Skyportal SRE – 开源AI基础设施工程师

Skyportal SRE 是一个开源项目，旨在为 AI 基础设施提供类似站点可靠性工程师（SRE）的自动化管理能力。该项目包含一个 Python SDK、一个命令行工具（CLI）以及一个可观测性代理，帮助开发者和运维人员更高效地管理 GPU 集群、监控实验并自动处理常见运维任务。

Skyportal SDK 是 SkyPortal API 的官方 Python 客户端，用户可以通过简单的 API 调用与 SkyPortal 平台交互。SDK 支持上下文管理器，方便管理 HTTP 会话，并提供了完善的错误处理机制，所有异常都继承自 SkyportalError 基类，包括身份验证错误、网络连接错误和通用 API 错误。安装方式简单，只需 pip install skyportalai，Python 3.11 以上版本即可使用。

CLI 提供了两种模式：交互式命令中心和自动化脚本工具。交互式命令中心通过 skyportal 命令启动，支持登录、选择服务器、管理聊天会话等操作。自动化 CL 基于 Typer，提供稳定的 JSON 输出，适合脚本集成。用户可以通过 skyportalai chat send 等命令发送指令并等待结果。CLI 配置存储在 ~/.skyportal/config.yaml 中，支持多种环境变量覆盖。

可观测性代理（skyportal-agent）能够自动发现 W&B 和 MLflow 的实验元数据，将其缓存在磁盘队列中并上传到 SkyPortal。该代理具备配置/标签编辑功能，可过滤敏感信息，但操作者仍需谨慎设置扫描目录和保护状态文件。代理适合在实验数据卷上运行，帮助团队集中追踪实验进展。

项目还提供了一个 AI 驱动的运维代理，服务器端运行，通过 chat 接口处理内部审批流程。用户创建聊天后，代理会自动执行命令并等待确认，支持手动或自动审批。该代理集成了可观测性端点，可访问事件、工具调用、推理过程、计划和环境信息。目前项目处于 Alpha 阶段，API 可能在未来版本中演变，但所有变更都会在 GitHub 发布中记录。