NVIDIA Agent Skills 快速入门：把 NVIDIA 官方技能装进 Claude Code 与 Codex

这是什么？适合谁？

NVIDIA Agent Skills（仓库 NVIDIA/skills，文档站 docs.nvidia.com/skills）是 NVIDIA 官方的、经 NVIDIA-Verified 标记的 Agent Skills 目录。它不是某一个技能，而是一个合集/索引：技能本体维护在各自的产品仓库里，通过自动化同步流水线每天镜像到这个仓库，因此这里的 skills/ 目录始终是「各产品最新技能的快照」。

技能本身是什么：按 Agent Skills 规范（agentskills.io）写的可移植指令集，一个目录加一个 SKILL.md，用 YAML frontmatter 声明 name 与 description，采用渐进披露——启动时只加载轻量元数据，任务匹配时才加载完整指令、参考文档与脚本。装上去之后，当你的编码智能体遇到相关任务（比如「用 cuOpt 解一个线性规划」），它会自动走 NVIDIA 写的正确流程，而不是凭训练记忆瞎猜 API。

覆盖面按产品分组，官方目录里能看到这些方向：cuOpt（路由/线性规划/二次规划）、cuDF 与 cuML（GPU 数据框与机器学习加速）、CUDA-Q（量子）、DALI（数据加载）、DeepStream 与 Holoscan（视觉与传感器）、Dynamo（K8s 推理部署）、NeMo 全家（AutoModel、MBridge、Retriever、RL、Data Designer、Fabric、Relay）、BioNeMo（生信与药物发现）、Jetson BSP 与设备侧技能、DOCA（BlueField DPU / ConnectX 网卡）、Isaac for Healthcare、医疗影像（MONAI）、Earth2Studio（气象）、FastGen、Cosmos Data Factory（合成数据）、DGX Spark、NemoClaw（OpenClaw 沙箱）、G-Assist，以及 ETHOS.md、Auto Ontology 这类方法论与语义层技能。

适合谁：已经用 Claude Code / Codex / Cursor / Kiro 等编码智能体干活，并且工作里会碰 NVIDIA 软件栈（CUDA、cuDF、cuOpt、NeMo、Omniverse、Jetson、DOCA）的工程师；想给团队统一「NVIDIA 相关任务的正确做法」，而不是每个人各问一遍模型的团队。

不适合谁：完全不碰 NVIDIA 技术栈的人——装上去大概率永远不触发；期望「装了就自动跑通 GPU 环境」的人——技能是说明书与流程，不是运行时，驱动、CUDA、容器、API key 仍要你自己准备好。

核验日期：2026-11-12。本文基于官方文档和公开资料整理，AI辅助生成，MagicNetWorld 尚未完成独立实测。

前置条件与安全边界

• Node.js 与 npx 可用（node -v 能出结果即可）。安装器是 Vercel 的 skills CLI，通过 npx 调用，不需要预先全局安装。
• skills CLI 版本必须 ≥ 1.5.16。官方明确写了：v1.5.15 及更早版本上技能可能装成功但在 Claude Code 里不出现。想省事就直接用 npx skills@latest。
• 一个已装好的编码智能体：Claude Code、Codex、Cursor、Kiro、Snowflake CoCo（cortex）等，具体以 skills CLI 的支持列表为准。
• 技能要真正跑起来，还需要对应的 NVIDIA 软件环境：GPU 驱动、CUDA/cuDF/cuOpt 的 Python 包、NeMo 容器、Omniverse、Jetson 设备或 NIM 端点等。技能只负责「告诉 agent 怎么做」。
• 许可证要分清：仓库是双许可——源代码 Apache-2.0，文档与技能内容 CC-BY-4.0。转发技能内容时按 CC-BY-4.0 署名，别当成纯 Apache-2.0。
• 「NVIDIA-Verified」的准确含义：每个进入 skills/ 的产品技能必须带 skill.oms.sig（OMS 格式的分离签名，可用仓库根的 nv-agent-root-cert.pem 校验）、skill-card.md（技能身份与治理卡）以及 Tier-3 评估数据集；有 BENCHMARK.md 的会一并发布。这是厂商侧的签名与评估，不等于本站或其他第三方的独立实测。
• 别把技能当可信代码无脑执行：技能里可以带脚本，agent 会按指令跑。装之前先看该技能的 SKILL.md 与 skill-card.md，尤其是带 sudo、Docker、设备刷写（如 Jetson / DOCA / Holoscan Sensor Bridge）的技能。
• 版本会漂：目录每天镜像同步，技能可能被改名、合并或移除。生产环境要给 CLI 与技能版本留一个可回滚的记录。

安装与启用

先装「技能查找器」，让它之后帮你找技能——这是官方推荐的入口：

npx skills add nvidia/skills --skill nvidia-skill-finder --yes

想先看目录再装，用 --list：

npx skills add nvidia/skills --list

确定要某个技能后，非交互安装（--yes 跳过确认提示）：

npx skills add nvidia/skills --skill cuopt-numerical-optimization-api --yes

把 cuopt-numerical-optimization-api 换成目录里的任意技能名即可。要装整个目录（不建议一上来就这么干）：npx skills add nvidia/skills。

按宿主 agent 定向安装，--agent 支持多个值，一次装进多个智能体：

npx skills add nvidia/skills \
  --skill cuopt-numerical-optimization-api \
  --agent claude-code \
  --agent codex

常用 --agent 取值（官方 README 列出）：claude-code、codex、cursor、kiro-cli、cortex（Snowflake CoCo）。

Claude Code 里装完当前会话不生效时，手动重载：

/reload-skills

维护已装技能：

npx skills list      # 看装了什么
npx skills check     # 预览哪些过期
npx skills update    # 更新；交互模式下会提示被上游移除/合并的旧技能并可一并清理

第一个任务与成功判定

首任务只做一件事：确认这个技能真的被宿主加载了。选 cuopt-numerical-optimization-api 是因为它的 SKILL.md 里写的是建模与调用流程，agent 照着写一段示例就能看出它有没有读到这份文档——这一步不安装 cuOpt、不连许可证服务、也不实际求解。

1. 装好 cuopt-numerical-optimization-api。
2. 在 Claude Code / Codex 里发一句具体任务：用 cuOpt 的 Python API 帮我写一个最小可运行的线性规划示例：两个变量、一个资源约束，并解释每个参数。
3. 打开宿主的技能列表与本次会话的可核记录：Claude Code 里执行 /reload-skills 后看技能是否列出，npx skills list 看安装状态；再看本次会话有没有读取该技能 SKILL.md（或它的 references/）的可见调用记录。

成功判定（按证据强度分两层，别混）：

• 加载证据：宿主技能列表里能看到这个技能，且可见的工具/文件读取日志里出现该技能的 SKILL.md 路径。只有这类可核日志才证明技能在本次会话被加载并参与了回答。
• 结果冒烟：生成的示例代码形态对不对。这一项不能证明技能被触发——cuOpt 的公开 API 在训练数据里就有，模型本来就可能知道，输出看起来正确只说明它答得出，不说明它读过这份技能。
• 完整求解是另一件事：要真的跑起来，需要该技能对应的环境（GPU 驱动、CUDA / cuOpt 的 Python 包、可用许可），这一步不在本任务范围内。

假成功的样子：答案很像、参数名也对，但技能列表里没有、也找不到任何 SKILL.md 被读取的记录。这时要么是 CLI 版本低于 1.5.16，要么是没执行 /reload-skills，按上文排障再验一次。

初级用法

• 先装 finder 再装具体技能：nvidia-skill-finder 会检索这个目录并帮你找到对口技能，比你在上百个技能名里翻快得多。
• 一次只装和工作相关的 1–3 个技能。装整个目录会让 agent 的启动元数据变重，而且大部分技能你永远用不到。
• 用 --list 做选型：把它当目录看，先确认技能名、所属产品，再决定装不装。
• 同一台机器上装了多个编码智能体时，--agent claude-code --agent codex 一次写进本机的两个客户端；它不跨机器同步，团队其他人仍要在自己的机器上装一次。
• 定期 npx skills check + npx skills update：目录每天同步，技能被改名或合并是常态，陈旧副本会让 agent 走旧流程。

高级玩法

• 用信任链做准入：把 skill.oms.sig、skill-card.md、nv-agent-root-cert.pem 纳入你团队的内审流程——装之前校验签名、读治理卡，再决定这个技能能不能进生产仓库。官方有专门的 signing 与 trust pipeline 文档描述这条链。
• 走插件分发而不是逐个装：仓库里有打包好的 plugins/nvidia-skills（面向 Claude Code 与 Codex 的精选合集），并带 .claude-plugin/marketplace.json 与 .agents/plugins/marketplace.json。团队想统一版本时，插件比分发一堆 npx skills add 好管。
• 自建技能的写法照抄这套规范：技能目录 + SKILL.md（frontmatter 必带 name、description）+ 渐进披露，然后用 skills-ref 参考库自校验，保证能被同一套 CLI 安装。
• 按产品注册你自己的技能：仓库用 components.d/<product>.yml 做产品注册表，每个产品一个文件。内部团队要维护私有技能目录时可以借鉴这个结构，把「谁维护、来源仓库、评估数据在哪」写进注册项。
• 把评估数据接进 CI：官方要求技能带 Tier-3 评估数据集（evals/evals.json 等），有基准提升时附 BENCHMARK.md。你可以把同类做法搬到内部技能上——没有评估数据的技能不进主干。
• 场景化批装：做机器人/仿真的装 Isaac、Holoscan、Jetson 系列；做数据管道的装 cuDF、DALI、Cosmos Data Factory；做大模型训练的装 NeMo AutoModel / MBridge / NeMo-RL。按项目建一个安装清单，比每次现找省事。

小技巧

• 在 CI 里固定 CLI 版本（npx skills@1.5.16 或更新），别让 @latest 在某天悄悄改变安装行为。
• --yes 加上就完全非交互，适合脚本；不加则每步要确认，适合第一次试。
• 装完先看技能目录里有没有脚本文件；有脚本的技能先在隔离环境跑一遍，再放到有生产凭证的机器上。
• Claude Code 里新装的技能当次会话不出现，先 /reload-skills 再怀疑安装失败。
• npx skills update 的交互模式值得开着跑一次——它会告诉你哪些技能被上游合并/移除，并提议删掉本地陈旧副本。
• 技能名带产品前缀（cuopt-、jetson-、doca-、nemo-），用前缀就能筛出某个产品的全部技能。
• 文档站（docs.nvidia.com/skills）讲的是治理与发现逻辑，README 讲的是命令；查安装参数看 README，查「这个技能凭什么可信」看文档站。

踩坑

踩坑 1： 症状——npx skills add 显示成功，但 Claude Code 里怎么都不出现这个技能。原因——skills CLI 版本太旧（v1.5.15 及更早），官方明确这种版本上技能可能装上但不被识别。排查——npx skills --version 看版本。解决——改用 npx skills@latest add nvidia/skills ...，或先升级 CLI 再重装。来源：README Quickstart 提示。

踩坑 2： 症状——版本没问题，当前会话里 agent 仍然不按技能办事。原因——会话启动时已经加载过技能清单，新装的没进当前上下文。解决——Claude Code 里执行 /reload-skills，或重开会话。来源：README Quickstart。

踩坑 3： 症状——装完一堆技能，agent 反而变慢、回答里混进不相干的流程。原因——一次装了整个目录，元数据变重且多个技能可能争抢同一任务。解决——只保留当前项目相关的 1–3 个，其余用 npx skills 卸载；用 --list 先选型再装。来源：README Browse the Catalog。

踩坑 4： 症状——--agent 写了却报不支持，或装到了错误位置。原因——agent 标识符是固定的几个取值，写产品名或大小写混用都不认。解决——用官方列出的取值：claude-code、codex、cursor、kiro-cli、cortex；完整列表以 skills CLI 的 Supported Agents 表为准。来源：README Install for a Specific Agent。

踩坑 5： 症状——技能装好了，让它跑真实任务却一直报环境错误。原因——技能只是操作指南，不含运行时；对应产品的 GPU 驱动、Python 包、容器或 NIM 端点仍需你自己准备。排查——看报错是「命令不存在 / 包未安装 / 无 GPU」这类环境错误还是流程错误。解决——按该技能 SKILL.md 里的前置条件一节逐条补齐。来源：docs.nvidia.com/skills。

踩坑 6： 症状——更新后本地留着几个已经改名的技能，agent 偶尔走旧流程。原因——目录每天同步，技能会被改名、合并或移除，npx skills update 非交互模式下不会自动清理。解决——交互模式跑一次 update，接受它给出的移除建议；或用 npx skills check 先看差异再处理。来源：README Keep Skills Up to Date。

踩坑 7： 症状——把 NVIDIA/skills 和 NVIDIA/skillspector 当成同一个东西，找安全扫描能力找错仓库。原因——NVIDIA/skills 是技能目录，SkillSpector 是独立的技能安全扫描器，两者仓库与用途都不同。解决——要装技能来 NVIDIA/skills；要扫描技能的漏洞模式去 SkillSpector。来源：GitHub NVIDIA/skills、本站 NVIDIA SkillSpector 条目。

踩坑 8： 症状——脚本里跑安装卡在交互提示上，CI 直接超时。原因——不加 --yes 时 CLI 会逐步确认。解决——非交互场景统一加 --yes，并把技能名写成完整名而不是前缀。来源：README Install One Skill Without Prompts。

常见问题 FAQ

Q1: 这是「一个技能」还是「一堆技能」？

A: 是一堆，而且是个索引型合集。技能本体由各产品团队在自己的仓库维护，每天自动镜像到 NVIDIA/skills，所以这里更像「官方技能目录 + 同步流水线」，不是单一产品。

Q2: 装它要花钱吗？

A: 仓库本身免费（代码 Apache-2.0、文档与技能 CC-BY-4.0）。真正的成本在技能指向的东西：GPU 算力、NVIDIA 容器与 NIM 端点、你自己的模型调用额度。别把「技能免费」理解成「跑起来免费」。

Q3: 支持哪些编码智能体？

A: 官方 README 明确列了 Claude Code、Codex、Cursor、Kiro、Snowflake CoCo（cortex），并说明 skills CLI 还覆盖 OpenClaw、Aider、Augment 等兼容客户端；--agent 可以重复写多个一次装进多处。完整目标列表以 CLI 的支持表为准。

Q4: 为什么必须用 1.5.16 以上的 skills CLI？

A: 旧版（≤1.5.15）装完技能可能不被 Claude Code 识别。这不是配置问题而是版本问题，升级 CLI 或直接用 npx skills@latest 即可。

Q5: 「NVIDIA-Verified」是不是表示已经安全审计过、可以放心执行？

A: 不是「放心执行」的同义词。它表示该技能带 OMS 签名、治理卡与 Tier-3 评估数据，能被根证书校验来源与完整性。技能里仍可能带脚本、仍可能要求高权限操作（刷固件、改驱动、动 Docker），执行前看 skill-card.md 与 SKILL.md 仍然必要。

Q6: 技能更新频繁吗？会不会今天能用明天就没了？

A: 目录每天同步，技能会被补充、修订、改名、合并甚至移除。想稳定就固定 CLI 与技能版本，并在升级前用 npx skills check 看差异。

Q7: 我自己的技能也能用这套方式装吗？

A: 可以。按 Agent Skills 规范写 SKILL.md（frontmatter 至少 name 与 description），用 skills-ref 校验格式，再放进一个可被 skills CLI 识别的目录结构即可。NVIDIA 这套仓库结构（skills/、components.d/、plugins/、evals/）是很好的参照。

进阶学习：从「会装」到「会验、会包、会写」

装几个技能只是第一层。下面六个方向对应仓库里的具体模块，可以按需往下走：

1. 自己复验签名，而不是只看页面上的 Verified 徽章（docs/signing-agent-skills.mdx）：每个技能目录里都有 SKILL.md、skill-card.md、skill.oms.sig。先装校验器、再取信任锚——pip install model-signing，并从 NVIDIA/skills 仓库根下载根证书：

   curl -L -o nv-agent-root-cert.pem \
     https://raw.githubusercontent.com/NVIDIA/skills/main/nv-agent-root-cert.pem
   

   然后对装好的技能目录跑严格校验：

   model_signing verify certificate SKILL_DIR \
     --signature SKILL_DIR/skill.oms.sig \
     --certificate-chain nv-agent-root-cert.pem
   

   通过表示目录内容自 NVIDIA 签名后未被改动。官方另有 --ignore-unsigned-files，但它只在你的策略明确允许追加未签名文件时才用；默认不要加，因为签名后多出来的文件正是需要被暴露的漂移。也要记住签名只证明「发布出来的这份内容就是被签名的那份」，不代表技能本身安全，仍需配合扫描与 skill-card.md 一起判断。这一步能在你自己的机器上复现，而不是只读厂商声明。

2. 读治理卡而不是只读说明（docs/skill-cards.mdx）：skill-card.md 记的是身份、来源、质量与行为边界。团队准入时把「来源仓库、谁维护、能碰什么权限」三行摘进内部清单，比「谁装过、好用」可靠。

3. 走一遍信任流水线（docs/agent-skill-trust-pipeline.mdx）：文档描述签名、漂移检测与缺失工件拦截是怎么串起来的。要在内部镜像一份技能目录，就照这条链设计「同步时校验、缺失即丢弃」，别在客户端做后置扫描。

4. 把扫描接进准入（docs/scanning-agent-skills.mdx + 独立的 NVIDIA SkillSpector）：技能可以带脚本，扫描关注的是指令安全与供应链完整性。装带 sudo、Docker 或设备刷写的技能前，先扫一遍再看脚本。

5. 用插件包统一版本（plugins/nvidia-skills、plugins.d/nvidia-skills.yml、build-plugins.py）：插件是精选子集，带 .claude-plugin/marketplace.json 与 .agents/plugins/marketplace.json 两份元数据。团队统一版本时分发插件，比让每个人各自 npx skills add 好核对。

6. 按注册表与评估数据自建目录（components.d/README.md、evals/evals.json）：每个产品一个 <product>.yml 注册文件，技能必须带 Tier-3 评估数据集才进目录。内部技能库可以直接借这套结构：没有评估数据的技能不进主干。

参考链接

• NVIDIA Agent Skills 文档站
• GitHub 仓库 NVIDIA/skills
• README：安装、按 agent 安装、更新
• 高级安装与排障 advanced-install.mdx
• 技能签名 signing-agent-skills.mdx
• 技能扫描 scanning-agent-skills.mdx
• 信任流水线 agent-skill-trust-pipeline.mdx
• 技能治理卡 skill-cards.mdx
• Agent Skills 规范
• Vercel skills CLI