AI基础设施技能分类体系：为AI编程助手打造专业化运维能力库

本文介绍了开源的AI基础设施技能分类体系，旨在解决传统AI运维助手触发条件模糊、输出质量不稳定等问题。该体系将复杂的AI运维任务分解为12个核心领域的技能模块，遵循标准化行动模式与质量规范，帮助AI编程助手在GPU管理、训练调试、推理服务等场景提供可靠运维支持。

AI基础设施运维涵盖GPU容量管理、集群调度、训练可靠性等多领域，传统单一助手存在四大问题：触发条件模糊（难以理解用户具体需求）、输出质量不稳定（跨领域知识不足）、上下文宽泛（推理易产生幻觉）、专家工作流难标准化（隐性经验难沉淀）。

分类体系分解为12个核心类别：1.容量与集群管理（GPU资源规划）；2.集群与调度器运维（调度器健康检查）；3.训练运行时与任务可靠性（训练故障调试）；4.分布式训练与性能优化（瓶颈分析）；5.数据管道与数据集基础设施（ETL与数据质量）；6.模型制品与注册表运维（生命周期管理）；7.推理服务与在线可靠性（延迟优化）；8.可观测性与SRE（告警处理）；9.成本与资源优化（成本归因）；10.安全与治理（RBAC审计）；11.开发者体验（自助服务）；12.评估与基准测试（可复现性）。

所有技能遵循六种行动模式：诊断器（根因分析）、审查器（配置评估）、规划器（资源决策）、优化器（性能/成本优化）、报告器（摘要生成）、检查器（上线前验证）。技能需满足严格质量标准：明确触发条件（Use when开头）、使用边界、结构化输入、分阶段工作流、标准化输出、真实示例、相关技能路由、常见错误、质量检查清单。

1.训练任务故障排查：调用训练任务调试器收集日志、定位根因；2.GPU成本优化：通过GPU成本归因器分析资源使用，识别浪费；3.推理服务事件响应：服务事件分类器快速收集指标、评估影响；4.容量规划决策：GPU容量规划器分析趋势、预测需求。

当前已发布12个核心技能，计划分两波扩展至约65个：第二波（13个）含检查恢复顾问、装箱优化器等）；第三波（40个）完成全覆盖。长期将添加机器可读技能注册表与示例文档，降低采用门槛。

该体系系将专家知识沉淀为标准化技能模块，提升AI助手输出质量与一致性，为组织传承运维最佳实践提供路径。对构建AI运维能力的团队，这套开源体系值得研究借鉴。