# tao-run-on-kubernetes

Отправляет контейнерные джобы TAO в Kubernetes как обычные Job через kubectl. Нужен, когда обучение или инференс надо запускать на EKS, GKE, AKS или своём кластере с GPU.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 1600 установок · ★ 3735
- Автор: NVIDIA Corporation
- Лицензия: Apache-2.0 · policy=mirror · лицензия открытая, файл — в исходнике
- Исходник: https://github.com/NVIDIA/skills/tree/HEAD/skills/tao-run-on-kubernetes/SKILL.md
- Обновлён: 2026-10-26
- HTML: https://affpapa.org/nevibecode/skills/tao-run-on-kubernetes

## Что делает

Скилл берёт готовый spec-bundle и превращает его в Kubernetes Job. Никакого `nvidia-tao-sdk` и импорта `tao_sdk`: всё делается через `kubectl apply`, поэтому платформа работает с любым кластером, до которого достаёт kubeconfig, или через service account изнутри пода. По умолчанию запускается один под; при `num_nodes > 1` включается распределённое обучение на нескольких узлах через Indexed Job и headless Service.

Перед отправкой скилл делает предполётные проверки. Для самостоятельно обслуживаемых GPU-узлов обязателен скрипт `setup-nvidia-gpu-host.sh --backend kubernetes --check-only`: нужны ветка драйвера 580, CUDA Toolkit 13.0 и NVIDIA Container Toolkit 1.19.0. На управляемых кластерах проверку пропускают переменной `TAO_K8S_SKIP_NODE_RUNTIME_CHECK=1`, если жизненным циклом драйвера заведует провайдер или GPU Operator. Дальше проверяется доступность кластера и наличие аллоцируемых `nvidia.com/gpu`; на глаголе `submit` эта проверка жёсткая, потому что gang scheduling нет и слишком большой Job просто навсегда останется в `Pending`.

Данные подключаются по одному из двух уровней: A — смонтированный PVC или NFS, C — временный `emptyDir`, который initContainer наполняет из S3, а финальный шаг выгружает результаты обратно. На уровне C GPU занят всё время скачивания, включая initContainer, так что крупный фетч или первый многогигабайтный pull образа — это оплаченный простой.

## Требования
- Работает с: Kubernetes

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add NVIDIA/skills --skill tao-run-on-kubernetes -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/tao-run-on-kubernetes/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/tao-run-on-kubernetes/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add NVIDIA/skills --skill tao-run-on-kubernetes -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/tao-run-on-kubernetes/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add NVIDIA/skills --skill tao-run-on-kubernetes -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/tao-run-on-kubernetes/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install NVIDIA/skills tao-run-on-kubernetes
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/tao-run-on-kubernetes/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add NVIDIA/skills --skill tao-run-on-kubernetes -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/NVIDIA/skills --path skills/tao-run-on-kubernetes
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/tao-run-on-kubernetes/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add NVIDIA/skills --skill tao-run-on-kubernetes -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/tao-run-on-kubernetes/SKILL.md

## Когда брать
- отправить TAO-джобу на кластер через kubeconfig
- включить распределённое обучение на нескольких узлах
- проверить готовность GPU-узлов до запуска
- подтянуть датасет из S3 во временный том
- удержать джобу от вечного Pending при нехватке GPU

## Примеры запросов агенту
- Отправь TAO-джобу в namespace `ml` на моём кластере, данные уже лежат на PVC
- Запусти обучение на двух узлах через tao-run-on-kubernetes
- Проверь, хватает ли аллоцируемых `nvidia.com/gpu` под этот bundle

## Похожие
- [gpu-kubernetes-operations](https://affpapa.org/nevibecode/skills/gpu-kubernetes-operations.md) — скилл · 329 установок
- [model-serving-kubernetes](https://affpapa.org/nevibecode/skills/model-serving-kubernetes.md) — скилл · 327 установок
- [Radar Kubernetes MCP Server](https://affpapa.org/nevibecode/mcp/radar-kubernetes-mcp-server.md) — MCP-сервер · ★ 3905
- [digitalocean-compute](https://affpapa.org/nevibecode/skills/digitalocean-compute.md) — скилл · 416 установок
- [kubernetes-pentesting](https://affpapa.org/nevibecode/skills/kubernetes-pentesting.md) — скилл · 3700 установок
- [dt-obs-kubernetes](https://affpapa.org/nevibecode/skills/dt-obs-kubernetes.md) — скилл · 2600 установок

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