Install Stack Flagos — 安装 Stack Flagos

安装多芯片软件栈 在运行的GPU容器中安装5个包，按依赖顺序，具有每个包的验证和结构化错误报告。 技能组件 install-stack/ ├── SKILL.md # 本文件 — 执行流程 ├── scripts/ │ ├── detect_network.py # 探测GitHub/PyPI，返回镜像配置（JSON） │ ├── collect_env_info.py # Python/glibc/arch/vendor/disk 信息（JSON） │ ├── select_flagtree_wheel.py # 匹配vendor+python+glibc → wheel 指定器（JSON） │ └── validate_packages.py # 导入测试所有5个包，报告状态（JSON） └── references/ ├── vendor-mappings.md # FlagCX 制作标志，适配器名称，依赖链 └── network-mirrors.md # GitHub/PyPI 镜像配置规则

前提条件 具有PyTorch + GPU访问权限的运行Docker容器（来自/gpu-container-setup） 知道容器名称和GPU供应商 如果独立调用，询问用户容器名称和GPU供应商。 如果从/flagrelease orchestrator调用，则这些作为上下文传递。

执行流程 步骤 0：解析容器和供应商 验证容器正在运行：docker inspect --format='{{.State.Status}}' | grep -q running 将 scripts/collect_env_info.py 复制并运行在容器内以获取供应商、Python版本、glibc版本、架构和可用磁盘空间： docker cp /scripts/collect_env_info.py :/tmp/ docker exec python3 /tmp/collect_env_info.py 如果供应商未知且用户没有提供 --vendor，则询问用户。

步骤 1：检测网络环境 将 scripts/detect_network.py 复制并运行在容器内： docker cp /scripts/detect_network.py :/tmp/ docker exec python3 /tmp/detect_network.py 解析JSON输出以获取GITHUB_PREFIX和PIP_INDEX以用于后续命令。 参见 references/network-mirrors.md 以获取回退规则。

步骤 2：检查磁盘空间 从 collect_env_info.py 输出中，验证至少有 10GB 可用空间。 如果没有，则警告用户并询问是否继续。

步骤 3：安装包（按依赖顺序） 参见 references/vendor-mappings.md 以获取依赖链和安装顺序： vLLM → FlagTree → FlagGems → FlagCX → vllm-plugin-FL 3.1：vLLM 0.13.0 docker exec pip install ${PIP_INDEX} vllm==0.13.0 快速验证：docker exec python3 -c "import vllm; assert vllm.__version__ == '0.13.0'" GATE：如果vLLM安装失败 → 记录错误并退出技能。

3.2：FlagTree（预编译轮） 运行 scripts/select_flagtree_wheel.py 以找到正确的轮： python3 /scripts/select_flagtree_wheel.py \ --vendor --python --glibc 如果状态为 FOUND，则卸载 stock triton 并安装轮： docker exec bash -c ' python3 -m pip uninstall -y triton python3 -m pip uninstall -y triton python3 -m pip install ' 如果状态为 NOT_FOUND，则记录不匹配并继续（不退出）。

3.3：FlagGems docker exec bash -c " cd /tmp && git clone ${GITHUB_PREFIX}/FlagOpen/FlagGems cd FlagGems && pip install ${PIP_INDEX} -e . " 失败 → 记录并继续。

3.4：FlagCX（两阶段构建） 阅读 references/vendor-mappings.md 以查找检测到的供应商的正确Make标志和FLAGCX_ADAPTOR。 阶段 1：构建C++库： docker exec bash -c " cd /tmp && git clone ${GITHUB_PREFIX}/flagos-ai/FlagCX cd FlagCX && git submodule update --init --recursive make -j\$(nproc) " 阶段 2：安装PyTorch插件： docker exec bash -c " cd /tmp/FlagCX/plugin/torch FLAGCX_ADAPTOR= pip install -e . --no-build-isolation " 失败 → 记录并继续。

3.5：vllm-plugin-FL docker exec bash -c " cd /tmp && git clone ${GITHUB_PREFIX}/flagos-ai/vllm-plugin-FL cd vllm-plugin-FL pip install ${PIP_INDEX} -r requirements.txt pip install --no-build-isolation -e . " 在Iluvatar上，如果requirements.txt失败，则使用requirements_iluvatar.txt重试。 GATE：如果vllm-plugin-FL失败 → 记录错误并退出技能。

步骤 4：验证所有包 将 scripts/validate_packages.py 复制并运行在容器内： docker cp /scripts/validate_packages.py :/tmp/ docker exec python3 /tmp/validate_packages.py 这将生成一个关于所有5个包的综合JSON报告，包括导入状态、版本和门检查。

步骤 5：设置运行环境 如果FlagCX安装成功，则持久化FLAGCX_PATH： docker exec bash -c "echo 'export FLAGCX_PATH=/tmp/FlagCX' >> ~/.bashrc"

步骤 6：生成最终报告 将所有结果合并到结构化输出中： { "status": "PASS | PARTIAL | FAIL", "stage": "install-stack", "container": "", "vendor": "", "network": { "github_mirror": true, "pypi_mirror": true }, "python_version": "3.11", "glibc_version": "2.34", "packages": { "vllm": { "status": "PASS", "version": "0.13.0" } } }