Posts

GPU 掉卡、报障时售后要一包诊断日志，手工敲命令容易漏，碰上跳板机和非默认端口更折腾。我写了个脚本：一条命令收齐 9 类日志、按 SN 命名归档。附端口坑和踩过的雷。

客户退订后机器要重新入池，但盘里的数据得先清干净。没清完就入池，是数据事故。这篇写五步回收流程、擦除标准的分级怎么选、高敏场景的多轮覆写脚本，以及我踩过的几个坑。

客户开个白名单要走工单、等我手工改防火墙，效率低还容易越权。我做了个自助门户：客户提交、自动下发、全程留痕。中间踩了个 /32 不对称导致撤销静默失效的坑，排查过程写出来给你避坑。

交付验收只测 RoCE 计算网，等于只验了发动机。我把 6 个网络平面列成一张清单，配 6 个输出 CSV 的一键脚本，还整理了验收报告里最常见的 4 类硬伤——报告能不能签字，看这几条就够。

端口映射做完后，外网访问正常、内网用户用同一个公网 IP 访问服务器却打不开。根因是回包走了非对称路径，附华为/Cisco/Palo Alto 配法与排错表。

GPU 报障走 RMA，售后先要 fieldiag.log。它和 dcgmi、gpu-burn 怎么分工、诊断包从哪获取、skucheck 为什么报板卡不匹配、驱动怎么卸、FAIL 怎么定位到具体 GPU，一篇讲完。

退役机柜里拆出来的 400G AOC 和模块，插上就 up，但没质保、没有使用历史。先给 PASS/WARNING/FAIL 判定标准，再讲 6 台交换机怎么用 PRBS-31Q 正反各压 4 小时，附结果解读与排错表。

懒，但懒有懒的道理：重复的活就该交给机器。3 个在机房磨出来的 AI 工作流：改配置前先让 AI 审一遍、Excel 资产盘点、一键巡检。

凌晨被 300 条告警刷屏，手工翻日志找重点要 2 小时。我让 AI 先看一遍：先一行命令跑通’日志嘴替’，再把历史日志建成 RAG 知识库，越问越懂你的机房告警日志。全程本地部署、日志不出门，命令和坑都能抄。

客户拿标称 TFLOPS 跟你实测对不上，官网写 312 实测只有 67？很可能是精度、Dense/Sparse 的’口径’不同。一文讲清 TFLOPS 的坑，附 A800 vs L20 实测对比。