1. 背景与动机

InferNex 基于 K8s 和 Helm 部署，涉及多个组件及复杂的依赖与拓扑关系，整体部署流程较长，组件就绪状态也存在一定的时序要求。当前部署过程对使用者的 K8s、Helm 及 InferNex 组件知识要求较高，遇到部署异常时还需要结合日志、状态及组件依赖进行排查，手工操作成本较高。

本 RFC 提议提供AI 辅助部署 InferNex Skill，将 InferNex 的部署流程、组件依赖、配置要求及常见问题处理方式进行结构化封装，为 AI 辅助部署、状态检查与问题排查提供统一能力，降低 InferNex 的部署门槛。

2. 目标

提供 AI 辅助 InferNex 全生命周期管理能力，覆盖预检验、安装部署、升级与卸载：

• 预检验：评估软件环境（集群、前置组件、配置）与硬件环境（NPU、卡间连通性等）是否满足部署要求，未通过则阻止安装。
• 安装部署：根据用户指定的模型、拓扑与规模完成 InferNex 首次部署，并验证推理服务可用。
• 升级：对已有 InferNex 实例进行版本升级或配置变更，并完成升级后的状态验证。
• 卸载：根据用户选择的卸载范围安全移除 InferNex，避免误删集群中的共用组件。

3. Skill 框架

SKILL.md（入口）
  ├── references/          分场景操作手册
  │     ├── 部署流程        安装 / 升级 / 等待 / 验证 / 卸载 / 续跑
  │     ├── 预检验          软件与硬件检查项、修复策略
  │     ├── 配置规则        用户意图 → 拓扑与 values 变更
  │     └── 交互规范        点选确认、权限、敏感信息采集
  ├── scripts/             可复用脚本（确定性逻辑）
  │     ├── 依赖准备        Chart / checker 等资产拉取与缓存
  │     ├── 就绪等待        长耗时部署的状态轮询与 checkpoint
  │     └── 辅助计算        NPU 容量、命名 slug 等
  └── .infernex/deploy/<ts>/   单次部署运行时产物（可续跑、可审计）

生命周期：预检 → 安装/升级 → 验证；独立 卸载 路径。具体步骤见 skill 内流程文档。

3.1 预检/部署/升级

sequenceDiagram
    actor User as 用户
    participant Agent as AI Agent
    participant System as InferNex / K8s

    User->>Agent: 部署 / 升级请求

    Note over User,Agent: 配置准备与确认
    Agent->>User: 准备配置 + 用户确认
    User-->>Agent: 确认

    Note over Agent,System: 预检验
    Agent->>System: 执行预检
    System-->>Agent: 预检报告
    Agent-->>User: 返回预检报告

    alt 预检通过
        User->>Agent: 确认继续

        Note over Agent,System: 安装 / 升级
        Agent->>System: 安装 / 升级

        Note over Agent,System: 等待就绪与验证
        Agent->>System: 等待就绪 + 推理验证
        System-->>Agent: 验证结果

        Agent-->>User: 返回安装 / 升级结果报告
        User->>Agent: 确认结果正确

    else 预检未通过
        Agent-->>User: 返回问题报告 + 修复建议
        User->>Agent: 修复 / 取消
    end

    Note over User,System: 长耗时阶段支持 checkpoint，中断后可续跑

3.2 卸载

sequenceDiagram
    actor User as 用户
    participant Agent as AI Agent
    participant System as InferNex / K8s

    User->>Agent: 卸载请求

    Note over User,Agent: 选择卸载范围与确认
    Agent->>User: 展示可清理资源 / 卸载范围
    User-->>Agent: 选择范围 + 确认

    Note over Agent,System: 执行卸载
    Agent->>System: 按确认范围执行卸载
    System-->>Agent: 卸载结果

    Agent-->>User: 返回卸载结果

要点：

• 部署/升级：确认配置 → 预检；全通过则自动继续，不再二次确认；未通过则修复或取消
• 续跑：等待阶段中断后，用户可再次调用 skill 从 checkpoint 继续，不重装
• 卸载：独立路径，跳过预检；先点选清理范围再执行
• 仅预检：走部署链路，预检完成后停止，不进入安装

4. 设计原则

• 预检未通过不得安装；破坏性操作须用户确认
• 长耗时操作可中断续跑
• 实现细节与硬门禁全文不在 RFC 展开，见 SKILL.md

5. 演进与共建

社区可扩展：更多预检维度、离线部署、更多模型部署规格映射等。