2.4k Star！NVIDIA开源200+ Agent Skills，让Claude Code变GPU专家

智猩猩AI整理

如果你最近关注 Claude Code、Codex、Cursor、OpenClaw 这类智能体，大概率已经对skills这个词不陌生了。

今天要给大家介绍的开源项目是 NVIDIA 推出的 Skills。

它把 NVIDIA 一整套产品栈里的操作经验，打包成智能体能读、能调用、能复用的说明书。

CUDA-X、Omniverse、NeMo、Jetson、DeepStream、cuOpt、cuDF、TAO、RAG Blueprint等，这些过去需要开发者自己啃文档、翻教程、调参数、踩坑的东西，现在被整理成一个个可安装的 Agent Skill。

目前，它在github上已经收获2.4k stars。

• 项目链接：

  https://github.com/NVIDIA/skills

NVIDIA/skills 目前覆盖的方向非常广，收录了200多个专业技能。

在官方目录里，有面向优化求解的 cuOpt、面向 GPU DataFrame 和 pandas 加速的 cuDF；也有面向多节点多 GPU NumPy/SciPy 工作流的 cuPyNumeric，还有面向数据加载的 DALI、面向视频分析的 DeepStream、面向 Jetson 的 BSP 与设备端技能、面向大模型训练的 Megatron-Core、NeMo AutoModel、NeMo-RL，以及面向 RAG、Physical AI、医疗、视频搜索与总结等场景的技能。

这意味着，它不是只服务于某个单点工具，而是在把 NVIDIA 的 AI 软件生态拆成一组 Agent 可调用的工程能力。

举个例子，如果开发者想让 Agent 解决一个线性规划问题，过去可能需要反复告诉它 cuOpt 的安装方式、Python API、约束怎么写、参数怎么设、结果怎么读。

现在，安装 cuOpt 相关 Skill 后，Agent 在遇到这类任务时就可以被引导使用 cuOpt Python API 完成求解。

更进一步，NVIDIA/skills 的核心亮点其实在“Verified”。

Agent 技能和普通提示词不同，它不只是影响回答风格，还可能引导 Agent 执行命令、读取文件、调用工具、获取远程内容，甚至代表用户作出决策。也就是说，技能本身正在变成一种新的 Agent 能力供应链资产。

因此，NVIDIA 为这些技能引入了一套验证与治理流程。

首先是扫描。NVIDIA 技术博客提到，在 Verified Skill 进入 NVIDIA Skills catalog 之前，NVIDIA 会通过 SkillSpector 对其进行扫描，把 Skill 当作可部署的 Agent 能力，而不是一段静态提示词来审查。

• 博客链接：

  https://developer.nvidia.com/blog/nvidia-verified-agent-skills-provide-capability-governance-for-ai-agents/?utm_source=chatgpt.com

SkillSpector 会检查传统软件风险，比如脆弱依赖、可疑脚本、危险代码模式、凭证访问和数据外泄路径；同时也会检查 Agent 原生风险，比如隐藏指令、提示注入、触发滥用、过度自主性、工具投毒，以及技能声明目标、请求访问权限与打包行为之间不匹配等问题。

• 项目链接：

  https://github.com/nvidia/skillspector

  
  

其次是签名。NVIDIA/skills 的 GitHub README 写到，每个发布技能都会携带 detached OMS signature，也就是 skill.oms.sig，并可通过 nv-agent-root-cert.pem 进行验证。签名覆盖 Skill 目录中的文件和子目录，用来证明用户下载到的技能确实来自可信来源，并且没有在签名后被篡改。

再次是 Skill Card。在当前 GitHub catalog 中，每个发布技能都会携带 skill-card.md，用于记录技能身份和治理信息。NVIDIA 技术博客也将 skill card 称为一种机器可读的信任记录，开发者和企业团队可以通过它了解技能做什么、谁构建了它、采用什么许可、有哪些依赖、已知限制、风险、缓解措施和验证状态。

最后是评测。根据 NVIDIA/skills 当前 README，产品技能进入 skills/ 目录前，需要携带 Tier-3 evaluation dataset；当评测运行产生 BENCHMARK.md 时，该文件会随技能一起发布，方便用户查看可验证的 benchmark uplift 数据。

所以，NVIDIA/skills 的真正价值，不只是“让 Agent 学会更多 NVIDIA 工具”，而是把 Agent 的能力扩展变成一条可审计、可验证、可分发的链路。

默认安装命令如下：

npx skills add nvidia/skills

执行后，CLI 会通过交互式流程提示用户选择要安装的 Skill 和安装目标。安装完成后，当你的 AI Agent 下次加载技能，并遇到相关任务时，就可以自动使用对应 Skill。

如果你已经知道要安装的技能名，也可以跳过交互流程。例如安装 cuOpt 数值优化 API 的 Python 技能，可以执行：

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

如果你希望把同一个 Skill 安装到指定 Agent 中，也可以通过 --agent 参数完成。

如果你同时使用多个 Agent，也可以一次性安装到多个目标中：

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

如果你还不确定有哪些技能，可以先查看目录：

npx skills add nvidia/skills --list

回到 NVIDIA/skills 这个项目本身，它最值得关注的地方，不只是让 Agent 多会几个 CUDA、cuDF、cuOpt、Jetson 或 DeepStream 的用法。

更关键的是，它把 Agent Skills 从过去偏个人化、提示词化的“外挂能力”，往工程化、可信化、可治理的方向推了一步。

过去开发者使用 Agent，很多时候需要反复把文档、安装方式、API 用法、最佳实践和避坑经验喂给它。Agent 能不能做对，很大程度取决于上下文给得够不够细、提示词写得够不够准。

但 NVIDIA/skills 试图把这些分散在文档和工程经验里的知识，沉淀成一套可安装、可验证、可审计的技能目录，让 Agent 在面对具体任务时，不只是“猜一个答案”，而是沿着经过整理和验证的工程路径去执行。

这对于 NVIDIA 生态尤其重要。

因为无论是 GPU 数据处理、推理部署、机器人仿真，还是 RAG、视频分析和大模型训练，这些任务都不是简单生成几行代码就能完成的。它们背后依赖复杂的软件栈、硬件环境、版本兼容、性能调优和安全边界。

NVIDIA/skills 的价值，正在于把这些复杂经验拆解成 Agent 可以理解和调用的能力单元。

更进一步看，Verified Skill、SkillSpector、签名、Skill Card 和评测数据这套机制，也给未来 Agent 能力分发提供了一个值得参考的样板。

随着 Agent 逐渐从个人效率工具走向企业级生产系统，企业真正关心的不会只是“这个 Agent 会不会做”，还会是“它从哪里学会的”“这个技能是否可信”“有没有被篡改”“风险边界在哪里”“效果能不能验证”。

从这个角度看，NVIDIA/skills 不只是一个面向 NVIDIA 工具链的技能合集，而是在探索一种新的 Agent 能力基础设施。

未来，类似的 Skills 体系很可能会成为软件厂商连接 Agent 的重要入口。数据库、云计算平台、开发框架、机器人平台、工业软件、医疗 AI 工具，都有可能把自己的产品文档、最佳实践、部署流程和安全规范，封装成 Agent 可调用的技能包。

到那时，Agent 的能力扩展就不再只依赖用户手写 Prompt，而会逐步走向像软件包一样安装、更新、验证和治理。

这也是 NVIDIA/skills 给行业带来的启发，Agent 时代的关键竞争力，可能不只是模型本身有多强，还包括谁能把真实工程世界里的复杂能力，稳定、可信地交到 Agent 手里。