mindspore-ai/akg/akg-env-setup

Claude Code and agent skill by mindspore-ai/akg

Trust tier 2
  • community
LLM review pending
Source check pending

Checking that the SKILL.md file is still in the repository.

akg_agents 环境准备。缓存优先,检查 akg_cli + LLM 连通性, 未安装则引导安装,采集硬件/Framework/DSL。 FULL_SETUP 模式额外包含参数确认和运行时依赖安装。

Install

npx vskill@latest install mindspore-ai/akg/akg-env-setup

SKILL.md

The same SKILL.md was published earlier as mindspore-ai/akg/akg-env-setup.

akg_agents 环境准备

⛔ 核心规则

  1. 检查失败后只有两条路径:询问用户是否有其他可用环境、询问用户是否同意自动安装。除此之外禁止任何操作。
  2. 遇到 🛑 必须调用 question 工具并等待用户回复,不得跳过或自行决定。
  3. 禁止执行本文档未列出的命令。

流程总览

Step 0 解析 $HOME_DIR → 读取缓存
├─ 命中 ──────────────────────────────┬─ FULL_SETUP → Step 5
│ └─ 否则 → 结束
└─ 未命中 → Step 1 检查 akg_cli + LLM
├─ 通过 → Step 4 采集硬件/Framework/DSL
│ ├─ 4a 硬件
│ ├─ 4b Framework
│ ├─ 4c DSL & 后端推断
│ └─ 4d 写入缓存(必须,不可跳过)
│ ├─ FULL_SETUP → Step 5 → (Step 6 [可选,仅需要新依赖时]) → 结束
│ └─ 否则 → 结束
└─ 失败 → Step 2 询问用户(一次收集处理方式+环境信息)
├─ 已有环境 → Step 1(重试)
└─ 需要安装 → Step 3 → Step 1(重试)

Step 0: 解析 HOME_DIR & 读取环境缓存

首先执行以下命令获取 home 目录绝对路径,赋值给 $HOME_DIR:

bash
echo $HOME

后续所有路径中的 $HOME_DIR 均使用此值。

然后读取 $HOME_DIR/.akg/check_env.md:

  • 文件存在:
  • FULL_SETUP → 跳到 Step 5(每次任务都需确认参数)
  • 非 FULL_SETUP → 报告就绪,流程结束
  • 文件不存在 → 进入 Step 1

Step 1: 执行两项检查

需要先确定 $ENV_TYPE、$CONDA_ENV/$VENV_PATH 和 $AKG_AGENTS_DIR。优先使用调用方提供的值,未提供时使用当前已激活的环境。

检查 1 — akg_cli 可用性:

conda:

bash
conda run -n $CONDA_ENV --no-capture-output bash -c \
"cd $AKG_AGENTS_DIR && source env.sh && which akg_cli"

venv:

bash
bash -c "source $VENV_PATH/bin/activate && cd $AKG_AGENTS_DIR && source env.sh && which akg_cli"

检查 2 — LLM 连通性:

conda:

bash
conda run -n $CONDA_ENV --no-capture-output bash -c \
"cd $AKG_AGENTS_DIR && source env.sh && \
python tools/v2/use_llm_check/test_run_llm.py"

venv:

bash
bash -c "source $VENV_PATH/bin/activate && cd $AKG_AGENTS_DIR && source env.sh && \
python tools/v2/use_llm_check/test_run_llm.py"

判定:

  • ✅ 两项全部通过 → 进入 Step 4
  • ❌ 任一失败 → 进入 Step 2,禁止自行尝试其他环境。

Step 2: 🛑 报告失败并询问用户

调用 question 工具,一次调用 3 个问题,同时收集处理方式和环境信息:

#headerquestionoptions
1处理方式akg_agents 在当前环境中不可用。检查结果:<哪项通过、哪项失败及错误信息>。请选择处理方式:"使用已有环境" / "新建环境安装"
2环境类型选择 Python 环境类型"conda" / "venv"
3环境名或路径conda 填环境名(如 akg_agents),venv 填绝对路径(如 ~/akg/.venv)"akg_agents(默认)"
问题 3 用户可选择默认值或通过「自定义输入」填写自己的环境名/路径。

处理回复:

  • 处理方式 = 使用已有环境 → 用问题 2、3 的回答设置 $ENV_TYPE、$CONDA_ENV/$VENV_PATH,回到 Step 1 重试
  • 处理方式 = 新建环境安装 → 检测目标环境是否已存在:
  • 不存在 → 进入 Step 3
  • 已存在 → 再调用一次 question:

> 环境 $CONDA_ENV/$VENV_PATH 已存在,请选择: > 1. 复用该环境安装 > 2. 删除重建 > 3. 取消

  • 复用 / 重建 → 进入 Step 3
  • 取消 → 流程结束

Step 3: 委派 akg-installer

task(subagent_type="akg-installer", load_skills=[],
run_in_background=false,
description="Install akg_agents",
prompt="请安装 akg_agents。ENV_TYPE=<类型> CONDA_ENV=<名称>/VENV_PATH=<路径> ENV_ACTION=<reuse|recreate>。<用户原始请求>")

安装完成后,重新从 Step 1 开始检查(安装成功 → 检查通过 → 进入 Step 4)。


Step 4: 采集环境信息 & 写入缓存

Step 1 两项检查通过后执行以下步骤。

4a. 硬件采集(系统级,无需环境激活)
⛔ nvidia-smi 和 npu-smi info 的输出禁止截断(不得添加 head/tail/| head -N 等),必须获取完整输出以准确识别所有设备数量。截断会导致多卡被误认为少卡。
bash
uname -m
cat /proc/cpuinfo 2>/dev/null | grep "model name" | head -1 || sysctl -n machdep.cpu.brand_string 2>/dev/null
nvidia-smi 2>/dev/null
npu-smi info 2>/dev/null
free -h 2>/dev/null || sysctl hw.memsize 2>/dev/null

采集后处理:从工具输出中提取芯片型号后,必须按规范化规则转换再写入缓存。例如 npu-smi 输出的 910B4 必须转换为 ascend910b4,nvidia-smi 输出的 A100 必须转换为 a100。缓存中的 arch 字段必须是规范化后的值。

4b. Framework 采集(在环境中执行)

torch 始终采集。torch_npu 仅在 4a 检测到 Ascend NPU 时采集。

项目采集条件<CMD>
torch始终python -c "import torch; print(torch.__version__, 'CUDA:', torch.cuda.is_available())"
torch_npu有 Ascend NPUpython -c "import torch_npu; print(torch_npu.__version__)"
4c. DSL 采集 & 后端推断

triton 仅在 4a 检测到 Ascend NPU 或 NVIDIA GPU 时采集:

项目<CMD>
tritonpython -c "import triton; print(triton.__version__)"
g++/clang++`g++ --version 2>/dev/null \\clang++ --version 2>/dev/null`(系统命令,无需命令模板)

按检测结果列出所有可用后端(一台机器可匹配多行):

条件后端DSL架构
Ascend NPU + torch_npu + tritonascendtriton_ascend从 npu-smi 解析型号
NVIDIA GPU + CUDA + tritoncudatriton_cuda从 nvidia-smi 解析型号
g++/clang++ 可用cpucppuname -m
⛔ 4d. 写入 $HOME_DIR/.akg/check_env.md

重要:此步骤不可跳过。不写入缓存,后续每次启动都会重复完整环境检查。

将 Step 4a–4c 的采集结果按附录格式写入 $HOME_DIR/.akg/check_env.md。环境缓存示例:@references/example_check_env.md

写入后立即验证:

bash
test -f $HOME/.akg/check_env.md && echo "✅ 缓存已写入" || echo "❌ 缓存写入失败"

验证通过后:

  • 非 FULL_SETUP → 报告环境就绪,流程结束
  • FULL_SETUP → 进入 Step 5

Step 5: 🛑 参数推断与确认(FULL_SETUP 模式)

从 $HOME_DIR/.akg/check_env.md 的「可用后端 & DSL & 架构」表中读取所有可用组合,用 question 工具请用户选择本次使用的配置:

根据您的环境检测,可用配置如下:
请选择:
1. backend=cuda, arch=a100, framework=torch, dsl=triton_cuda
2. backend=cpu, arch=x86_64, framework=torch, dsl=cpp
...

options 只列出缓存中检测到的组合,不要添加"自行输入"类选项(question 工具自带「Type your own answer」入口,用户需要自定义时会自行使用)。缓存中只有一行时也需确认。

确认后按「算子参数规范化」规则处理(小写、别名转换、连字符→下划线等)。

进入 Step 6。


Step 6: 运行时依赖安装(FULL_SETUP 模式)

如果用户在 Step 5 选择的配置来自 check_env.md 中已有的组合,说明依赖已就绪,跳过本步骤,直接报告环境就绪并返回参数。

仅当用户通过「Type your own answer」输入了 check_env.md 中不存在的配置时,才需要检测并安装缺失依赖(所有 pip 命令通过命令模板在环境中执行):

backend = cpu

缺失处理
torchpip install torch --index-url https://download.pytorch.org/whl/cpu
g++/clang++检查可用性,不可用告知用户

backend = cuda

缺失处理
torchpip install torch
tritonpip install triton

backend = ascend

缺失aarch64x86_64
torchpip install cpu 版🛑 需用户提供 .whl
torch_npupip install🛑 需用户提供 .whl
triton-ascend🛑 需用户提供 .whl🛑 需用户提供 .whl
🛑 标记项必须调用 question 工具索要 .whl 路径。
pip 包名用连字符(如 triton-ascend),API 参数用下划线(如 triton_ascend)。

【重要】:安装完成后,更新 `$HOME_DIR/.akg/check_env.md`,重新执行 Step 4b–4c 采集最新 Framework 和 DSL 版本。

报告环境就绪,向调用方返回已确认的 framework/backend/arch/dsl。流程结束。


附录:$HOME_DIR/.akg/check_env.md 完整格式

markdown
# AKG Agents 环境缓存
> 自动生成。删除此文件可强制重新检查。
## 环境配置
-HOME_DIR: <绝对路径>
-ENV_TYPE: <conda 或 venv>
-CONDA_ENV: <环境名>(仅 conda)
-VENV_PATH: <路径>(仅 venv)
-AKG_AGENTS_DIR: <绝对路径>
## 命令模板
将 <CMD> 替换为实际命令:
<根据 ENV_TYPE 和 AKG_AGENTS_DIR 生成的完整命令模板,含激活环境和 source env.sh>
## 验证状态
-akg_cli: ✅
-LLM: ✅ 或 ⚠️(未配置 API Key)
## 硬件
-CPU: <架构和型号>
-GPU/NPU: <型号或无>
-内存: <大小>
## Framework
-torch: <版本> (CUDA: True/False)
-torch_npu: <版本>(如有)
## DSL
-triton: <版本>(如有)
-g++/clang++: <版本或"未安装">
## 可用后端 & DSL & 架构(可多行)
| 后端 | DSL | 架构 |
|------|-----|------|
| <后端1> | <DSL1> | <架构1> |
| <后端2> | <DSL2> | <架构2> |
环境缓存仅存储环境级信息(硬件、已安装的 Framework和DSL、命令模板)。任务级参数配置(framework/backend/arch/dsl 选择、当次所用的 device id等)不缓存,每次任务由调用方确认。

Security

  • Security scanPassed, 100 of 100Pattern checks on the skill's files.
  • Model reviewNot runA model review is scheduled for the next rescan.

Quality evaluation

  • Task evaluationNot runNo evaluation yet. Run one in Skill Studio.

Source

Popularity

Repository stars
259
Repository forks
48
7-day trend score
28

Stars and forks are for the whole GitHub repository, not this skill alone. Not refreshed yet.

Works with

Any agent vskill installs to: 56 targets in all. These 39 have a page on this site.

  • Claude Code
  • Cursor
  • GitHub Copilot
  • Windsurf
  • Codex
  • Gemini CLI
  • Cline
  • Amp
  • Roo Code
  • Goose
  • Continue
  • Kilo Code
  • Junie
  • Trae
  • OpenHands
  • Qwen Code
  • AI Agent
  • Tabnine Chat
  • Sourcegraph Cody
  • Amazon Q
  • Firebase Genkit
  • Sweep
  • Devin
  • Phind
  • Mentat
  • Claude Desktop
  • Aider
  • GPT Pilot
  • Plandex
  • bolt.new
  • v0
  • Replit Agent
  • Anse
  • TypingMind
  • BetterChatGPT
  • LibreChat
  • Warp AI
  • Pieces
  • Fig AI
Embed badge
vskill VERIFIED badge
[![vskill VERIFIED](https://verified-skill.com/api/v1/skills/mindspore-ai/akg/akg-env-setup/badge)](https://verified-skill.com/skills/mindspore-ai/akg/akg-env-setup)

Something wrong with this skill or its page? Tell us.