Synthèse automatique
Guide l'utilisateur dans le lancement d'une instance GPU sur Vast.ai avec configuration complète.
Points forts
- Automatise la recherche et la sélection d'offres GPU
- Prend en charge les connexions SSH, Jupyter et Jupyter Lab
- Permet de configurer l'image Docker, le disque, les volumes et les variables d'environnement
- Gère les instances spot avec enchères
Limites
- Nécessite un compte Vast.ai et l'outil CLI vastai configuré
- Ne gère pas les configurations multi-nœuds complexes
- Les instances interruptibles peuvent perdre les travaux en cours
Quand vous avez besoin d'une machine GPU rapidement pour de l'entraînement, de l'inférence ou du développement.
Pour des serveurs persistants à long terme ou des tâches ne nécessitant pas de GPU.
Analyse de sécurité
SûrThe skill only uses the Vast.ai CLI for its intended purpose (searching offers, creating instances, checking status, obtaining SSH URLs). There are no destructive, obfuscated, or exfiltrating commands. It does not pipe untrusted data into interpreters or disable safety mechanisms.
Aucun point d'attention détecté
Comment cette analyse est faiteExemples
Launch a GPU instance on Vast.ai with a PyTorch image and SSH access.Find a cheap GPU instance on Vast.ai with at least 16GB VRAM and 100GB disk, then launch it with Jupyter Lab.Create a Vast.ai GPU instance using the vllm image, attach an existing volume at /data, and run a startup script.name: launch-instance description: "Launch a GPU instance on Vast.ai. Use when the user wants to create, start, or spin up a new GPU machine for training, inference, or development." argument-hint: "[offer-id or requirements]" disable-model-invocation: true allowed-tools: Bash
Launch a Vast.ai GPU Instance
Guide the user through launching a GPU instance on Vast.ai.
User Request
$ARGUMENTS
Instructions
Step 1: Determine the Offer
If the user provided an offer ID (number), use it directly.
If they described requirements, search first:
vastai search offers '<query>' -o 'dph_total'
Present top options and ask the user to pick one.
Step 2: Gather Configuration
| Setting | Flag | Default |
|---------|------|---------|
| Docker image | --image | Ask user (suggest pytorch/pytorch) |
| Disk size | --disk | 64 GB |
| Access method | --ssh / --jupyter / --jupyter-lab | --ssh |
| Direct connect | --direct | No (not all machines support it) |
| Startup script | --onstart-cmd | None |
| Environment/ports | --env | None |
| Pricing | --bid_price | On-demand (no flag) |
| Label | --label | None |
| Template | --template_hash | None |
| Volume | --create-volume / --link-volume | None |
| Mount path | --mount-path | None |
| Entrypoint | --entrypoint | Container default |
| Container user | --user | root |
Common images: pytorch/pytorch, nvidia/cuda:12.1.0-devel-ubuntu22.04, vllm/vllm-openai:latest, tensorflow/tensorflow:latest-gpu
Step 3: Launch
vastai create instance <OFFER_ID> \
--image <IMAGE> \
--disk <GB> \
--ssh \
[--env '<DOCKER_OPTS>'] \
[--onstart-cmd '<SCRIPT>'] \
[--label '<NAME>']
Alternatively, auto-select an offer:
vastai launch instance -g <GPU_NAME> -n <NUM_GPUS> -i <IMAGE> -d <DISK> --ssh
Step 4: Verify & Connect
After creation succeeds (note the new_contract instance ID):
# Wait for running status
vastai show instances
# Get SSH connection
vastai ssh-url <INSTANCE_ID>
Provide the user with the SSH command or Jupyter URL.
Step 5: Volume Setup (if needed)
# With new volume
vastai create instance <OFFER_ID> --image <IMG> --ssh --disk 64 \
--create-volume <VOLUME_OFFER_ID> --volume-size 100 --mount-path /root/data
# With existing volume
vastai create instance <OFFER_ID> --image <IMG> --ssh --disk 64 \
--link-volume <VOLUME_ID> --mount-path /root/data
Safety
- Always confirm offer ID and $/hr cost before creating
- Remind user to
vastai destroy instance <ID>when done - Warn about interruptible instances losing work if preempted
- For spot: use
--bid_price— if bid is too low, instance won't start
Du fichier au premier essai
Le téléchargement contient exactement le contenu affiché sur cette fiche. Cette copie peut différer de la dernière version du dépôt source.
Consulter la source et ses fichiers annexesCe téléchargement contient uniquement SKILL.md. Les scripts, références, modèles et dépendances éventuels ne sont pas inclus. Récupérez les fichiers nécessaires depuis la source en conservant leur arborescence avant de poursuivre.
1. Télécharger le fichier
Télécharger SKILL.mdDepuis la racine d’un projet de test, enregistrez le fichier sous .skill-downloads/launch-a-gpu-instance-on-vast-ai-mm78no1a/SKILL.md, ou utilisez la commande suivante. Ce dossier sert à examiner la skill avant son installation.
Commande pour macOS/Linux ou WSL : un shell POSIX et curl sont nécessaires. Sous Windows sans WSL, utilisez le bouton de téléchargement et créez le dossier manuellement.
mkdir -p '.skill-downloads/launch-a-gpu-instance-on-vast-ai-mm78no1a' && curl --fail --show-error --location 'https://skills-guides.com/api/skills/launch-a-gpu-instance-on-vast-ai-mm78no1a/download' --output '.skill-downloads/launch-a-gpu-instance-on-vast-ai-mm78no1a/SKILL.md.part' && mv '.skill-downloads/launch-a-gpu-instance-on-vast-ai-mm78no1a/SKILL.md.part' '.skill-downloads/launch-a-gpu-instance-on-vast-ai-mm78no1a/SKILL.md'2. Vérifier les prérequis
Lisez SKILL.md avant de l’utiliser. Si le fichier cite des scripts ou services externes, examinez-les et préparez les accès nécessaires dans votre environnement de test.
Outils déclarés par l’auteur (à vérifier dans votre agent) : Bash
Aucune section de prérequis reconnue dans ce fichier. Cela ne signifie pas qu’il est autonome : les bibliothèques, outils et accès peuvent être cités ailleurs dans le contenu ou dans le dépôt source.
Les plateformes de la fiche sont des indications du catalogue. Les chemins ci-dessous suivent la documentation des outils ; ils ne prouvent pas que cette skill y a été exécutée. Aucune version minimale de ces outils n’est attestée pour cette fiche.
3. Charger la skill
Après vérification, copiez le dossier complet dans le projet avec l’une des commandes ci-dessous, puis ouvrez une nouvelle session de l’outil. La commande s’arrête si un dossier du même nom existe déjà : comparez les fichiers avant de le remplacer.
Claude Code
test -f '.skill-downloads/launch-a-gpu-instance-on-vast-ai-mm78no1a/SKILL.md' && test -s '.skill-downloads/launch-a-gpu-instance-on-vast-ai-mm78no1a/SKILL.md' && mkdir -p '.claude/skills' && test ! -e '.claude/skills/launch-instance' && cp -R '.skill-downloads/launch-a-gpu-instance-on-vast-ai-mm78no1a' '.claude/skills/launch-instance'OpenSkills
OpenSkills doit déjà être installé. La procédure locale install/read est contrôlée avec OpenSkills 1.5.0, qui exige Node.js ≥ 20.6.0. Aucun slug du catalogue n’est résolu automatiquement.
Installation officielle d’OpenSkillsopenskills install './.skill-downloads/launch-a-gpu-instance-on-vast-ai-mm78no1a'openskills read 'launch-a-gpu-instance-on-vast-ai-mm78no1a'La lecture doit afficher le contenu du fichier installé et son dossier de base. Elle ne lance ni la skill ni ses dépendances.
Pour un agent qui lit AGENTS.md, synchronisez ensuite l’index. Cette commande modifie AGENTS.md : relisez le diff avant de l’utiliser.
openskills syncMode manuel ou autre outil : joignez SKILL.md à une conversation, ou ouvrez-le dans un agent capable de lire les fichiers. Ajoutez les ressources annexes nécessaires. Il n’existe pas de dossier universel reconnu par tous les outils.
4. Faire un premier essai
Utilisez une entrée courte et fictive : un endpoint d’API, un petit document ou un brief d’interface. Dans une nouvelle conversation, joignez le fichier ou donnez son chemin à l’agent, puis adaptez cette demande :
Lis .skill-downloads/launch-a-gpu-instance-on-vast-ai-mm78no1a/SKILL.md et applique ses instructions à cet exemple : [décrire une entrée de test]. Indique les fichiers, dépendances ou accès qui manquent. Produis le résultat demandé par la skill sans inventer de données ni exécuter de script non examiné.Résultat attendu : une sortie correspondant aux instructions de la skill, ou une liste précise des prérequis manquants. Une simple confirmation de lecture ne valide pas le premier usage. Si une ressource externe est indisponible, ce parcours reste à tester.
Créer des cartes interactives avec kepler.gl
Data & IA
Création de cartes interactives et export HTML autonome avec le package Python keplergl, à partir de données géospatiales (DataFrame, GeoJSON, CSV).
Optimisation de paramètres par agent
Data & IA
Guide d'optimisation de systèmes configurables avec objectif mesurable, via des essais bornés et une recommandation fondée sur des preuves.
Relance des visiteurs ICP
Data & IA
Identifiez les utilisateurs inscrits correspondant au profil client idéal mais qui n'ont pas activé, et rédigez des messages de relance personnalisés pour les réengager.