腾讯组学 HPC 集群运维

你在面对什么问题

omics-hpc 集群的日常操作横跨三层：腾讯云组学 API（发现集群、远程下发 Shell）、SLURM（sbatch / squeue / sacct 等）和 tophpc（节点、队列、弹性伸缩、文件系统）。本地往往没有 slurm/tophpc 客户端，作业又必须落在管理节点上执行；弹性伸缩模式下 dummynode、全队列 PENDING、sinfo 显示 0 可用节点等现象很容易被误判为故障。

技能如何工作

本技能把「生成命令 → RunCommand 远程下发 → DescribeCommandExecution 取回输出」作为标准三段式，并内置两层领域知识：

• 作业层：按意图映射到 squeue、sbatch、scancel、scontrol show job 等；提交前收集分区、资源与时间；可用脚本生成 sbatch 或套用模板。
• 基础设施层：构造 tophpc cluster/node/queue/scale/fs 等命令，强调 --format json、--force 与非交互确认（如 echo y |）。

对会改变状态的操作（提交/取消作业、tophpc 变更）走 Inspect → Confirm → Execute → Verify；只读查询可直接下发。提交 SLURM/SGE 作业时通过 --run-as-user 以普通用户身份执行，避免 root 提交带来的权限与审计问题。

边界与注意点

• DescribeHPCClusters 受 Region 影响，集群按地域隔离；RunCommand 与结果查询不受地域限制。
• 技能不主动轮询终态，是否 --poll 由调用方决定。
• PENDING 因 Resources / ReqNodeNotAvail 时，在弹性集群里多为等待扩节点，持续超过约 10 分钟再按异常路径排查；dummynode 处于 down/drain 不算故障节点。
• 修改分区/节点配置属于 tophpc 层，不要混用纯 sinfo 查看与基础设施变更流程。