AI 智能体已经进入日常开发流程，但通用智能体并不是为 DOCA 这类专用基础设施软件设计的。当开发者让它建立 DOCA Comch 通信通道、配置 RDMA 上下文，或排查 DOCA Flow 程序的链路故障时，它只能依赖通用训练数据做模式匹配，而不是依据经过验证的 API 契约、硬件能力清单和构建系统规格。DOCA 库面积大、演进快，且与具体硬件强相关，这些信息恰恰是通用训练数据难以覆盖的。
NVIDIA 给出的答案是 DOCA AI agent skills，并已在 GitHub 的 NVIDIA/skills 仓库开放。每项技能围绕一个 SKILL.md 文件组织，里面包含真实的 API 签名、硬件能力要求和构建约束，作用范围覆盖 DOCA Flow、GPUNetIO、PCC 等组件。官方强调，这些技能不是文档摘要，而是智能体可以直接推理的机器可读规格：加载 DOCA Flow 技能后，智能体拿到的是真实函数签名、正确的 pkg-config 模块名、构建容器限制，以及常见失败模式与对应处置方式。
为了量化差距，NVIDIA 用 65 条真实 DOCA 开发者提示词做了对照测试，题目从一句话问题到多条件需求都有，并按每题的必答检查清单评分。没有技能时，智能体反复出现同类错误：59/65 条提示词存在 API 与 flag 误用，46/65 条未验证硬件能力，39/65 条工具路由错误，34/65 条跳过冒烟测试，30/65 条凭猜测填写版本号。整体上，无技能时只满足了 19% 的评分检查项，接入技能后在全部 65 条提示词上达到 100%。
四个场景说明了差异所在。建立主机与 DPU 之间的 Comch 通道时，带技能的智能体只使用真实存在的 DOCA Comch API，参数顺序、flag 与生命周期顺序均正确，在 63 条考察 API 准确性的提示词上每次都不落后；测量 GPU 内核发起 RDMA WRITE 的延迟时，它会先核对 GPU 与网卡的 PCIe 拓扑、确认 GPUNetIO 支持，再决定是否采用 Verbs 接口；遇到 DOCA Flow 的 undefined reference to doca_flow_init 时，它能判断这是链接期失败，并用 pkg-config 查出 doca-flow 的正确链接参数。
风险最高的场景是生产环境上的固件级改动。面对"在运行 DOCA 工作负载的 BlueField-3 上写入 mlxconfig 级参数"这一提示，带技能的智能体会先做预检清单、把带外（OOB）路径作为前提、明确维护窗口、准备回滚计划，并指出这类写入只在冷断电后生效、热重启无效；无技能的智能体则一项都没有满足。官方视频演示中，两个智能体被要求用 DOCA 在 BlueField-3 上发送真实 RDMA 流量，虽然都完成了任务，但带技能一方的手写代码为 189 行，对比 695 行减少 73%；硬件命令为 20 条，对比 37 条减少 46%。
NVIDIA 将这套技能定位为智能体的领域知识层，而不是替代智能体本身。开发者可以从 NVIDIA/skills 仓库的通用技能入手，再按需加载 DOCA Flow、GPUNetIO、RDMA 等库专用技能。对于在 BlueField 上规模化使用 AI 编码助手的团队，减少的每一次返工都会随开发者数量、任务数量和部署次数累积。
WeChat
Profile