本项目建立的意义

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 Claude Code / Codex / Antigravity / Cursor / OpenClaw / OpenCode / Qoder CLI / Qoder Work / Kimi Code / Kimi Desktop 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 将算力平台的一切入口交给 AI Agent。当 Claude Code / Codex / Antigravity / Cursor / OpenClaw / OpenCode / Qoder CLI / Qoder Work / Kimi Code / Kimi Desktop 识别到本项目所提供的 SKILL.md，它会：

直接调用 inspire 命令查实时资源、开 Notebook、提 HPC 任务、拉日志
全程只用 Name：参数、帮助、错误、人类输出和 JSON 输出都使用资源 Name、Account Alias 和可读状态，不需要 Agent 记忆或搬运平台内部 ID
提供可选的 Clash Verge Mixed Port 分流模板，让公网与启智内网共存一套本地代理配置，取代多人共用断连的 aTrust；CLI 本身不绑定固定端口，任何能同时覆盖公网与 *.sii.edu.cn 的代理方案都行
把平台网页上的常用操作都变成可复现、可串联、可自动化的命令链
从 SKILL.md 按需加载对应使用手册，理解调度语义、资源申请原则和验收点，不需要用户在对话里反复向 Agent 解释平台语义

为什么比 InspireCode / 在实例里装 Agent 更好？

启智官方的 InspireCode 是把 OpenCode 直接部署到某个 Inspire 实例里，要用就得打开 qz.sii.edu.cn、进那个实例、在它的终端里跟 OpenCode 对话。凡是“把 Agent 装在服务器上”的方案都是这个路数。InspireSkill 走相反路径：Agent 留在本机，Inspire 降格为被调用的工具。

维度	InspireCode（Agent 装在 Inspire 实例里）	InspireSkill（Agent 装在本机）
Agent 生命周期	绑死在某一个 Notebook 实例；实例回收 / 崩溃，对话与状态一起没	跑在本机 Harness 里，与任何一个 Inspire 实例解耦
调度范围	只能操作它所在那一个实例的文件系统与运行时	一个 Agent 横跨多 Workspace / Notebook / HPC Job / Image，全平台统一编排
入口	必须打开 `qz.sii.edu.cn` 网页	大家本来就在用的 Claude Code / Codex / Antigravity / Cursor / OpenClaw / OpenCode / Qoder CLI / Qoder Work / Kimi Code / Kimi Desktop
Harness / 模型选择	锁定 OpenCode + 它支持的模型	任选本机已装的 10 家 Harness，模型可随意配置
上下文来源	只有实例里能看到的东西；本地代码仓库不在场	本机完整 Repo + Git 状态 + 编辑器 + 其他 MCP 工具（Figma / Preview / Playwright / …）一起可用
计算占用	Agent 进程吃 Inspire 实例的 CPU / RAM 配额；API Key 必须放在实例里	Agent 进程跑本机；Inspire 实例的 CPU / RAM 全给训练 / HPC；API Key 只留本地
自动化 / 可复现	对话历史锁在浏览器页面里	命令流可保存 / 回放；可读格式给 Agent 决策，结构化输出留给脚本消费

一句话：InspireCode 把 Agent 搬进 Inspire，InspireSkill 把 Inspire 变成 Agent 的一把工具。

为什么比社区里其它启智 CLI 更值得用？

启智社区还有两条独立维护的 CLI：EmbodiedForge/Inspire-cli 和 tianyilt/qzcli_tool。它们都解决了部分网页操作自动化问题，尤其 qzcli_tool 已经覆盖资源查询、GPU Job 提交、HPC Submit、Logs、Dashboard 和 Jupyter Exec，也提供 qzcli-mcp 给 MCP-Capable Harness 使用。

InspireSkill 的定位更往前走了一层：它不是把若干 API 包成命令，而是把启智平台整理成一套 Agent 能长期使用的操作模型。安装、命令面、SKILL.md、references/、可选的 INSPIRE.md 资产合同、观测和清理闭环都在同一套设计里；调度条件和远端路径每次显式传入，不在仓库中维护隐式状态。

维度	Inspire-cli	qzcli_tool	InspireSkill
安装与更新	源码渠道为主	Clone 仓库、`pip install -e .`、手动 `mcp add`	`curl \| bash` 一键安装 CLI、`SKILL.md` 和 `references/`，`inspire update` 同步更新
Agent 文档系统	无统一 Skill 文档	`qzcli-mcp` 的薄 Skill，主要说明工具调用顺序	`SKILL.md` 是平台操作模型入口，按场景路由到完整 `references/`
Harness 落位	无	MCP 可接入 MCP-Capable Harness，但需要用户自己注册	安装器自动写入 Claude Code / Codex / Antigravity / Cursor / OpenClaw / OpenCode / Qoder CLI / Qoder Work / Kimi Code / Kimi Desktop 的约定目录
Notebook 连接	依赖用户预配本地组件或容器公网	Jupyter Terminal API Exec	SSH / Shell / Exec / SCP / OpenSSH Config / Proxy URL / Connection Cache / 跨账号重建
Workload 覆盖	少量训练 / HPC 能力	资源、GPU Job、HPC Submit、Logs、Dashboard、Jupyter Exec	Notebook / GPU Job / CPU HPC / Ray / Serving / TensorBoard / Model / Image / Dataset / Project / Resources 全覆盖
观测闭环	有限	Job Logs、Watch、Usage / Dashboard	Events / Logs / Metrics / Instances / Lifecycle / Status 分层诊断
资源与路径语义	主要是配置和命令参数	资源缓存、Workspace / Compute Group / Spec 解析	调度条件按 Live 目录每次显式传入，远端文件用绝对路径，`INSPIRE.md` 只记持久资产合同
多账号与项目层	`[accounts."<user>"]` 合并层	以单套 `~/.qzcli/` 配置为中心	一账号一目录；没有仓库级配置或 Project 绑定

一句话：这两条 CLI 各做了一段路；InspireSkill 把整个平台的操作面、文档面和观测面端到端铺平，让 Agent 不只是“能调用命令”，而是能理解应该怎么用启智平台。

快速上手

平台支持：macOS、Linux、Windows 都是一等公民，CI 覆盖 Linux 与 Windows。Windows 走系统自带的 OpenSSH，不需要 WSL；rsync 是可选外部工具，Windows 上用 inspire notebook scp 传文件。

安装

macOS / Linux

前置：bash / curl / tar / Python 3.10+ / 已装 uv（推荐）或 pipx 任一。

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

Windows

前置：Python 3.10+ / uv（推荐）或 pipx 任一 / OpenSSH 客户端。

powershell -c "irm https://astral.sh/uv/install.ps1 | iex"
Add-WindowsCapability -Online -Name OpenSSH.Client~~~~0.0.1.0

在仓库根目录运行安装脚本（-SkipPlaywright 可跳过 Chromium 下载，代价是浏览器登录不可用）：

Set-ExecutionPolicy -Scope Process Bypass
.\scripts\install.ps1

Windows 上有两处和 POSIX 不一样，都会咬人：

ssh-config 别用 >> 追加。 Windows PowerShell 5.1 的 >> 写的是 UTF-16LE，OpenSSH 读不了。用 inspire notebook ssh-config <notebook> | Out-File -Encoding utf8 -Append $env:USERPROFILE\.ssh\config（PowerShell 7+ 默认已是 UTF-8，>> 可用）。
确认用的是哪个 ssh.exe。 Get-Command ssh -All：系统自带的 C:\Windows\System32\OpenSSH\ssh.exe 和 Git for Windows 附带的那个对 ProxyCommand 的处理方式不同。两个都能用，但混用时报错信息会互相矛盾。

安装、可选参数和安装后检查见 references/setup/install-and-config.md。

更新

inspire update                # CLI 包 + SKILL.md / references/ 一起升到最新
inspire update --check        # 只检查，不动
inspire update --cli-only     # 仅升 CLI 包与运行时
inspire update --skill-only   # 仅刷 SKILL.md / references/

升级旧版本和 Installer 检测说明见 references/setup/install-and-config.md。

卸载

inspire uninstall                # skill 目录 + 更新检查 agent + CLI 包
inspire uninstall --purge        # 连 ~/.inspire 的账号配置一起删
inspire uninstall --purge-runtime # 连共享的 Playwright 浏览器缓存一起删

执行前会打印完整清单并要求确认。账号配置和浏览器缓存默认保留；用户维护的 INSPIRE.md 不属于卸载目标。旧版留下的仓库级 ./.inspire/ 由 inspire update 的旧状态清扫处理。CLI 已经跑不起来时，用安装脚本的 --uninstall 兜底。

完整初始化（安装后必跑）

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

inspire init 只校验并规范化当前账号；不读写仓库级配置。Project、Workspace、Group、Quota、Image 和远端路径在每次命令中显式给出。Notebook 远端命令省略 --cwd 时不注入 cd。

安装、更新和多账号操作见 references/setup/install-and-config.md；INSPIRE.md 持久资产合同见 references/assets.md；Clash Verge 的 SII Proxy / DIRECT 分流模板见 references/setup/sii-proxy.md。

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 <group> <subcommand> --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。连接类命令会跨账号解析本地已缓存的 Notebook Connection，不要求先切 Active Account。

🏃 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 <name> --workspace <workspace> --follow，健康度用 job metrics <name> --workspace <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 <slurm-body> 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 <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 <name> 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 <name> --include-cpu / resources nodes --workspace <name> / resources usage --workspace <name> / resources policy --workspace <name> / <workload> quota --workspace <name>：定位一个 Workspace 里哪个计算组有空，支持透支式申请。<workload> quota 回答「有哪些合法档位」，availability 回答「保障额度还剩多少，高优任务连可抢占卡一起能拿多少」；nodes 的 Free Now 给当前完全空闲的 8 卡整节点，High Pri 再加上只被低优任务占用、清退后可用的整节点，Idle GPUs 始终等于 Free Now × 8，不会混入可为负的保障额度余量。usage 回答「余量去哪了、其中哪些能抢回来」——它的 Reclaimable 列是持有者手里有多少卡落在以可抢占优先级提交的任务上，--group <关键词> 把这个判断收窄到任务真正提交进去的那个计算组；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」。

<workload> 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（<workload> 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，「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 <kind> 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 <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/<name>/，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。

不再有 [accounts."<user>"] 合并层、不再有多个环境变量的优先级链；切账号 = 改一个文件。Notebook 连接类命令的 --account <name> 使用本地 Account Alias，不是平台登录用户名；all 是跨账号扫描 Selector。

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
Claude Code	`~/.claude/skills/inspire/`	用户级 Skills 层，跨项目可用
Codex CLI	`~/.codex/skills/inspire/`	额外生成 `agents/openai.yaml`
Antigravity	`~/.gemini/config/skills/inspire/`	用户级 Global Skills 层，跨项目可用
Cursor	`~/.cursor/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
OpenCode	`~/.config/opencode/skills/inspire/`	遵循 XDG；`$OPENCODE_CONFIG_DIR` 可改根
Qoder CLI	`~/.qoder/skills/inspire/`	用户级 Skills 层，跨项目可用
Qoder Work	`~/.qoderwork/skills/inspire/`	用户级 Skills 层，跨项目可用
Kimi Code	`$KIMI_CODE_HOME/skills/inspire/`（默认 `~/.kimi-code/skills/inspire/`）	用户级 Skills 层，跨项目可用
Kimi Desktop	`~/Library/Application Support/kimi-desktop/daimon-share/daimon/skills/inspire/`	macOS 桌面端共享 Skills 目录

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 / Antigravity / Cursor / OpenClaw / OpenCode / Qoder CLI / Qoder Work / Kimi Code / Kimi Desktop 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 <subcommand> 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 <cmd> 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

不常驻 SII 的科研人员通常需要让本机代理转发 *.sii.edu.cn 流量；能直连 SII 校园网的人可以走 DIRECT。Clash Verge Mixed Port 的 SII Proxy / DIRECT 分流模板和验证步骤见 references/setup/sii-proxy.md；账号级 proxy、Shell proxy 与 NO_PROXY 诊断见 references/setup/install-and-config.md。CLI 本身不绑定固定端口。

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 <cmd> 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/setup/install-and-config.md：安装、更新、账号配置、账号初始化和多账号操作。
references/setup/sii-proxy.md：Clash Verge 的 SII Proxy / DIRECT 分流模板和验证步骤。
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/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.}

Navigation Menu

Repository files navigation

本项目建立的意义

对初次使用者的简单介绍

为什么比 InspireCode / 在实例里装 Agent 更好？

为什么比社区里其它启智 CLI 更值得用？

快速上手

安装

macOS / Linux

Windows

更新

卸载

完整初始化（安装后必跑）

能力一览

支持的 Agent Harness

通用 Skill 与项目资产合同

🔧 维护承诺

代理配置

开发与贡献

文档索引

License

Acknowledgements

About

Releases

Packages

Contributors

Languages

Name		Name	Last commit message	Last commit date
.github		.github
assets		assets
cli		cli
references		references
scripts		scripts
.gitignore		.gitignore
.pre-commit-config.yaml		.pre-commit-config.yaml
CHANGELOG.md		CHANGELOG.md
CONTRIBUTING.md		CONTRIBUTING.md
LICENSE		LICENSE
README.md		README.md
SKILL.md		SKILL.md

Latest commit

History

Folders and files

Repository files navigation

本项目建立的意义

对初次使用者的简单介绍

为什么比 InspireCode / 在实例里装 Agent 更好？

为什么比社区里其它启智 CLI 更值得用？

快速上手

安装

macOS / Linux

Windows

更新

卸载

完整初始化（安装后必跑）

能力一览

支持的 Agent Harness

通用 Skill 与项目资产合同

🔧 维护承诺

代理配置

开发与贡献

文档索引

License

Acknowledgements

About

Resources

Contributing

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages