有什么可以帮到您的？

面向AI服务器运维新手，讲清GPU温度监控的落地方法：用nvidia-smi快速查看温度、用DCGM Exporter采集温度指标、在Prometheus中配置告警规则，并给出高温排查顺序和验证方式。

面向AI服务器运维人员，介绍DCGM的安装配置流程，包括驱动检查、dcgm-exporter部署、Prometheus抓取配置以及常见报错处理，帮助实现GPU状态监控。

面向AI服务器运维新手，讲清GPU监控配置的完整流程：检查驱动、安装DCGM、启动dcgm-exporter、接入Prometheus与Grafana，并说明显存、温度、ECC等关键指标怎么看，适合需要长期观察多卡状态的场景。

面向需要让多个训练或推理任务共用一块GPU的运维人员，讲解AI服务器GPU共享配置的MIG方案。从检查显卡型号与驱动、启用MIG模式、创建GPU实例和计算实例，到用容器绑定实例并验证显存与算力隔离，包含常见报错和避坑说明。

面向需要在一台 AI 服务器上让多台虚拟机共享 GPU 的运维人员，说明 NVIDIA vGPU 的适用条件、宿主机与虚拟机两侧的驱动安装顺序、虚拟机 vGPU 分配方法，以及常见报错如驱动加载失败、虚拟机黑屏的排查方向。

面向 AI 服务器运维人员，讲清 GPUDirect RDMA 的配置前提、驱动安装顺序、peermem 加载和带宽验证命令。包含 nvidia peermem 模块检查、ib write bw --use cuda 测试方法以及常见加载失败的处理思路，适合正在调试多机多卡训练网络的环境参考。

面向 AI 服务器运维新手，讲解 InfiniBand 配置的完整流程：识别 HCA 网卡、检查 ibstat 链路状态、安装并启动 opensm 子网管理器、分配 IPoIB 地址，最后用 ib write bw 测试带宽。包含常见报错如链路 Down、SM 未运行的处理方法。

面向 AI 服务器运维新手，讲解 NCCL 配置的核心步骤：检查 CUDA 与网卡、设置 NCCL 环境变量、编译运行 nccl-tests 验证多卡通信，并给出常见报错排查方向。

面向需要在AI服务器上配置cuDNN的运维和算法用户，说明如何根据已有CUDA版本选择cuDNN、完成库文件部署、设置动态链接路径，并通过命令和框架验证配置是否生效。

在AI服务器上配置CUDA环境，从检查驱动兼容性、安装Toolkit到验证nvcc和运行测试程序。提供具体命令和避坑指南，帮助新手完成CUDA配置并排查版本冲突。