint、DOCA、NeMo 工具链，而不是写一段看起来像、实际跑不起来的伪代码。NVIDIA/skills 这个仓库就是 NVIDIA 自己写好、扫描过、签名过、放进官方目录的"SKILL.md 教材包"，你可以整包拉，也可以按需挑。

1. 这是什么

NVIDIA/skills 是 NVIDIA 官方维护的 GitHub 仓库（目录名小写，slug 写作 nvidia-skills ⚠️ 注意不要和 NVIDIA-NeMo/Skills 那个 LLM 训练技能仓库混淆——那是做数学/代码 LLM 微调的，目标是改进模型本身；本仓库是教代理怎么调用 NVIDIA 工具链的，目标是改进代理能力）。它把分散在 NeMo、cuOpt、Holoscan、Isaac、DOCA、Dynamo、Earth2Studio 等几十个产品仓库里的"文档+脚本+教程"压缩成一个个符合 agentskills.io 开放规范的 SKILL.md，然后用一条统一的发布流水线（每日从上游产品仓同步 → SkillSpector 安全扫描 → 加密签名 → SkillCard 元数据 → 公开目录）把每个 skill 变成可验证、可溯源、可在多个编码代理之间移植的"能力单元"。

截至 2026 年 9 月初，这个仓库已经覆盖至少 20 个产品域、300+ 个独立 skill（README 列出的目录清单从 AIQ 一路排到 VSS，每个产品域下还细分若干原子 skill）。

解决什么问题

代理不知道 NVIDIA 工具链的"正确姿势"：你问代理"用 cuDF 跑个 groupby"，代理可能写 import cudf; df.groupby(...)，但dask-cuDF 怎么拼、可空 dtype 怎么处理、多 GPU 怎么分片——这些坑文档里写得明白，代理的通用训练集里没有。
同类工具太多代理选不对：NeMo 里 AutoModel / MBridge / RL / Retriever 一票产品线，代理分不清哪个对应你的诉求。
跨产品域的工作流太长：比如"从 Jetson 摄像头采流 → DeepStream 解码 → Earth2 后续"这种端到端流程，单凭一段 prompt 拼不出来。
SKILL.md 满天飞但没人管：代理可以"安装任意 skill"，但哪个是 NVIDIA 自己写的、哪个是被魔改过的、哪个夹带了隐藏指令——NVIDIA/skills 用 SkillSpector 扫描 + 加密签名试图回答"你信不信得过这个 skill"。

2. 快速安装

2.1 通用做法（推荐）

仓库本身遵循 agentskills.io 规范，最方便的方式是用 skills CLI（npm 提供的 npx 命令）。这是 README 和官方 blog 里演示的方式。

# 先列出 nvidia/skills 里可用的 skill
npx skills add nvidia/skills --list

# 安装某一个具体 skill（比如 Nemotron 定制化）
npx skills add nvidia/skills \
  --skill nemotron-customize \
  --agent codex

# 安装时可以选安装范围
#   Global   → 装到 ~/.skills/
#   Project  → 装到当前项目 .skills/
#   按提示选 Yes/No 即可

CLI 会问你两件事：Proceed with installation? 和 Install the find-skills skill?（第二个是辅助 skill，让代理主动建议"这个任务该用哪个 skill"）。

2.2 想自己 clone 仓库

git clone https://github.com/NVIDIA/skills.git
cd skills/skills/<产品域>/<skill 名>     # ⚠️ 仓库布局是两层 skills/

每个 skill 目录下都有 SKILLCARD.yaml（技能元数据）和若干 markdown 指令文档。

2.3 验证签名（可选，但企业级建议做）

NVIDIA 从 2025 年开始公开试验用 OpenSSF Model Signing（OMS）对每个 skill 做 detached 签名，验证步骤：

# 1. 下载 NVIDIA Agentic Capabilities 根证书
curl -L -o nv-agent-root-cert.pem https://docs.nvidia.com/skills/signing-agent-skills/

# 2. 安装签名验证工具
pip install model-signing

# 3. 对单个 skill 目录做签名验证
model_signing verify SKILL_DIR \
  --signature SKILL_DIR/skill.oms.sig \
  --certificate-chain nv-agent-root-cert.pem \
  --ignore-unsigned-files

通过即代表"从 NVIDIA 官方签名后下载以来未被篡改"。⚠️ 当前签名机制是"公开试验"，并非所有 skill 都强制带签，请按需启用。

2.4 兼容性

SKILL.md 同源兼容 Claude Code、Codex、Cursor，agent-skills.io 规范下同一份 markdown 在三个工具里都应该能被识别。

3. 核心用法（按场景挑 skill）

NVIDIA/skills 不是"装了就完事"——它更像一个技能菜单，你要先想清楚自己要解决什么问题。下面给一个最小可复现的"找→装→用"三段式：

场景 A：把 cuDF 当 GPU DataFrame 加速 pandas

npx skills add nvidia/skills --skill accelerated-computing-cudf

安装后在 Claude Code / Codex 里说"我要把 50 GB CSV 读进来按 user_id groupby 求均值"，代理会读 SKILL.md 并给出：

import cudf
import dask_cudf

# 单 GPU 直接读
gdf = cudf.read_csv("big.csv")

# 多 GPU 用 dask-cuDF 分片
ddf = dask_cudf.from_cudf(gdf, npartitions=4)
result = ddf.groupby("user_id").mean().compute()

⚠️ 坑：nullable dtype 行为和 pandas 不完全一致；不要混用 fillna(inplace=True)（cudf 已弃用）。

场景 B：用 cuOpt 跑配送路径优化

npx skills add nvidia/skills --skill cuopt-routing-api-python

仓库里光 cuOpt 域就给了 6 个 skill（cuopt-install / cuopt-multi-objective-exploration / cuopt-numerical-optimization-api 等），分别覆盖：环境安装、多目标对比、Python API、问题建模、路由求解、服务端部署——装一个 = 拿到一整套工作流的入口。

场景 C：在 Jetson 上做端侧 LLM 推理

Jetson 域分了BSP（编译期） 和 Device（运行时） 两组 skill：

npx skills add nvidia/skills --skill jetson-quick-start
npx skills add nvidia/skills --skill jetson-llm-serve
npx skills add nvidia/skills --skill jetson-llm-benchmark
npx skills add nvidia/skills --skill jetson-speculative-decoding

按顺序装完，代理就能带你做：BSP 选型 → 烧镜像 → 部署推理服务 → 打 benchmark → 开 speculative decoding 提速。

场景 D：搭建企业级 RAG 流水线

npx skills add nvidia/skills --skill aiq-deploy        # 部署 AI-Q 本地服务
npx skills add nvidia/skills --skill nemo-retriever    # NeMo Retriever 检索
npx skills add nvidia/skills --skill nemotron-retrieval-recipes  # Nemotron RAG 配方

⚠️ 三个 skill 角色不同：aiq-deploy 负责把服务跑起来；nemo-retriever 负责索引和检索底座；nemotron-retrieval-recipes 负责用 Nemotron 模型组合出完整 RAG 配方。

场景 E：Physical AI / 机器人 / 仿真

仓库里 Physical AI 域覆盖： - omniverse-cad-to-simready / omniverse-realtime-viewer / omniverse-usd-performance-tuning（Omniverse USD 三件套） - physical-ai-neural-reconstruction（NuRec 神经重建） - physical-ai-defect-image-generation（工业缺陷合成数据） - physical-ai-infrastructure-setup-and-resilient-scaling（生成/训练基础设施） - i4h-workflow-* 系列（Isaac for Healthcare 导管导航端到端）

4. 典型适用场景

你是谁	你想要什么	推荐装哪几个 skill
数据工程师	GPU 加速 pandas ETL	`accelerated-computing-cudf` + `cupynumeric-*`
算法工程师	LLM/VLM 大规模分布式训练	`nemo-automodel-` + `mcore-` + `launch-nemo-rl`
部署 / SRE	把推理服务搬到 K8s	`dynamo-recipe-runner` + `dynamo-router-starter` + `dynamo-troubleshoot`
嵌入式开发者	Jetson 端侧 LLM	`jetson-quick-start` + `jetson-llm-serve` + `jetson-inference-mem-tune`
量化研究员	用 NeMo-RL 做 RLHF/GRPO	`launch-nemo-rl` + `nemo-rl-docs` + `nemo-rl-session-memory`
医疗 AI 开发者	DICOM 处理 + MONAI 分割	`dicom-` + `nv-segment-ct` + `medtech-model-evidence-export`
机器人开发者	Isaac 仿真 + 合成数据	`i4h-workflow-`（医疗）或 `omniverse-`（通用）
网络/DPU 工程师	BlueField 编程	`doca-setup` + `doca-flow` + `doca-rdma`
气候/天气研究者	AI 天气预报	`earth2studio-install` + `earth2studio-deterministic-forecast`

5. 坑与注意

仓库里有"两个 skills"：README.md 顶部写到 NVIDIA/skills/├── skills/，注意外层有个 skills/ 目录，进到具体的 skill 还要再下一层 skills/<产品>/。clone 后 cd 路径别搞错。
Skills 数量在持续涨：仓库 README 列出的清单每次刷新都不同，不要硬编码"有哪些 skill"——每次用之前 npx skills add nvidia/skills --list 重新看。
签名机制是"公开试验"：并非所有 skill 都带 skill.oms.sig；按 README 提示，"--ignore-unsigned-files"会让验证脚本静默跳过未签名文件——这意味着没签 ≠ 有问题，只是 NVIDIA 还没为它出签名。企业生产用之前建议额外审查。
SkillSpector ≠ 万能：扫描器对照 OWASP LLM Top 10 / Agentic AI Risks / MITRE ATLAS 检查，但它不能保证 skill 内容永远正确——比如某个 API 已经被 NVIDIA 改名了，SKILL.md 里如果没及时同步，代理仍可能用过时接口。
NeMo 系列 skill 别一次全装：NeMo 一个域就有几十个 skill（AutoModel / MBridge / RL / Retriever / Relay / Evaluator / Data Designer / Fabric / Claw / Platform…），一次 npx skills add 不带 --skill 会全装，prompt 上下文会被撑爆。按场景挑 2-5 个装。
不要和 NVIDIA-NeMo/Skills 混淆：后者（github.com/NVIDIA-NeMo/Skills）是 LLM 数学/代码技能训练流水线，跟 NVIDIA/skills 完全两回事。如果你在 arxiv 论文里看到"NVIDIA Skills"基本指后者；本攻略指的是前者。
国内网络：从 GitHub clone 大文件没问题，但 npx skills add 会从 npmjs 拉取，建议先 npm config get registry 确认源可用；如果代理走不通，把 npm 镜像改成 npmmirror。
SkillCard 字段仍在演进：README 提到 SkillCard 模板随规范演化会被持续改，写自动化校验脚本前先看一次模板。

6. 与同类对比

仓库 / 工具	定位	与 NVIDIA/skills 的差异
`anthropics/skills`（已存在 `anthropics-skills.md`）	Claude Code 官方 skill 集合（创作、文档、研究方法）	通用创作/方法论，不绑定 NVIDIA 硬件或 CUDA 工具链
`anthropics/claude-code` / `openai/codex`	编码代理本身	是"消费者"——`NVIDIA/skills` 的 `SKILL.md` 就是被它们消费的
`composiohq/composio` / `punkpeye/awesome-mcp-servers`	MCP 工具/服务器市场	是"工具/能力"层；`NVIDIA/skills` 是"指令/方法"层；两者互补
`NVIDIA-NeMo/Skills`（注意前缀）	LLM 训练技能流水线（合成数据 + 评测）	目标是改进模型本身；`NVIDIA/skills` 目标是改进代理能力
`NemoClaw`（`NVIDIA/NemoClaw`）	代理沙箱运行时	同 NVIDIA 生态，但管"代理怎么跑"；`NVIDIA/skills` 管"代理会什么"
散在各 NVIDIA 产品 README 里的 markdown 教程	一次性文档	`NVIDIA/skills` 是它们的聚合 + 签名 + 标准化版本

简言之：NVIDIA/skills 的独特卖点是 "NVIDIA 官方 + 签名 + 扫描 + 跨产品聚合"，而不是任何单一 skill 的功能本身。如果你只用单个 NVIDIA 产品（比如只跑 cuDF），装对应的 accelerated-computing-cudf 一个 skill 就够；如果你在多个 NVIDIA 域之间来回跳（这是 NeMo / Physical AI / Jetson 用户常见情况），整张 skill 菜单的价值才显现。

7. 一句话推荐结论

NVIDIA/skills 是 NVIDIA 官方把自家几百个产品文档"打包成代理可直接调用的 SKILL.md 菜单"，加签名加扫描管起来了；做 NVIDIA 全栈开发（特别是 NeMo / Jetson / cuDF / cuOpt / DOCA / Physical AI）的人，按场景挑 2-5 个 skill 装到 Claude Code / Codex / Cursor，是当前性价比最高的"让代理真会用 NVIDIA 工具"的方式。 ⚠️ 注意这是教代理怎么用 NVIDIA 工具，不是做模型微调——别和 NVIDIA-NeMo/Skills 搞混。

spark · 2026-09-09 · 字数 ≈ 2,400 · 来源：NVIDIA/skills README（GitHub web_fetch 2026-09-08）+ NVIDIA Developer Blog "NVIDIA-Verified Agent Skills Provide Capability Governance for AI Agents" + npaka note《NVIDIA Agent Skills の概要》二次核对 + 仓库内 SkillSpector / SkillCard 引用。⚠️ 安装命令与 skill 清单来自 2026-09-08 抓取页面，仓库仍在持续扩充，使用前建议 npx skills add nvidia/skills --list 重新核对。