# gke-ai-troubleshooting-tpu-mxla-hang

Диагностирует зависания multi-slice обучения на Cloud TPU в GKE по логам HANG_DETECTED. Помогает найти причину сбоя в XLA-компиляторе, передаче данных или оборудовании.

- скилл · `type=skill` · Claude Code, Gemini CLI, Codex · 693 установки · ★ 21578
- Автор: google · официальный репозиторий Google
- Лицензия: Apache-2.0 · policy=mirror · начало файла — в конце страницы
- Исходник: https://github.com/google/skills/tree/HEAD/skills/cloud/gke-ai-troubleshooting-tpu-mxla-hang/SKILL.md
- Обновлён: 2026-10-23
- HTML: https://affpapa.org/nevibecode/skills/gke-ai-troubleshooting-tpu-mxla-hang

## Что делает

Скилл исследует зависания распределённого обучения на нескольких срезах Cloud TPU в кластерах GKE. Он анализирует отчёты MXLA Hang Analyzer через команду `gcloud alpha mldiagnostics monitored-events` и сопоставляет их с минутными метриками задержки `kubernetes.io/container/multislice/*`. Это разделяет программные расхождения XLA или задержки ввода хоста от физических сбоев чипов TPU, SparseCore, ICI и сетевой фабрики.

Для работы нужны `gcloud` с компонентом `alpha`, утилита `kubectl`, а также активные API `container.googleapis.com`, `logging.googleapis.com`, `monitoring.googleapis.com` и `hypercomputecluster.googleapis.com`. Скилл рассчитан строго на JAX-нагрузки типов `jobset` и `job` в GKE версии от `1.36.0-gke.4681000` с LibTPU не ниже `0.40.0`. Для проектов на PyTorch диагностика событий не сработает.

Агент выполняет только диагностические запросы на чтение и не модифицирует кластер. Все исправления вроде замены или перезапуска нод передаются пользователю в виде готовых рекомендаций.

## Требования
- Работает с: Kubernetes

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add google/skills --skill gke-ai-troubleshooting-tpu-mxla-hang -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/gke-ai-troubleshooting-tpu-mxla-hang/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/gke-ai-troubleshooting-tpu-mxla-hang/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add google/skills --skill gke-ai-troubleshooting-tpu-mxla-hang -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/gke-ai-troubleshooting-tpu-mxla-hang/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

**Вручную: положить файлы**
- Файл: `.cursor/skills/gke-ai-troubleshooting-tpu-mxla-hang/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install google/skills gke-ai-troubleshooting-tpu-mxla-hang
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/gke-ai-troubleshooting-tpu-mxla-hang/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add google/skills --skill gke-ai-troubleshooting-tpu-mxla-hang -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/google/skills --path skills/cloud/gke-ai-troubleshooting-tpu-mxla-hang
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/gke-ai-troubleshooting-tpu-mxla-hang/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### 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/google/skills/tree/HEAD/skills/cloud/gke-ai-troubleshooting-tpu-mxla-hang/SKILL.md

## Когда брать
- Локализовать причину появления логов HANG_DETECTED в TPU-задачах
- Отличить рассинхронизацию компиляции XLA от поломки интерконнекта ICI
- Проверить минутные метрики задержки multi-slice контейнеров в Cloud Monitoring
- Получить отчёт MXLA Hang Analyzer через gcloud alpha mldiagnostics

## Примеры запросов агенту
- Проверь зависание multi-slice обучения TPU и события HANG_DETECTED в проекте {project_id}
- Запусти диагностику MXLA Hang Analyzer для задачи JAX в кластере GKE
- Выясни по метрикам multislice, почему остановились шаги обучения на срезах TPU

## Похожие
- [caveman-manage](https://affpapa.org/nevibecode/skills/caveman-manage.md) — скилл · 104200 установок
- [workers-best-practices](https://affpapa.org/nevibecode/skills/cloudflare-workers-best-practices.md) — скилл · 126100 установок
- [cloudflare-email-service](https://affpapa.org/nevibecode/skills/cloudflare-email-service.md) — скилл · 102300 установок
- [cloudflare-one](https://affpapa.org/nevibecode/skills/cloudflare-one.md) — скилл · 93100 установок
- [cloudflare-one-migrations](https://affpapa.org/nevibecode/skills/cloudflare-one-migrations.md) — скилл · 89500 установок

Из того же набора: [google/skills](https://affpapa.org/nevibecode/by/google/skills.md) — 174 карточки

_Часть страницы не вошла по размеру — она есть в HTML-версии._

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