Разработка программного обеспечения для специализированной инфраструктуры, такой как дата-центры и высокопроизводительные вычисления, всегда была сложной задачей. Здесь нет места для ошибок: каждый цикл исправления отнимает время у деплоя, а неверно написанный код может привести к простоям оборудования. В эпоху, когда генеративный ИИ и агенты становятся неотъемлемой частью рабочего процесса разработчика, возникает новый вызов: как заставить универсальные языковые модели понимать нюансы работы с аппаратным обеспечением, таким как NVIDIA BlueField Data Processing Units (DPU)?
Обычные ИИ-агенты, обученные на общих наборах данных, часто «галлюцинируют» или используют несуществующие API или игнорируют аппаратные ограничения. Это критическая проблема в инфраструктурной разработке, где точность имеет первостепенное значение. NVIDIA предлагает решение, которое меняет правила игры: DOCA Agent Skills. Это не просто документация, а структурированная, проверенная основа, позволяющая ИИ-агентам рассуждать так, как это делают опытные разработчики DOCA. В этой статье мы подробно разберем, как эта технология работает, почему она необходима и какие конкретные преимущества она приносит командам, работающим с BlueField.
01Что такое DOCA и почему ИИ-агентам нужна специализация?
NVIDIA DOCA — это унифицированная программная платформа, которая раскрывает полный потенциал процессоров обработки данных (DPU) NVIDIA BlueField. DOCA охватывает ускоренные сети, хранилища, ориентированные на ИИ, встроенную безопасность, телеметрию и управление жизненным циклом. Это фундаментальная платформа для команд, строящих инфраструктуру на базе BlueField.
Однако универсальные ИИ-агенты не были созданы с учетом таких специализированных инфраструктурных программных продуктов, как DOCA. Без доменно-специфичных знаний агенты склонны полагаться на угадывание, основанное на общих паттернах из обучающих данных. В мире инфраструктуры это недопустимо. Каждая попытка угадать правильную функцию или флаг приводит к циклам отладки, которые отнимают время у реального развертывания.
DOCA AI Agent Skills — это новый стандарт, доступный на GitHub. Они предоставляют агентам проверенные сигнатуры API, требования к возможностям оборудования и ограничения сборки. Вместо того чтобы полагаться на общие знания, агент получает машиночитаемую спецификацию, с которой он может рассуждать напрямую. Это превращает ИИ из «генератора текста» в надежного помощника, способного писать код, который компилируется и работает на реальном железе.
02Почему ИИ-агентам нужна основа для разработки DOCA?
Когда вы просите универсальный ИИ-агент настроить канал связи DOCA Comch, контекст RDMA или устранить неполадки в программе DOCA Flow, он работает на основе сопоставления паттернов из общих обучающих данных. Он не имеет доступа к проверенным контрактам API DOCA, манифестам возможностей оборудования или спецификациям систем сборки. Поверхность библиотеки DOCA велика, быстро развивается и специфична для оборудования, что не отражено в общих данных обучения.
Чтобы количественно оценить этот разрыв, команда NVIDIA провела оценку, используя 65 реальных запросов от разработчиков DOCA. Эти запросы варьировались от однострочных вопросов до детальных многокомпонентных задач, которые оценивались по контрольному списку требований (набору критериев «пройден/не пройден» для каждой задачи). Результаты были впечатляющими и одновременно тревожными для тех, кто полагается на ИИ без специализированных навыков.
В то же время, агенты с DOCA Agent Skills выполнили 100% пунктов контрольного списка во всех 65 запросах. Это означает, что наличие специализированных навыков не просто улучшает результат, а делает его надежным. Без навыков каждая ошибка агента превращается в сессию отладки для разработчика, удлиняя путь к рабочему коду.
03Преимущества DOCA Agent Skills для разработчиков
DOCA Agent Skills позволяют оснастить агентов экспертизой в предметной области. Это приводит к трем ключевым преимуществам для команд разработки:
1. Более быстрая разработка
Навыки предоставляют агенту проверенные вызовы API с самого начала. Разработчик может сосредоточиться на интеграции и логике приложения, а не на исправлении ошибок, вызванных вымышленными функциями агента. Когда первый ответ агента использует правильную поверхность API, вы можете сразу перейти к интеграции, минуя этап отладки базовых ошибок.
2. Более стабильный код
С навыками агент проверяет, что именно поддерживает устройство, до написания единой строки кода. Это предотвращает ситуацию, когда код пишется под функцию, которая не существует на конкретном оборудовании, и ошибка обнаруживается только при запуске на реальном железе. Агент валидирует предварительные условия ответа против фактического используемого оборудования.
3. Развертывание с меньшим количеством неизвестных
Агент применяет проверки перед запуском (preflight checks), планы отката и учитывает требования к холодному перезапуску питания до того, как будут внесены изменения в оборудование. Это особенно критично для изменений на уровне прошивки, где ошибка может вывести из строя работающее оборудование.
Совокупный эффект — сокращение циклов исправления между задачей и рабочим кодом. Для команд, использующих ИИ-агенты для приложений DOCA в масштабе, это сокращение накапливается с каждым разработчиком, задачей и развертыванием.
04Ускорение разработки DOCA с помощью навыков агентов: 4 сценария
Давайте рассмотрим четыре конкретных сценария, иллюстрирующих, как навыки решают реальные проблемы разработчиков. Каждый сценарий основан на реальных запросах из оценки NVIDIA.
Сценарий 1: Быстрая разработка с реальными API
Проблема: Агенты изобретают функции, флаги и теги образов, которые не существуют. Это самый частый режим отказа, затронувший 59 из 65 запросов. Разработчик тратит время на отладку ошибок, которых он не вызывал.
Пример запроса: «У меня есть хост с BlueField-3 DPU и установленным DOCA. Я хочу настроить канал связи DOCA Comch между процессом на стороне хоста и агентом на стороне DPU для обмена небольшими управляющими сообщениями (менее 4 КБ каждое, несколько раз в секунду).»
Решение: ИИ-агент с навыками использует только реальные вызовы API DOCA Comch: правильный порядок аргументов, проверенные флаги и последовательность жизненного цикла. Ничего не изобретается. В 63 запросах, проверяющих точность API, результат с навыками был лучше каждый раз.
Сценарий 2: Проверка оборудования перед написанием кода
Проблема: Агенты пишут код для функций, которые устройство не поддерживает. Отсутствие проверки возможностей оборудования было пропущено в 46 из 65 запросов. Разработчик обнаруживает несоответствие только при запуске на реальном железе, что требует переделки кода.
Пример запроса: «У меня два хоста, соединенных высокоскоростной сетью InfiniBand. На каждом хосте есть один GPU NVIDIA и одна сетевая карта ConnectX, установлен DOCA. Я хочу измерить задержку запроса работы RDMA WRITE, когда WR публикуется из ядра CUDA (не из потока CPU хоста), чтобы решить, стоит ли переходить на интерфейс GPUNetIO Verbs.»
Решение: Агент с навыками проверяет, что действительно поддерживает устройство, прежде чем писать код. Он проверяет топологию PCIe GPU-NIC, подтверждает поддержку GPUNetIO перед принятием решения и называет альтернативные поверхности API, объясняя, когда каждая из них применима. Агент валидирует предварительные условия ответа против фактического используемого оборудования.
Сценарий 3: Код, который компилируется и связывается
Проблема: Агенты генерируют код, который не может быть скомпилирован или связан в контейнере DOCA. Ошибки сборки, хотя и встречаются реже (10 из 65 запросов), полностью блокируют разработку.
Пример запроса: «Я пытаюсь собрать программу DOCA Flow из одного из поставляемых образцов. Шаг компиляции проходит успешно, но связывание завершается ошибкой: undefined reference to doca_flow_init. Как это отладить?»
Решение: Агент с навыками идентифицирует undefined reference как ошибку времени связывания, использует инструмент сборки (pkg-config) для поиска правильных флагов линкера для doca-flow. Агент, генерирующий неверный флаг линкера, отправляет разработчика по ложному пути. Агент с навыками немедленно называет правильный диагностический подход и правильный инструмент для получения верных флагов.
Сценарий 4: Безопасное выполнение изменений, влияющих на оборудование
Проблема: Агенты применяют изменения на уровне прошивки на работающем оборудовании без проверок перед запуском, планов отката или знания требований к холодному перезапуску. Это самый сложный сценарий, где разрыв в производительности был наибольшим.
Пример запроса: «У меня есть производственная DPU BlueField-3, работающая с рабочей нагрузкой DOCA. Я загрузил навык ИИ-агента DOCA для моего сервиса, и следующий шаг — написать параметр уровня прошивки класса mlxconfig.»
Решение: Агент с навыками применяет всю дисциплину, необходимую для изменений на уровне прошивки. Это включает предварительную инвентаризацию, предположение о наличии пути вне полосы (OOB) как предварительного условия, явное окно обслуживания, план отката и заметку о том, что записи класса mlxconfig вступают в силу только при холодном перезапуске питания, а не при теплом перезапуске. Агент с навыками выполнил все требования. Агент без навыков не выполнил ни одного. На работающей производственной DPU ни одна из этих ошибок не подлежит восстановлению через отладку. Навыки несут знание того, что может пойти не так и почему, превращая рискованное изменение прошивки в дисциплинированную, безопасную процедуру.
05Демонстрация эффективности: цифры говорят сами за себя
Видео 1 (ссылка на которую доступна в оригинальной статье) ставит эффективность в конкретные цифры. Два агента получили одну и ту же задачу: создать программу с использованием NVIDIA DOCA для отправки реального трафика RDMA на BlueField-3. Оба успешно справились с задачей, но результаты по эффективности различались кардинально.
Агент с навыками использовал на 73% меньше рукописного кода (189 строк против 695) и примерно на 46% меньше команд оборудования (20 против 37). Это разница между агентом, который методом проб и ошибок заново открывает API DOCA и требования к сборке, и агентом, который уже имеет их перед написанием единой строки кода. Это не просто экономия времени — это снижение сложности кода и повышение его надежности.
06Что это значит на практике
Для инженеров и архитекторов, работающих с NVIDIA BlueField, внедрение DOCA Agent Skills означает переход от «ИИ как помощника по тексту» к «ИИ как партнера по инженерии». Это позволяет:
- Сократить время выхода на рынок (Time-to-Market): Меньше циклов отладки означает быстрее работающие прототипы и продукты.
- Повысить надежность инфраструктуры: Проверка оборудования и соблюдение протоколов безопасности снижают риск сбоев в продакшене.
- Снизить порог входа: Младшие разработчики могут использовать ИИ-агентов с навыками для выполнения сложных задач, которые ранее требовали глубокой экспертизы старших инженеров.
Чтобы начать использовать DOCA AI Agent Skills, посетите репозиторий NVIDIA/skills на GitHub. Там вы найдете общие навыки для быстрого старта и специализированные навыки для библиотек DOCA Flow, GPUNetIO, RDMA и других. Это шаг к тому, чтобы сделать разработку на BlueField быстрее, безопаснее и доступнее для всех участников процесса.
Источник: NVIDIA Developer ↗