mindspore-ai/akg/akg-env-setup
Claude Code and agent skill by mindspore-ai/akg
- community
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-setupSKILL.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
- 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。
- 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。 - 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:
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:
venv:
检查 2 — LLM 连通性:
conda:
venv:
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:
| # | header | question | options | |
|---|---|---|---|---|
| 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
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。
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 NPU | python -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> | |||
|---|---|---|---|---|
| triton | python -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 + triton | ascend | triton_ascend | 从 npu-smi 解析型号 | |
| NVIDIA GPU + CUDA + triton | cuda | triton_cuda | 从 nvidia-smi 解析型号 | |
| g++/clang++ 可用 | cpu | cpp | uname -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:
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 $HOME_DIR/.akg/check_env.md 的「可用后端 & DSL & 架构」表中读取所有可用组合,用 question 工具请用户选择本次使用的配置:
根据您的环境检测,可用配置如下:请选择:1. backend=cuda, arch=a100, framework=torch, dsl=triton_cuda2. backend=cpu, arch=x86_64, framework=torch, dsl=cpp...
options 只列出缓存中检测到的组合,不要添加"自行输入"类选项(question 工具自带「Type your own answer」入口,用户需要自定义时会自行使用)。缓存中只有一行时也需确认。
确认后按「算子参数规范化」规则处理(小写、别名转换、连字符→下划线等)。
进入 Step 6。
Step 6: 运行时依赖安装(FULL_SETUP 模式)
如果用户在 Step 5 选择的配置来自 check_env.md 中已有的组合,说明依赖已就绪,跳过本步骤,直接报告环境就绪并返回参数。
仅当用户通过「Type your own answer」输入了 check_env.md 中不存在的配置时,才需要检测并安装缺失依赖(所有 pip 命令通过命令模板在环境中执行):
backend = cpu
| 缺失 | 处理 | |
|---|---|---|
| torch | pip install torch --index-url https://download.pytorch.org/whl/cpu | |
| g++/clang++ | 检查可用性,不可用告知用户 |
backend = cuda
| 缺失 | 处理 | |
|---|---|---|
| torch | pip install torch | |
| triton | pip install triton |
backend = ascend
| 缺失 | aarch64 | x86_64 | |
|---|---|---|---|
| torch | pip install cpu 版 | 🛑 需用户提供 .whl | |
| torch_npu | pip install | 🛑 需用户提供 .whl | |
| triton-ascend | 🛑 需用户提供 .whl | 🛑 需用户提供 .whl |
🛑 标记项必须调用question工具索要 .whl 路径。pip 包名用连字符(如triton-ascend),API 参数用下划线(如triton_ascend)。
【重要】:安装完成后,更新 `$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
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
- SKILL.md in the repositoryCheckingakg_agents/workspace/.opencode/skills/akg-env-setup/SKILL.md
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
[](https://verified-skill.com/skills/mindspore-ai/akg/akg-env-setup)