Dynamo 互联检查

问题从哪来

分离式（disagg）Dynamo 部署里，prefill 与 decode 往往跑在不同 worker 上，KV 要靠 NIXL/UCX 经 RDMA 或 NVLink 传到对端。端点冒烟可能一切正常，但互联若不可用，传输会悄悄回退到慢路径甚至失效——你在跑基准或汇报吞吐之前，需要先确认「传输层真的通」。

本技能是只读的：不修改集群，不打印密钥。

技能如何工作

通过 scripts/check_interconnect.py 分三层检查：

1. env：读取 recipe 目录，报告已设置的 NIXL/UCX/NCCL 变量，并标记 disagg 关键项（如 UCX_TLS、UCX_NET_DEVICES、NCCL_IB_HCA）是否缺失——缺失仅为警告，可能已烘焙进镜像。
2. node：在 GPU 节点或 worker pod 内探查 InfiniBand 链路、GPUDirect RDMA（nvidia_peermem）、GDRCopy、NVLink 拓扑；缺工具则记为 skipped，不算失败。
3. nixl：评估 pod 是否具备 NIXL 测试工具，并给出成对 prefill↔decode 传输测试的下一步；完整跨 pod 测试需要两个已调度的 GPU pod。

输出契约为每项 ok / warn / fail / skipped 加一行细节，并汇总 disagg 传输是否可信、未验证时应先修什么。

适用边界

• 单节点 agg 不演练传输；用于 disagg / 多节点 recipe 部署后、或 agg 正常而 disagg 慢/挂起时。
• 不替代完整成对 NIXL 传输（需双 pod + 镜像内测试工具）；skipped 因缺 ibstat、nvidia-smi 等工具时结论无定论。
• env 检查只看 recipe 文本，运行时由 initContainer/operator 注入的变量检测不到——此时应在 pod 内跑 node 核对实际环境。
• Pod 已崩溃或无法调度时，先用 dynamo-troubleshoot 再谈互联。