NVIDIA lance les DOCA Agent Skills pour améliorer le développement de l’infrastructure BlueField

NVIDIA a publié sur GitHub un ensemble de DOCA AI agent skills conçu pour aider les agents de programmation à créer des applications pour les unités de traitement de données NVIDIA BlueField, avec moins d’appels d’API non pris en charge et moins d’erreurs liées au matériel. Cette initiative cible un problème étroit mais lourd de conséquences : les agents de programmation généralistes ne disposent souvent pas des connaissances propres aux appareils nécessaires aux logiciels d’infrastructure.

Le package de skills fournit aux agents des informations structurées sur les API, les capacités matérielles, les exigences de compilation et les contraintes de déploiement de la plateforme logicielle NVIDIA DOCA. Selon NVIDIA, cette approche peut réduire les cycles de correction lors de la création d’applications de réseau, de stockage, de sécurité et de télémétrie pour les systèmes BlueField.

Ce qui change pour les développeurs BlueField

NVIDIA DOCA est la plateforme logicielle de l’entreprise destinée au développement d’applications sur les DPU BlueField. Elle couvre notamment les réseaux accélérés, le stockage orienté IA, la sécurité intégrée au silicium, la télémétrie et la gestion du cycle de vie. Les nouvelles DOCA AI agent skills doivent fournir aux agents de programmation une base technique plus fiable que les seules données d’entraînement générales.

Chaque skill est fournie dans un format ouvert et léger centré sur un fichier SKILL.md. Selon NVIDIA, ces fichiers contiennent des signatures d’API vérifiées, des exigences en matière de capacités matérielles, des contraintes liées aux conteneurs de compilation, des noms de packages et des modes de défaillance connus. Les skills sont limitées à des composants ou flux de travail DOCA précis, plutôt que présentées comme un ensemble unique d’instructions générales.

Par exemple, une skill pour DOCA Flow peut fournir les signatures correctes des fonctions et les noms de modules pkg-config, tout en indiquant les conditions de compilation et les mesures d’atténuation courantes applicables. NVIDIA affirme que les skills couvrent la bibliothèque DOCA au sens large, notamment DOCA Flow, GPUNetIO, PCC et RDMA.

Les fichiers ne remplacent pas l’agent de programmation lui-même. NVIDIA les décrit plutôt comme une couche de connaissances spécialisées lisible par machine, qui permet à un agent de vérifier son code proposé par rapport aux contraintes logicielles et matérielles pertinentes avant de le produire ou de le déployer.

L’évaluation de NVIDIA montre un écart important, mais elle vient du fournisseur

NVIDIA a testé des agents sur 65 requêtes de développement DOCA, allant de questions courtes à des tâches d’implémentation comportant plusieurs exigences. L’entreprise a évalué les réponses à l’aide de listes de contrôle propres à chaque tâche, avec des critères de réussite ou d’échec.

Dans l’évaluation de NVIDIA, les agents dépourvus des skills ont satisfait 19 % des éléments des listes de contrôle, tandis que ceux qui les utilisaient en ont satisfait 100 % sur l’ensemble des 65 requêtes. L’entreprise a indiqué que les fonctions non prises en charge, les indicateurs incorrects et les balises d’image invalides revenaient régulièrement dans les réponses non assistées. Elle a rapporté que l’utilisation incorrecte des API apparaissait dans 59 des 65 requêtes.

Ces chiffres indiquent l’intérêt potentiel de fournir aux agents un contexte structuré et faisant autorité pour les travaux d’infrastructure spécialisés. Ils doivent toutefois être considérés comme le benchmark de NVIDIA, et non comme une évaluation indépendante de tous les agents de programmation ou flux de travail DOCA. Le document source n’identifie pas tous les modèles, configurations d’agents, détails de notation ou évaluateurs externes impliqués dans le test. Les résultats ne permettent donc pas encore d’établir comment les skills se comporteront avec différents outils et environnements de production.

NVIDIA a également présenté une démonstration comparative mettant en scène une application RDMA basée sur Go sur un système BlueField-3. L’entreprise a déclaré que l’agent utilisant les skills nécessitait 73 % de code écrit manuellement en moins et 46 % de commandes matérielles en moins que l’agent qui ne les utilisait pas. Il s’agit également de résultats communiqués par le fournisseur dans le cadre d’une démonstration, et non d’une étude générale de productivité.

Pourquoi ces détails comptent pour les équipes d’infrastructure

Le problème traité par NVIDIA est plus sérieux dans le développement d’infrastructures que dans de nombreuses tâches de programmation applicative. Une fonction inventée peut produire une erreur de compilation visible dans un projet logiciel classique. Sur une DPU, une hypothèse incorrecte peut aussi concerner la prise en charge de l’appareil, l’état du firmware, la compatibilité du conteneur, la configuration de la liaison ou une modification nécessitant un redémarrage ou un cycle d’extinction et de rallumage.

NVIDIA affirme que les skills permettent aux agents de vérifier la prise en charge de l’appareil avant d’écrire le code et d’effectuer des contrôles préalables avant toute modification au niveau du firmware. Elles peuvent également guider la planification des restaurations et prendre en compte les situations où un cycle complet d’extinction et de rallumage est nécessaire. Ces contrôles sont pertinents pour les équipes qui ne peuvent pas considérer l’infrastructure physique comme un environnement de développement reproductible à l’infini.

Pour les développeurs, l’avantage pratique ne se résume pas à produire moins de lignes de code. Le gain potentiel le plus important consiste à réduire le nombre de cycles entre la première réponse d’un agent et une application fonctionnelle sur du matériel réel. Un ingénieur réseau développant un pipeline DOCA Flow ou un développeur RDMA configurant un flux de travail entre hôte et DPU pourrait passer moins de temps à corriger des interfaces inventées et davantage à valider le comportement.

Pour les acheteurs du secteur, toutefois, les skills ne suppriment pas le besoin de tests, de contrôles d’accès ou d’une revue humaine. Une description d’API lisible par machine peut améliorer le point de départ d’un agent, mais elle ne garantit pas que le code généré sera sûr pour un réseau de production, compatible avec une version donnée du firmware ou adapté à la politique de sécurité d’un déploiement.

Les skills ouvertes comme stratégie de distribution

NVIDIA met les skills DOCA à disposition via le dépôt GitHub NVIDIA/skills, ce qui permet aux développeurs d’inspecter et d’utiliser directement le contenu avec leurs outils de programmation IA favoris. Le modèle fondé sur un dépôt offre également une voie pour faire évoluer les recommandations à mesure que changent les interfaces DOCA, le matériel pris en charge et les environnements de compilation.

Ce choix de distribution est important, car les agents spécialisés dans l’infrastructure ne sont utiles que si leurs instructions restent alignées sur les logiciels qu’ils utilisent. La description de NVIDIA met l’accent sur des contrats vérifiés et des exigences matérielles plutôt que sur une expertise conversationnelle générale. Maintenir cette précision sera essentiel à mesure que les plateformes BlueField et les composants DOCA évolueront.

Cette annonce reflète également une tendance plus large du développement assisté par IA : plutôt que d’attendre d’un modèle général qu’il mémorise chaque système spécialisé, les fournisseurs conditionnent le contexte métier afin que les agents le chargent au moment de la tâche. Ici, le domaine n’est pas un framework d’application grand public, mais une pile matérielle et logicielle où des hypothèses incorrectes peuvent retarder le déploiement.

Les prochains éléments à surveiller

Le premier signal sera de savoir si des développeurs extérieurs à NVIDIA reproduisent les améliorations annoncées avec différents agents de programmation, modèles et versions de DOCA. Des évaluations indépendantes devraient déterminer si l’écart entre 19 % et 100 % se maintient au-delà du jeu de requêtes de NVIDIA.

Les équipes devront également suivre la rapidité avec laquelle le dépôt intègre les changements apportés au matériel BlueField, au firmware, aux images de conteneurs et au comportement des API. Des skills obsolètes pourraient réintroduire les mêmes problèmes de fiabilité qu’elles sont censées réduire.

Un troisième signal sera l’adoption dans des flux de travail complets plutôt que dans de simples démonstrations. Des éléments montrant que les skills aident aux tests, au débogage, aux restaurations et au déploiement en production — et pas seulement à la génération initiale de code — permettraient de déterminer si elles réduisent aussi bien le risque opérationnel que l’effort des développeurs.

Le point de vue de Creati.ai

La publication de NVIDIA constitue une réponse ciblée à une limite réelle des agents de programmation généralistes : l’aisance linguistique ne signifie pas une connaissance exacte d’une plateforme matérielle spécialisée. En exposant les contraintes liées aux API et aux appareils dans un format structuré, NVIDIA cherche à rapprocher l’assistance des agents d’un outil d’ingénierie et à l’éloigner de la simple génération de code plausible.

Les affirmations les plus fortes restent contrôlées par le fournisseur, et la valeur des skills dépendra de leur maintenance, de tests indépendants et de leur intégration avec les dispositifs de protection du déploiement. L’approche fournit néanmoins un modèle pratique aux fournisseurs d’infrastructure : donner aux agents des connaissances opérationnelles versionnées et lisibles par machine, plutôt que de compter sur les modèles pour déduire des détails critiques à partir de données d’entraînement génériques.