NVIDIA выпустила DOCA Agent Skills для улучшения разработки инфраструктуры BlueField

NVIDIA опубликовала на GitHub набор DOCA AI agent skills, предназначенный для помощи агентам программирования в создании приложений для устройств обработки данных NVIDIA BlueField с меньшим числом неподдерживаемых вызовов API и аппаратных ошибок. Этот шаг направлен на узкую, но важную проблему: универсальным ИИ-агентам для программирования часто не хватает знаний о конкретных устройствах, необходимых для инфраструктурного ПО.

Пакет skills предоставляет агентам структурированную информацию об API, аппаратных возможностях, требованиях к сборке и ограничениях развертывания в рамках программной платформы NVIDIA DOCA. По словам NVIDIA, такой подход может сократить число циклов исправлений при создании разработчиками сетевых, дисковых, защитных и телеметрических приложений для систем BlueField.

Что изменилось для разработчиков BlueField

NVIDIA DOCA — программная платформа компании для разработки приложений на DPU BlueField. Она охватывает ускоренные сети, хранилища для задач ИИ, встроенную в кремний безопасность, телеметрию и управление жизненным циклом. Новые DOCA AI agent skills призваны дать агентам программирования более надежную техническую основу, чем одни лишь общие обучающие данные.

Каждый skill поставляется в легком открытом формате, сосредоточенном вокруг файла SKILL.md. Согласно NVIDIA, файлы содержат проверенные сигнатуры API, требования к аппаратным возможностям, ограничения контейнеров сборки, имена пакетов и известные сценарии отказа. Skills предназначены для отдельных компонентов или рабочих процессов DOCA, а не представлены как единый широкий набор инструкций.

Например, skill для DOCA Flow может предоставить правильные сигнатуры функций и имена модулей pkg-config, а также сообщить агенту, какие условия сборки и распространенные меры устранения проблем применимы. NVIDIA утверждает, что skills охватывают библиотеку DOCA в целом, включая DOCA Flow, GPUNetIO, PCC и RDMA.

Файлы не заменяют самого агента программирования. NVIDIA описывает их как машиночитаемый слой предметных знаний, позволяющий агенту проверить предложенный код на соответствие соответствующим программным и аппаратным ограничениям до его создания или развертывания.

Оценка NVIDIA показывает большой разрыв, но это данные поставщика

NVIDIA протестировала агентов на 65 запросах для разработки DOCA — от коротких вопросов до задач реализации с несколькими требованиями. Компания оценивала ответы по контрольным спискам с критериями прохождения или непрохождения для каждой задачи.

В оценке NVIDIA агенты без skills выполнили 19% пунктов контрольных списков, тогда как агенты со skills выполнили 100% по всем 65 запросам. Компания заявила, что неподдерживаемые функции, неверные флаги и недействительные теги образов были повторяющимися проблемами в ответах без помощи skills. По ее данным, неправильное использование API встречалось в 59 из 65 запросов.

Эти цифры указывают на потенциальную ценность предоставления агентам авторитетного структурированного контекста для специализированной инфраструктурной работы. Однако их следует рассматривать как собственный бенчмарк NVIDIA, а не как независимую оценку всех агентов программирования или рабочих процессов DOCA. В исходных материалах не указаны все модели, конфигурации агентов, детали подсчета баллов или внешние проверяющие, участвовавшие в тесте. Поэтому результаты пока не позволяют установить, как skills будут работать с разными инструментами и в производственных средах.

NVIDIA также представила параллельную демонстрацию с приложением RDMA на Go в системе BlueField-3. Компания заявила, что агент со skills потребовал на 73% меньше написанного вручную кода и на 46% меньше аппаратных команд, чем агент без них. Это также результаты демонстрации, сообщенные поставщиком, а не общее исследование производительности.

Почему детали важны для инфраструктурных команд

Проблема, которую решает NVIDIA, серьезнее при разработке инфраструктуры, чем во многих задачах программирования на уровне приложений. Вымышленная функция может вызвать заметную ошибку компиляции в обычном программном проекте. На DPU неверное предположение может также затрагивать поддержку устройства, состояние прошивки, совместимость контейнера, конфигурацию соединения или изменение, требующее перезапуска либо цикла выключения и включения питания.

NVIDIA утверждает, что skills позволяют агентам проверять поддержку устройства до написания кода и выполнять предварительные проверки перед изменениями на уровне прошивки. Они также могут направлять планирование отката и учитывать ситуации, в которых требуется полный цикл отключения и включения питания. Эти проверки важны для команд, которые не могут рассматривать физическую инфраструктуру как бесконечно воспроизводимую среду разработки.

Для разработчиков практическая выгода заключается не просто в меньшем числе строк сгенерированного кода. Более существенный потенциальный выигрыш — сокращение числа циклов между первым ответом агента и работающим приложением на реальном оборудовании. Сетевой инженер, создающий конвейер DOCA Flow, или разработчик RDMA, настраивающий рабочий процесс между хостом и DPU, может тратить меньше времени на исправление выдуманных интерфейсов и больше — на проверку поведения.

Для корпоративных покупателей skills, однако, не отменяют необходимость тестирования, контроля доступа и человеческой проверки. Машиночитаемое описание API может улучшить исходную точку агента, но не гарантирует, что сгенерированный код безопасен для производственной сети, совместим с конкретной версией прошивки или соответствует политике безопасности развертывания.

Открытые skills как стратегия распространения

NVIDIA предоставляет DOCA skills через репозиторий NVIDIA/skills на GitHub, давая разработчикам возможность напрямую изучать и использовать материалы вместе с предпочитаемыми инструментами программирования на базе ИИ. Модель на основе репозитория также создает путь для обновления рекомендаций по мере изменения интерфейсов DOCA, поддерживаемого оборудования и сред сборки.

Этот выбор способа распространения важен, поскольку специализированные инфраструктурные агенты полезны только тогда, когда их инструкции остаются согласованными с программным обеспечением, которым они управляют. В описании NVIDIA акцент сделан на проверенных контрактах и требованиях к оборудованию, а не на широких разговорных способностях. Сохранение этой точности будет критически важным по мере развития платформ BlueField и компонентов DOCA.

Анонс также отражает более широкое направление в разработке с поддержкой ИИ: вместо ожидания, что универсальная модель запомнит каждую специализированную систему, поставщики упаковывают предметный контекст, который агенты загружают во время выполнения задачи. В данном случае речь идет не о фреймворке потребительских приложений, а об аппаратно-программном стеке, где неверные предположения могут задержать развертывание.

За чем наблюдать дальше

Первым сигналом станет то, смогут ли разработчики за пределами NVIDIA воспроизвести заявленные улучшения с разными агентами программирования, моделями и версиями DOCA. Независимые оценки должны показать, сохраняется ли разрыв 19% против 100% за пределами набора запросов NVIDIA.

Командам также следует следить за тем, насколько быстро репозиторий отражает изменения в оборудовании BlueField, прошивке, образах контейнеров и поведении API. Устаревшие skills могут вернуть те же проблемы надежности, которые они призваны уменьшить.

Третий сигнал — внедрение в полноценные рабочие процессы, а не только в демонстрации. Доказательства того, что skills помогают с тестированием, отладкой, откатом и производственным развертыванием, а не только с первоначальной генерацией кода, покажут, снижают ли они операционный риск наряду с трудозатратами разработчиков.

Мнение Creati.ai

Релиз NVIDIA — целевой ответ на реальное ограничение универсальных агентов программирования: беглость не равна точному знанию специализированной аппаратной платформы. Представляя ограничения API и устройств в структурированном формате, NVIDIA пытается приблизить помощь агента к инженерному инструменту и отдалить ее от генерации правдоподобного кода.

Самые сильные утверждения по-прежнему контролируются поставщиком, а ценность skills будет зависеть от сопровождения, независимого тестирования и интеграции с защитными механизмами развертывания. Тем не менее подход предлагает инфраструктурным поставщикам практический шаблон: предоставлять агентам версионируемые машиночитаемые операционные знания вместо того, чтобы полагаться на способность моделей выводить критические детали из общих обучающих данных.