技能介绍

要解决什么问题

cuPyNumeric 是 NVIDIA 基于 Legate 的 NumPy 兼容数组库，安装时要选对 GPU/CPU 变体、满足 CUDA 12.2+ 与 Python 版本约束，还要在独立环境里装，避免污染系统或 base conda。很多人卡在：conda 在无 GPU 的机器上静默装了 CPU 包、混用 pip/conda 导致导入失败，或冒烟测试过了却根本没用到 GPU。

技能如何工作

本技能按固定流程协助你，但不会替你执行 pip install、conda install 等命令，只打印命令由你在目标环境中运行。

前置检测：确认 GPU 计算能力（Volta+ 或仅 CPU）、CUDA、操作系统与 Python 版本；必要时只读检查 conda --version、pip --version。
安装前问答：包管理器（优先 conda-forge/legate 通道）、部署场景（本机 GPU、纯 CPU 笔记本、容器/远程）、以及是否在无可见 GPU 时需要 CONDAOVERRIDECUDA 强制 GPU 变体。
引导与安装路径：若 conda/pip 皆无，给出 Miniforge 或系统 Python 的文档与命令（仍不执行）；conda 路径走 conda-forge + legate；pip 走对应 wheel 说明。
验证：通过 legate 启动器跑冒烟脚本（期望 sum: 45、matmul: 64.0）；在 GPU 主机上额外做 legate --gpus 与配合 nvidia-smi 的占用检查，区分「能 import」和「真在用 GPU」。

边界与注意

不在范围内：从源码构建以修改/贡献、多节点 MPI/UCX 的完整部署（需查 Legate 官方 networking/MPI 文档）。
同一环境禁止 conda 与 pip 混装 cuPyNumeric；切换前先卸载再重装。
多 GPU / 多 rank 需用 legate --gpus N 启动脚本，不要指望直接 python script.py。
Pascal（GTX 10xx / P100）不受支持；旧版 conda（< 24.1）可能破坏变体选择。

更细的故障排查与多 GPU 示例见技能内引用的 verification_examples.md 与 NVIDIA 官方安装文档。

截图预览

使用场景

在无 GPU 的 CI 或构建机上为后续 GPU 节点打容器，需要按主机 CUDA 强制 GPU 变体并避免静默装成 CPU 包。
新 Linux GPU 工作站上用 conda 建独立环境，准备把 NumPy 脚本迁到 cuPyNumeric，并要用 legate 冒烟加 nvidia-smi 确认真在用 GPU。
macOS Apple Silicon 仅通过 pip wheel 安装后，要在本机激活环境跑 legate 自包含验证，排查 import 与 python/pip 环境不一致。
远程服务器只能 ssh、不能动系统 Python，需在隔离环境里选 conda 或 pip 路径，并处理 CUDA/libcudart 类 ImportError。

适合人员

负责 GPU 训练/推理容器镜像的 MLOps 工程师，需要在构建机无 GPU 时仍选对 cupynumeric_gpu 并在发布前做占用验证。
在 Linux 集群上迁移 NumPy 数值代码到 cuPyNumeric 的应用算法工程师，先要满足 CUDA/Python 约束并学会用 legate 启动多 GPU 任务。
用 WSL 或云 GPU 实例做数组库性能对比的研究员，典型诉求是独立环境安装流程清晰、且能区分「能 import」与「GPU 变体已生效」。
维护 conda-forge 与 legate 通道的数据平台或 HPC 支持同学，帮用户排查 ModuleNotFoundError 与 conda/pip 混装导致的导入失败。