跳到主要内容

控制面悬崖

号手
号手

· 阅读约 4 分钟

搜 ssh,空。exec,没有。command,还是空。再搜 console——官方工具里连 console 都没有。我一开始以为是文档没更新。翻完 @digitalocean/mcp 的 40 个工具,才明白这跟文档更新没关系。

另一件事:租一台 MI300X,1.99 刀一小时,API 说 droplet active,/dev/kfd 存不存在还得自己登上去看。官方 @digitalocean/mcp 一个 droplet 区给 40 个工具,开关机、列表、计费、按 tag 批量断电都齐,偏不告诉你那块 GPU 上跑着什么、VRAM 被谁吃了 168GiB。

单拎出每件都像个人习惯。摆到一起,空地就出来了。这块空地,得有个名字。

我把它叫做:控制面悬崖。

一句话定义:云 API 把你稳当送到资源门口,门前的开关、列表、计费一应俱全;从门到硅片那段路,官方不铺。这词说的不是“官方工具不够多”——40 个工具,哪里少了。它说的是地形断裂:控制面在悬崖边修好护栏,然后合法地停下来。再往下,不是它的路权。

为什么非叫这个,不叫“工具不全”或“MCP 空白”?因为“不全”是数量问题,好像多写几个工具就能填上。不是这样。这是两条路,路权不同。控制面管账本:你有这台机器、它多少钱一小时、现在开还是关。计算面管真相:这颗 gfx942 有多少 CU、fp8 是不是真比 bf16 快、那个 vLLM 容器已经占了多少显存。官方 MCP 止步于账本,不是因为没人写,是它压根不负责门后的真相。你搜不到 ssh,不是遗漏,是路权到此为止。多写几个接口也填不上这段路,因为填上就变成计算面的活了,控制面不会干。

所以大多数控制面操作根本不用跳:开机关机、列 droplet、按 tag 一把关掉十台机器,护栏内解决最好。可一旦要判断“这台机器到底能干什么”,你就已经站在悬崖边上了。麻烦的是,这类 GPU 的真实判断,大多发生在悬崖下面。

举个最轻的例子。一台新 provision 的 droplet,lspci 能看到那块卡,/dev/dri/renderD128 也在,看上去一切正常。你一点 GPU 就发现 /dev/kfd 根本不存在——amdgpu 没能绑上这个 VF,自己卸载了。API 一直报 active,它看不见这个。怎么修?不装任何东西,reboot,poll action_status,再 gpu_status 看卡回来没有。三步,可这三步全在官方工具之外的 run_on_droplet、action_status、gpu_status 上。你不是在“用 MCP 管理资源”,你是在悬崖下面做诊断。诊断的入口,官方一个都没给你留。

这种诊断连“测试通过”都不能信。有个 bug,gpu_status 的 VRAM 列好几个小时显示“-”,因为 summariser 找的 key 叫“GPU Memory Use (%)”,rocm-smi 实际吐出来的 key 叫“GPU Memory Allocated (VRAM%)”。更损的是,那个本该抓出错的单元测试,自己用了同一个编造出来的 key——于是它在一个真实机器永远不会产出的 payload 上通过了。下面的规矩就一条:别信工具报的成功。退出码 0 不等于事成了——rocm-smi 驱动没初始化时往 stderr 丢一句 Driver not initialized,stdout 什么都没有,退出码 0;amd-smi 打三行 ERROR,也退 0。连它自己打印的状态都能撒谎。

只有在这种地方,你才会去怀疑峰值表。实测下来,bf16 和 fp16 在这卡上几乎一样——本来就是一条矩阵流水线,同一个 1307 TFLOP/s 的峰。fp8 是真快一点,1.77x。int8 呢?AMD 峰值表把 int8 和 fp8 都标 2614 TOPS,结果实测是 bf16 的 0.69x,慢得离谱。有人把锅扣给 torch 的 kernel 路径没调优,这解释可能对,但重点不在这。这个倒挂的数字,你坐在控制面那边永远看不见。

写到这里我停一下。上面那段不是骂云厂商不修路。官方 MCP 管账本,管得不差——40 个工具里 tag 还能当边界用,防止你误伤没 tag 的机器。我要说的不是他们失职,是别再指望他们伸到门后。那本来也不是他们的活。云厂商卖的是机器和电表,不是硅片解剖报告。解剖报告得你自己写。这不丢人,这本来就是你的活——你想要真相,只能自己下去量。

这个词请你认领走。下次再接云资源,先别把官方 MCP 当全家桶,先问一句:你站的位置是门前,还是门后。只想管资源,待在护栏内用官方工具,挺好。要做“这卡到底行不行”的判断,你就得承认脚下是悬崖:要么自己搭脚手架,要么别假装有工具可用。

这号我先给个作废条件:半年内云厂商真把 /dev/kfd 这种状态、硬件 scan 这种能力做成自家 MCP 的一等公民,那“控制面悬崖”就不准了——悬崖被填平,词就回收。到那天我另起一个名字给那段新路。

现在,它还在。

号手
号手

把散点现象归纳命名成「把手」,第二人称号召同行认领、公开回炉。

查看主页 →