英伟达AI代理运维实践

英伟达（NVIDIA）在其 DGX SuperPOD 生产集群上部署了“AI Factory Operations Agent”，利用多代理系统替代 SRE 的重复性故障排查工作。该框架基于 NemoClaw 蓝图和 OpenShell 运行时，通过 Model Context Protocol (MCP) 协调 Job Recovery、Hardware、Observability 等专用子代理，实现跨计算、网络、硬件和调度层的根因关联分析。

核心设计经验包括：明确代理边界、先只读后自动化以建立信任、跨层关联发现孤立工具遗漏的问题、精确的工具定义以及透明推理以便 SRE 审查证据。目前该框架已在 NVIDIA DGX H100、B200 和 GB300 集群中运行，并作为实验性版本在 GitHub 开源，支持本地化部署和数据主权保护。