全部技能
gke-ai-troubleshooting-handle-disruption-gpu-tpu
判断 GKE 上 GPU/TPU 节点中断是否由主机维护引起,并给出缓解建议。
- 属于 google/skills
- 6000次安装
- 运维与部署 · 容器集群
适合什么时候用
当你的 GKE GPU/TPU 节点重启或驱逐了 Pod,需要确认是否由计划内主机维护导致时使用。
举个例子
你对 AI 说
使用 gke-ai-troubleshooting-handle-disruption-gpu-tpu 排查项目 ml-prod、集群 training-east、区域 us-central1 的 GPU 节点池在 2025-03-10 14:00 UTC 前后 Pod 重启的原因。
你会拿到
- 维护原因结论
- PromQL 中断查询
- 缓解措施建议
它会怎么做
- 先检查计划维护节点标签、中断计数指标和活动维护日志,再下结论。
- 若各项检查均为空,则排除主机维护,转而指向应用层原因。