# cuopt-numerical-optimization-api

Скилл для работы с решателем NVIDIA cuOpt: помогает собрать задачу линейного, целочисленного или квадратичного программирования и выбрать интерфейс — Python, C или CLI.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 1000 установок · ★ 3735
- Автор: NVIDIA cuOpt Team
- Лицензия: Apache-2.0 · policy=mirror · лицензия открытая, файл — в исходнике
- Исходник: https://github.com/NVIDIA/skills/tree/HEAD/skills/cuopt-numerical-optimization-api/SKILL.md
- Обновлён: 2026-10-23
- HTML: https://affpapa.org/nevibecode/skills/cuopt-numerical-optimization-api

## Что делает

Скилл описывает, как моделировать и решать задачи LP, MILP и QP через GPU-ускоренный решатель cuOpt. Он не содержит самого решателя: внутри лежит инструкция и три справочника по интерфейсам — `references/python_api.md`, `references/c_api.md` и `references/cli_api.md`. Агент сначала уточняет, на чём вы пишете, и только потом берётся за код. Если интерфейс неясен, он спросит до того, как что-то напишет.

Отдельная часть посвящена выбору типа задачи. Линейная цель и непрерывные переменные — LP. Линейная цель плюс целые или бинарные переменные — MILP. Квадратичные члены вида `x*x` или `x*y` — QP в бете. Правило простое: «сколько штук» — целые, «сколько чего-то» — непрерывные. Для QP есть жёсткое ограничение: решатель принимает только MINIMIZE, поэтому максимизацию придётся переписать через отрицание цели и результата. Целые переменные в QP не поддерживаются, а матрица Q должна быть положительно полуопределённой.

Если модель уже живёт в AMPL, GAMS / GAMSPy, PuLP, JuMP, Pyomo или CVXPY, скилл советует не переносить её на API cuOpt, а подключить cuOpt бэкендом решателя — правок в коде почти не будет. Двойственные переменные доступны только для LP и QP; в MILP их нет, а при квадратичных ограничениях они возвращают `NaN`. Настройки вроде `time_limit` и `mip_relative_gap` задаются по-разному в каждом интерфейсе, синтаксис смотрите в справочнике.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add NVIDIA/skills --skill cuopt-numerical-optimization-api -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/cuopt-numerical-optimization-api/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/cuopt-numerical-optimization-api/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add NVIDIA/skills --skill cuopt-numerical-optimization-api -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/cuopt-numerical-optimization-api/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add NVIDIA/skills --skill cuopt-numerical-optimization-api -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/cuopt-numerical-optimization-api/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install NVIDIA/skills cuopt-numerical-optimization-api
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/cuopt-numerical-optimization-api/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add NVIDIA/skills --skill cuopt-numerical-optimization-api -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/NVIDIA/skills --path skills/cuopt-numerical-optimization-api
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/cuopt-numerical-optimization-api/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add NVIDIA/skills --skill cuopt-numerical-optimization-api -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/NVIDIA/skills/tree/HEAD/skills/cuopt-numerical-optimization-api/SKILL.md

## Когда брать
- выбрать между LP, MILP и QP под конкретную задачу
- определить, какие переменные делать целыми, а какие непрерывными
- собрать модель на Python через API cuOpt
- подключить cuOpt бэкендом к уже готовой модели в Pyomo или CVXPY
- разобраться, почему QP отклоняет максимизацию

## Примеры запросов агенту
- Реши эту задачу линейного программирования через cuOpt на Python
- У меня модель в Pyomo — подключи cuOpt как решатель
- Почему мой QP возвращает неоптимальное решение?

## Похожие
- [cuopt-user-rules](https://affpapa.org/nevibecode/skills/cuopt-user-rules.md) — скилл · ★ 7596
- [api-response-optimization](https://affpapa.org/nevibecode/skills/api-response-optimization.md) — скилл · 484 установки
- [google-analytics-data-api-basics](https://affpapa.org/nevibecode/skills/google-analytics-data-api-basics.md) — скилл · 7364 установки
- [gemini-api-dev](https://affpapa.org/nevibecode/skills/gemini-api-dev.md) — скилл · 25100 установок
- [flask-api-development](https://affpapa.org/nevibecode/skills/flask-api-development.md) — скилл · 1400 установок
- [birdeye-api](https://affpapa.org/nevibecode/skills/birdeye-api.md) — скилл · 444 установки

Из того же набора: [nvidia/skills](https://affpapa.org/nevibecode/by/nvidia/skills.md) — 178 карточек

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md