Inspire Skill: the Agent-Native cockpit for the Inspire compute platform

让 AI Agent 直接在本地 CLI 里完成启智平台的全部操作。

本项目建立的意义

在本项目开始筹办之初，对于所有 SII 的学生，启智平台是科研实验链路里最慢的那一环：每次申请资源、新建 Notebook、新建训练任务、同步代码都要反复点点点，SSH 等更进一步的功能更是遥遥无期。

本着过渡到大 Agent 时代、将一切重复性机械工作交给 Agent 的初衷，我们创办了 InspireSkill 项目，旨在将启智平台 GUI 打平为 CLI，并建立了 CLI + Skill 的一体化系统，让 InspireSkill 成为所有 Agent 开箱即用的工具、让你的 Codex / Claude Code / Cursor / OpenCode / ZCode / Kimi Code / Kimi Work / Qoder / Qoder Work / Antigravity / OpenClaw 成为进行科研工作的唯一入口。

建立和维护本项目的过程并非易事，InspireSkill 也并非只是将启智平台的网页 API 打平重构为 CLI 的简单工作，在维护本项目的过程中，设计高于平台语义的高层功能、寻找启智平台中细枝末节的 API 并将其优雅融入 CLI 系统中、尤其是维护一个易于 Agent 阅读且包含平台所有特性的文档系统都给我们带来了不小于 CLI 本身的麻烦。

在长时间的开发与维护中，以 @realZillionX 和 @JingYiJun 为首的开发团队始终秉持着注重细节与优雅的开发者精神，最终构建出一个令人满意的项目。时至今日，我们可以自豪地说：InspireSkill 所包含的功能，只有你想不到，没有我们做不到。它们包括但不限于：对 HDD / SSD / QB-ILM 等项目路径的优雅维护、翻转镜像的可见范围、将平台内部源入口交给 Agent（从而使在不可上网区配置镜像成为可能）、联网 Notebook 的 SSH 板块、受限 Notebook 的 JupyterTerminal 执行路径、空闲 8 卡整节点总量的查询、低优任务占用总量的查询、将 Notebook / 训练任务的资源视图 / 事件 / 聚合日志交给 Agent。

对初次使用者的简单介绍

InspireSkill 是启智平台的本地 Agent 驾驶舱。你继续在熟悉的 Codex、Claude Code、Cursor 等 Harness 中写代码、看 Git 状态、调用其他工具；启智算力由 Agent 通过同一套入口调度。它由三部分组成：

inspire CLI 把资源查询、Notebook 连接、GPU Job / HPC / Ray 提交、Serving 部署、TensorBoard 曲线读取、资产管理和清理变成可串联的命令。资源用可读 Name 和 Account Alias 寻址；需要脚本消费时使用 JSON 输出。
SKILL.md 与 references/ 告诉 Agent 何时选哪类工作负载、怎样从实时目录选调度条件、怎样观察任务并核验产物。安装器把它们放到受支持的 Harness 目录，用户不必在每次对话里重讲平台语义。
Python SDK 与 CLI 使用同一个安装包，提供同步和异步客户端，让研究脚本、服务和 Agent runtime 直接调用启智能力。

给 Agent 一个目标，它就能先查当前可用的 Workspace、Quota 和镜像，准备共享盘上的代码与数据，提交合适的任务，再沿 Events、Logs、Metrics 和 Instances 追踪到结果，最后清理不再需要的资源。整个流程留在你的本地代码仓库和现有 Agent 中；命令可复现，稳定资产可按需记入 INSPIRE.md。

从选资源到验收结果，InspireSkill 让 Agent 真正掌控启智。

为什么不直接使用 QWorks？

启智推出的 QWorks 是下载到本机的独立 Harness，但它把用户限定在自己的 Agent 入口。已经在使用 Codex、Claude Code、Cursor 等客户端及其订阅套餐的人，无法直接把这些套餐带进 QWorks；接入其它模型仍需走 API。InspireSkill 把启智能力送进你已经选好的 Agent，无需为启智再迁移一次工作台。

| 维度 | QWorks | InspireSkill | | --- | --- | --- | | Agent 入口 | QWorks 自带的单一 Harness | 安装到 Codex / Claude Code / Cursor / OpenCode 等受支持的 Harness，也可直接使用 CLI | | 模型与套餐 | 其它 AI 客户端的订阅套餐不能直接复用，外部模型按 API 接入 | 继续使用原 Harness 已有的模型配置和套餐；InspireSkill 不接管模型计费 | | 启智操作 | 在 QWorks 内连接启智模型、工作界面与远程计算环境 | 在本地用命令覆盖资源发现、Notebook、GPU Job、HPC、Ray、Serving、TensorBoard 和资产管理 | | 工作流 | 围绕 QWorks 会话与界面 | 本地 Repo、Git、其他工具与启智命令处于同一工作流；命令可脚本化，JSON 输出可接入自动化 |

你已经有顺手的 Agent，就不必为了使用启智再换一个。

快速上手

支持 macOS、Linux 和 Windows；CI 覆盖三个平台。命令组与参数以 inspire --help 和各子命令的 --help 为准。

安装

macOS / Linux

需要 bash、curl、tar、Python 3.10+，以及 uv（推荐）或 pipx。尚未安装 uv 时先运行第一行：

curl -LsSf https://astral.sh/uv/install.sh | sh
curl -fsSL https://raw.githubusercontent.com/realZillionX/InspireSkill/main/scripts/install.sh | bash

安装器从 PyPI 安装 CLI，并把 Skill 放入检测到的 Harness。可用 bash -s -- --harness codex,claude 指定目标；--no-cli 只装 Skill，--no-schedule 跳过 macOS 每日版本检查。

Windows

需要 Python 3.10+、uv（推荐）或 pipx，以及系统 OpenSSH 客户端；不需要 WSL。在仓库根目录运行 install.ps1：

powershell -c "irm https://astral.sh/uv/install.ps1 | iex"
Add-WindowsCapability -Online -Name OpenSSH.Client~~~~0.0.1.0
Set-ExecutionPolicy -Scope Process Bypass
.\scripts\install.ps1

脚本自动检测 Harness；-SkipPlaywright 跳过浏览器运行时（浏览器登录不可用），-SkipSkill 只装 CLI，-Version 安装指定版本。安装后运行 inspire --version、inspire --help 确认入口可用。

账号与初始化

账号配置与当前仓库无关，是本地 Alias。account add 会询问平台登录名、密码、地址及代理；登录名是平台接受的手机号、学号或邮箱，配置保存在 ~/.inspire/accounts//config.toml。未在账号文件中保存密码时，可用 INSPIRE_PASSWORD 补充。

inspire account add <name>
inspire account check
inspire init
inspire resources availability --workspace 分布式训练空间 --include-cpu

inspire init 校验并规范化账号配置，不绑定仓库、Project 或资源。创建工作负载时显式选择 Workspace、Project、计算组、Quota、镜像和远端路径。需要从校园网外访问平台时，先按下文代理配置配置连接。

多账号可用 inspire account use 设置默认账号、inspire account current 查看默认值、inspire account rename 修改本地 Alias。所有命令可用 --account 临时选择账号，例如 inspire --account notebook list --workspace CPU资源空间；这不会改变默认账号，切换也不会清除各账号的 Session、SSH 连接和资源缓存。

更新与卸载

inspire update                  # 升级 CLI 并刷新 Skill
inspire update --check          # 只检查
inspire update --cli-only       # 仅升级 CLI 与浏览器运行时
inspire update --skill-only     # 仅刷新 Skill 与 references/
inspire uninstall               # 卸载 CLI 与安装器管理的 Skill

update 自动识别 uv tool / pipx，并在遇到旧版遗留的本地状态时先列清单、再询问是否清理。卸载前也会列出目标并确认；账号配置和共享的 Playwright 浏览器缓存默认保留，分别用 inspire uninstall --purge 和 inspire uninstall --purge-runtime 删除，用户维护的 INSPIRE.md 不受影响。CLI 无法运行时，可用安装脚本的 --uninstall 兜底。

Windows 原生注意事项

Get-Command ssh -All 确认实际使用的 ssh.exe；系统 OpenSSH 与 Git for Windows 的 ProxyCommand 处理方式不同。
PowerShell 5.1 的 >> 会写出 OpenSSH 无法读取的 UTF-16LE。追加 SSH 配置时用 inspire notebook ssh-config | Out-File -Encoding utf8 -Append $env:USERPROFILE\.ssh\config；PowerShell 7+ 可直接用 >>。
Windows OpenSSH 会拒绝权限过宽的私钥；遇到 UNPROTECTED PRIVATE KEY FILE 时收紧 %USERPROFILE%\.ssh 的 ACL。rsync 不是必需项，文件传输可用 inspire notebook scp。

能力一览

按能力域折叠，点开你关心的那一个。命令组、子命令、参数和默认值一律以 inspire --help 为准。

📝 Notebook 统一入口 —— 交互工作台、连接、文件流转、把跑通的环境固化成镜像

全链路命令化：create / batch / list / status / start / stop / delete / ssh / ssh-config / ssh-proxy / connection / exec / shell / scp / install-deps / proxy-url / path / quota / profile / metrics / events / lifecycle / save-image / cancel-save-image。容器里部署好的服务用 proxy-url --port 拿到外部地址直接请求；ssh-proxy 是给 OpenSSH ProxyCommand 用的裸流转发，ssh-config 生成的配置里就指向它。

把跑通的环境固化成镜像是 Notebook 自己的生命周期事件：save-image 会先报平台估算的快照体积（--dry-run 只估不存），保存期间该 Notebook 不可操作，中途要拿回来用 cancel-save-image——已经打出「等待推送」之后取消仍然生效。默认是在起点镜像上追加增量层，反复迭代会持续累积层数；--flatten 把结果合并成单层，适合固化基底或在多轮迭代后收敛镜像。估算值、最终体积和构建耗时随基底与改动内容变化，以本次命令和镜像状态为准。

显卡不是 H100 / H200 的 Notebook 可使用 OpenSSH / SCP / SSH Config；H100 / H200 受限 Notebook 使用 JupyterTerminal 执行命令，文件流转以 /inspire/... 共享路径为边界，并通过支持 SSH 的 Notebook 使用 notebook scp 或外部 rsync 完成本地上传/下载。连接类命令只解析所选账号的 Notebook Connection；传 --account 可使用其他账号，无需切换默认账号。

🏃 GPU 后台任务（平台名：分布式训练） —— 一张卡到多节点，后台 GPU 任务都走这里

平台官方把 job 这一路叫“分布式训练” / Distributed Training；提交 Job 时只要求 GPU 计算资源和启动命令，不强制程序必须是训练。inspire job 可用于一张卡、多卡、单节点、多节点等后台 GPU 任务：分布式训练 / 批量推理 / 并发 Worker Pool 都走这里（hpc 对应 CPU Slurm）。

inspire job create / batch / list / status / command / wait / stop / delete / events / instances / shell / logs / metrics / quota / profile。提交统一使用 job create（一次提交多个用 job batch）；--exclude-node 排除坏节点，Workspace 开启指定节点能力时用可重复的 --specified-node 绑定节点，二者都会进入 dry-run。可用 --enable-notification 开启当前用户绑定飞书账号的状态通知；脚本里等任务跑完用 job wait，忘了提交时写的启动命令用 job command 原样读回；需要跟日志时用 job logs --workspace --follow，健康度用 job metrics --workspace 看 GPU、显存、CPU、内存、I/O 和多 Pod 负载是否同步。

🚀 HPC 任务分派 —— 只写 Slurm 正文，两层规格由 CLI 在提交前挡下

inspire hpc create / batch / list / status / stop / delete / events / instances / shell / logs / metrics / quota / profile。hpc create -c 只写 Slurm 正文 + 显式 srun，平台自动补 #SBATCH 头。两层独立：节点资源用 --quota gpu,cpu,mem（CLI 自动解析到平台 Quota Row），Slurm 调度用 --number-of-tasks / --cpus-per-task / --memory-per-cpu。

两层之间平台和网页端都不校验，规格不匹配时要么 FAILED 且日志和事件里都没有原因，要么一直 RUNNING 却什么都没跑，所以 hpc create 在提交前自己挡下这些组合。hpc status 的 Steps 是判断「程序到底跑没跑」的字段——正文忘了 srun 的任务照样报成功，但 Steps 是 0/0。

🧬 弹性计算（Ray） —— Head 加可伸缩 Worker Group，以及弹性到底动没动过

inspire ray create / batch / list / status / start / stop / delete / events / instances / shell / logs / metrics / scaling / quota / profile：一个 Head 加多个可伸缩 Worker Group。停掉的 Job 保留完整集群规格，ray start 原样拉回来，不需要重新指定；平台在这里会「受理但不执行」，所以命令以状态真的离开 STOPPED 为准，没动就报失败。

弹性是 Ray 存在的理由，而「min / max 到底动没动过」要用 ray scaling 才看得到：它按时间列出每个 Worker Group 的每一次副本数变更，空的历史说明这个弹性区间从来没被用到。

🛰 模型部署（Serving） —— 部署、伸缩、回滚，以及只有请求侧才看得见的那一半

inspire serving create / batch / list / status / start / stop / delete / scale / scale-history / versions / rollback / configs / events / instances / shell / logs / metrics / api-metrics / quota / profile：覆盖模型部署服务的创建、列表、状态、启停与删除、副本伸缩与伸缩历史、部署历史与回滚、可用配置、事件、实例、日志和指标；创建前用 serving quota --workspace 选 Quota，用 model deploy-config 确认规格下限。

metrics 看资源占用，api-metrics 看请求量、成功率和延迟——只有后者能把「没人调用」和「一直调用一直失败」分开。没重新部署过而延迟变了，先看 scale-history：掉下去的副本数、没落地的自动伸缩只出现在这里，versions 里一个字都没有。

📉 TensorBoard —— 把 loss 和 eval 曲线当数字读回来，不需要有人去看一眼图

inspire tensorboard create / list / status / start / stop / delete / tags / scalars：TensorBoard 在平台上是一等对象——计算组单独声明 tensorboard 任务类型，board 既能挂在训练任务上，也能对任意一个 summary 目录单独建；规格由平台固定成 1 CPU / 2 GiB，没有 Quota 也没有镜像要选。

关键是 tags 和 scalars 直接读运行中的 board：Agent 自己建一个 board 指向训练目录，再把 loss 和 eval 曲线当数字读回来——首尾值、step 区间、最小最大值，--points N 给最后 N 个点——不需要浏览器，也不需要有人替它去看一眼图。metrics 回答「这个任务在平台侧还健康吗」，这里回答「模型训得怎么样」。

📈 指标、事件、日志、实例 & 远端 PTY —— 「这东西为什么没起来」分几层查

notebook metrics / job metrics / hpc metrics / ray metrics / serving metrics 读取平台 资源视图 的历史时间序列，默认输出 PNG 趋势图，--no-plot --sparkline 适合终端快速判断。

job events / hpc events / notebook events / ray events / serving events 拉平台 Events——不加参数就把控制器事件和每个 Pod 的事件合成一条时间线（--instance 收窄到某个实例，--workload-level 反过来只留控制器那一半），因为「这东西为什么没起来」的答案通常在 Pod 那一半。

一批任务一起看时，job status / hpc status / job events 可以直接跟多个名字：平台每 20 个任务答一次，比一个个问快得多，事件会合成一条按时间排好、标着出处任务的时间线。名字答不上来的（打错、已删、或一个名字对上了好几个任务）不会中断整条命令——能答的照常打印，答不了的单独列在 Unresolved: 里，退出码同时告诉脚本这份答案是残缺的。

job logs / hpc logs / ray logs / serving logs 读程序自己的输出，四条共用同一套预算和同一份 JSON schema；job instances / hpc instances / ray instances / serving instances 看 Live Pod / Component 清单和每个 Pod 落在哪个节点，notebook lifecycle 看一个实例的多次启停记录。

读完还要进去看的时候，job shell / hpc shell / ray shell / serving shell 把本地 stdin 接到实例里的远端 PTY（exit 退出、Ctrl+] 断开），默认进哪个实例按 Workload 定——HPC 进 launcher（srun 在那儿跑），Ray 进 head（驱动和 ray status 在那儿），Serving 进第一个运行中的副本，要点名用 --instance。

节点归属还有任务级的一层：job / hpc / serving status 直接列出落点节点（job 另给创建时的 Pin 与排除节点），notebook status 的 Node 附带该节点的健康状态。排查坏节点、复现实验、定位掉队的 Worker 都从这里开始。

📊 资源情报 —— 哪个组有空、余量去哪了、能抢回来多少、拿到手能留多久

resources availability --workspace --include-cpu / resources usage --workspace / resources policy --workspace / quota --workspace ：定位一个 Workspace 里哪个计算组有空，支持透支式申请。 quota 回答「有哪些合法档位」，availability 同时给出「保障额度还剩多少、高优任务连可抢占卡一起能拿多少」以及 Free Nodes / High Pri Nodes 的 8 卡整节点容量；Free Nodes 是当前完全空闲，High Pri Nodes 再加上只被低优任务占用、清退后可用的整节点。GPU 保障余额仍可能为负，但整节点容量与 Idle GPUs 不会混入该余额。usage 回答「项目配额被哪些 user/task 使用」——默认按 Project → User 归因，--details 展开任务，--project / --user / --task 负责收窄；--group <关键词> 把判断收窄到任务真正提交进去的计算组。policy 回答「拿到手能留多久——空闲多久被回收、有没有运行时长上限」。

quota 的 Priority 列给出每一行接受的任务优先级，创建时 CLI 会据此预检，不用等平台拒绝；Points/h 列给出该行每实例每小时的 Live 点券成本。优先级限制和价格会随 Workspace、Compute Group、硬件与平台策略变化，不在文档里固化某个目录当时的数值。

这些命令一律一次只看一个 Workspace——档位、余量、回收策略和占用都是按 Workspace 定义的事实，跨空间扫一遍答不出任何一个可执行的决定；还接受 --workspace all 的只剩「按名字找东西」那一类（ list / account permissions），因为不知道东西在哪个空间时本来就给不出空间名。

机器本身发生了什么是另一层：resources node-events <节点名> 是平台上唯一按节点而不是按工作负载组织的事件源，内核 OOM kill、Cordon / Uncordon、重启、NodeNotSchedulable 都在这里；命令倒序读取最新 1000 行再恢复时间顺序，不会因为分页预算只看到旧事件。「同一台机器上反复失败」此前在 CLI 里无处可查。

余量和规格始终读 Live 数据；inspire cache status / refresh / clear 管的是本地加速缓存——Name 解析索引、Quota 目录和 Notebook 显卡型号，三条命令都支持 --resource 分类操作。缓存按需读穿、写穿：命中直接在本地解析，miss 或过期才针对当前名字回源，创建/删除后立即更新；普通命令不会在后台扫描所有 Workspace。正常情况下 refresh 根本不需要跑，所以它不接受裸形式，必须用 --resource / --workspace / --name 说明刷哪一块；empty 表示刷过、还在有效期内、却一个名字都拿不出来。

🗂 镜像管理 —— Registry 边界沿着卡的类型走，可见性有一道单向门

image list / detail / register / set-visibility / delete，创建 Notebook、Job、HPC、Ray 或 Serving 时显式传 --image；hpc create --image-type 明确可见性。

镜像存在 Registry 里而不是 Workspace 里，多个 Workspace 正常共用同一份 Registry——这一组都要 --workspace，因为那是平台唯一的指定 Registry 的方式，它是路标不是分区，所以 notebook save-image --workspace X 存出的镜像在同一个 Registry 上的每个 Workspace 里都看得到。不同硬件域或专属空间也可能指向互不相交的 Registry；用目标 Workspace 的 Live image list --keyword 搜索，不维护静态映射。--source all 会并发读取四个可见性目录，再按固定页签顺序合并。

把跑通的 Notebook 固化成镜像不在这一组——那是 Notebook 的生命周期事件，走 notebook save-image。可见性有 private / project / public 三档，改成 public 是单向门：之后既删不掉也改不回私有，只有平台管理员能清理。

📦 模型注册表（Model） —— 模型版本、部署规格下限、删之前的占用核对

inspire model list / register / status / versions / deploy-config / delete：浏览或注册 Workspace 下的模型 + 每个模型的历史版本，带 vLLM 兼容标记 / 创建时间；deploy-config 给出某个版本装得下权重的最小节点规格，正好是 serving create --quota 的下限。

status 还会说出哪些推理服务仍占着这个版本，换版本或删模型不用再盲操作；delete 删整个条目连同全部版本，删之前逐版本核对占用，有服务还可能起来就点名拒绝。之前只能在平台网页里翻。

📚 官方数据集 —— 数据广场检索与 --dataset 只读挂载

inspire dataset list / show / tags / validate / applications：数据广场是和启智并列的独立平台，只共用同一套 SSO，启智那侧没有检索接口。CLI 用现有登录态走一次 CAS 握手，直接检索目录、读版本、看当前账号有没有挂载权限。

确认后在 notebook / job / hpc create 上用 --dataset <数据集名>:<版本名> 只读挂载到 /inspire/dataset/<数据集名>/<版本名>，创建前平台逐条校验，不会先建出一个缺数据的 Workload。数据集用名字寻址，数据广场内部的数字 ID 拿去挂载会被拒。--tag 认的是目录当前返回的中文标签，全量用 dataset tags 列，猜不出来；没有挂载权限时申请仍然只在网页端，但 dataset applications 能读到申请走到哪一步。

🗂️ 项目（Project） —— 归属、负责人、预算与平台优先级

inspire project list / detail / owners：项目是全局对象，不按 Workspace 划分，所以这一组都不接 --workspace。list 给出可见候选和显示预算，detail <名字> 看单个项目的预算 / 点券 / 平台优先级字段，owners 给出「负责人」下拉框的内容——需要权限时知道该找谁。

仓库不绑定 Project。每次操作根据当前任务显式传入 Project；如果有跨会话复用的稳定资产，在 INSPIRE.md 的每个条目上单独标明所属 Project / Workspace，见 references/assets.md。

👤 权限 —— 提交前先确认自己有没有这个动作的权限

inspire account permissions --workspace ：看清当前账号在某 Workspace 下实际授予的权限码（job.trainingJob.create 等），提交前先确认自己有没有这个动作的权限。

🗝 多账号（一账号一目录） —— 切账号 = 改一个文件

inspire account add / list / use / rename / current / remove / check / context / permissions：每个账号的 config.toml、SSH Tunnel Bridges 和登录缓存都在独立目录 ~/.inspire/accounts//，活动账号由 ~/.inspire/current 一行决定。account check 核对账号配置和登录，account context 列出当前账号能用的全部资源名。

account use 设置持久默认账号；所有命令的 --account 使用本地 Account Alias，只覆盖本次命令，不改默认值。不传参数就使用默认账号，命令执行中不受其他进程切换默认账号影响。切换时保留各账号的 Session、SSH Connection、资源索引和代理缓存，切回后继续复用。

Python SDK：让启智能力进入你的程序

InspireSkill 还提供稳定可用的 Python SDK，随 inspire-skill 一起安装。InspireClient 面向同步脚本，InspireAsyncClient 面向 asyncio 应用；两者与 CLI 共用账号、平台服务和资源模型，覆盖 Workspace、Project、Image、Dataset、Model、Notebook、GPU Job、HPC、Ray、Serving 和 TensorBoard。你可以把启智操作直接写进研究程序或服务，而不必解析终端输出。

from inspire import InspireClient
with InspireClient(account="research") as client:
    client.login()
    for job in client.jobs.list("分布式训练空间", limit=10).items:
        print(job.name, job.status)

异步客户端使用 async with 和 await，支持并发查询、事件与日志迭代以及远程执行流；Accounts 提供独立的本地账号管理入口。完整的接口、资源引用和调用示例见 Python SDK 文档。

支持的 Agent Harness

不同 Harness 的后台唤醒、Skills 实现和 MCP 能力会有差异；InspireSkill 的安装器负责把同一套 SKILL.md / references/ 放到各自约定目录，用户继续使用自己习惯的 Agent 入口。

| Harness | 安装后位置 | 备注 | | --- | --- | --- | | Codex CLI | ~/.codex/skills/inspire/ | 额外生成 agents/openai.yaml | | Claude Code | ~/.claude/skills/inspire/ | 用户级 Skills 层，跨项目可用 | | Cursor | ~/.cursor/skills/inspire/ | 用户级 Global Skills 层，跨项目可用 | | OpenCode | ~/.config/opencode/skills/inspire/ | 遵循 XDG；$OPENCODE_CONFIG_DIR 可改根 | | ZCode | ~/.zcode/skills/inspire/ | 用户级 Skills 层，跨项目可用 | | Kimi Code | $KIMI_CODE_HOME/skills/inspire/（默认 ~/.kimi-code/skills/inspire/） | 用户级 Skills 层，跨项目可用 | | Kimi Work | ~/Library/Application Support/kimi-desktop/daimon-share/daimon/skills/inspire/ | macOS 桌面端共享 Skills 目录 | | Qoder | ~/.qoder/skills/inspire/ | 用户级 Skills 层，跨项目可用 | | Qoder Work | ~/.qoderwork/skills/inspire/ | 用户级 Skills 层，跨项目可用 | | Antigravity | ~/.gemini/config/skills/inspire/ | 用户级 Global Skills 层，跨项目可用 | | OpenClaw | ~/.openclaw/skills/inspire/ | 全局 Managed Skills 层；Workspace 层（~/.openclaw/workspace/skills/）可覆盖 | | Pi | ~/.pi/agent/skills/inspire/ | 用户级 Skills 层，跨项目可用；设置 PI_CODING_AGENT_DIR 时使用该目录下的 skills/inspire/ |

通用 Skill 与项目资产合同

SKILL.md 装完是一份通用 Playbook。日常 Workspace 基本就是 CPU资源空间 和 分布式训练空间；workspace、project、group、quota 和 image 每次创建都显式传入，Batch 中每个展开条目也同样显式提供。

INSPIRE.md 不是所有仓库必备的文件。只有仓库在启智上维护需要跨 Agent / 会话复用的稳定路径、永久基础设施或 Image / Model / Dataset / Checkpoint 等持久资产时才创建；每项资产可分别属于不同 Project / Workspace。边界见 references/assets.md。

需要定制 Harness 级入口时，直接编辑 ~/.claude/skills/inspire/SKILL.md 和同目录 references/（Codex / Cursor / OpenCode / ZCode / Kimi Code / Kimi Work / Qoder / Qoder Work / Antigravity / OpenClaw 同理）。inspire update 默认会覆盖 SKILL.md 和 references/；维护本地改动后用 inspire update --cli-only 只升级 CLI 与运行时。

🔧 维护承诺

启智平台的调度语义、资源组划分、镜像可用性会频繁变化。InspireSkill 的维护目标是让 CLI 和使用手册始终贴近平台真实行为。

维护者 @realZillionX 会高频率、持续跟进上游变更。每次发版后，任意 inspire 都会在 stderr 提醒一行，跑 inspire update 即升（用法见上面更新段）。

发现新的平台行为差异时，在 Issue Tracker 开一条，附 inspire --debug 的 Trace（CLI 会自动脱敏敏感登录凭据和代理信息）。反馈流程的更多细节见下方“开发与贡献”一节。

代理配置

校园网外访问 *.sii.edu.cn 时，可在 Clash Verge 建一个 SII Proxy 选择组，放入组织提供的代理节点和 DIRECT，并把规则 DOMAIN-SUFFIX,sii.edu.cn,SII Proxy 放在通用规则之前；能直连校园网时选择 DIRECT。其他网站继续走原有规则。CLI 不绑定固定端口，把账号 proxy 配为本机实际的 Mixed Port，例如 http://127.0.0.1:。

如果使用启智官方提供的 aTrust VPN，可以参考 Docker-aTrust 将 aTrust 运行在 Docker 中，取得宿主机上的 SOCKS5 / HTTP 代理端口，再将该端口接入上述分流方案。

账号 proxy 优先于通用 Shell 代理；未设置账号 proxy 时，HTTP_PROXY / HTTPS_PROXY / ALL_PROXY 及小写变量仍可能影响连接，需要直连时可用 NO_PROXY=.sii.edu.cn 绕过通用代理。用 inspire account check --details 查看实际代理来源、路由及 NO_PROXY 匹配结果。

凭据（Host / User / Password）从实验室或组织管理员获取，不要提交到任何公开仓库或聊天记录。

开发与贡献

项目由 @realZillionX 维护，节奏与启智平台的行为 / 调度语义紧密绑定。为了让上游变更能被最快、最一致地消化进 CLI、SKILL.md 和 references/，贡献入口按变更风险分层：

欢迎小而清楚的 PR。文档修正、使用手册补丁、平台行为变化修复、可复现的小型 CLI Bugfix 都可以直接提 PR；长期协作者（如 @JingYiJun）持续跟进平台变化，相关 PR 通过基础验证和 Review 后可按快速通道合入。
大范围语义调整先提 Issue。平台语义变化快，涉及 Workflow 重写、配置边界、调度策略或多命令联动的改动，先用 Issue 描述问题场景，附上 inspire --debug 的日志最好（CLI 会自动脱敏敏感登录凭据和代理信息）。维护者会评估后纳入后续版本，通常几天内发新版。
新的平台行为差异同样走 Issue；不用自己附敏感本地文件，维护者会用仓库内的开发工具复现。

这么安排的权衡：这个 Skill 的价值在于与上游保持零漂移的同步。Issue 是最高效的问题信号，PR 是可落地 Patch 的通道；能小步合并的就小步合并，需要统一调度的就先收敛语义再动手。

文档索引

SKILL.md：日常使用入口，包含平台不变量、资产合同边界、最短执行闭环和按需加载索引。
references/assets.md：INSPIRE.md 持久资产合同和生命周期。
references/resources.md：Workspace、Compute Group、规格三元组和实时资源。
references/paths.md：共享盘作用域、存储池、挂载隔离和远端绝对路径。
references/dataset.md：数据广场检索、官方数据集的版本与访问权限、--dataset 只读挂载语义。
references/internal-sources.md：联网准备动线、SII 内部源入口和镜像固化策略。
references/notebook.md：Notebook 作为交互工作台、连接方式、文件流转、Proxy 和观察边界。
references/compute-workloads.md：GPU Job、CPU HPC、Ray、Serving、TensorBoard 的适用边界、调度语义和观察闭环。
references/workflows.md：CPU 准备、数据处理、分布式训练三阶段项目流程。
references/image.md：镜像职责、保存 / 注册边界、可见性和清理原则。
references/model.md：Model Registry 与 Serving 的职责边界、注册限制和版本判断。
references/sdk.md：Python SDK 的同步、异步客户端与资源接口。
references/dev/browser-api.md：CLI 维护参考，唯一一份接口文档——请求契约与信封、认证与 Session、分页与 scoping、当前 CLI 使用的 Action 参数与响应表、创建面字段合同、数据广场（aip.sii.edu.cn）与变更验收。
CONTRIBUTING.md：开发、测试和贡献约定。
cli/：CLI 源码；入口 cli/inspire/cli/main.py。
scripts/install.sh：Curl Pipe Bash 安装器。
scripts/scan_v2_surface.py：CLI 维护工具，把控制台前端产物里写死的 /api/v2 接口面抓出来和 discovery 对账，--probe 逐个探活。

License

LICENSE（MIT）

Acknowledgements

启智平台团队提供的公开资料与协助。
EmbodiedForge/Inspire-cli 提供了 CLI 的初步框架。

_{Made for researchers who'd rather think than click.}

realZillionX/InspireSkill: 启智平台的 Agent 驾驶舱：Skill + CLI，一条命令直达。Agent cockpit for the Inspire ML platform: one command, every operation, straight from chat.