GPUtw AI Skill 是 GPUtw.ai 官方推出的 AI 編碼助理技能包。它做的事很直接：把 GPUtw 的 REST API 文件和操作邏輯打包成一份 Agent Skill，讓 Claude Code、OpenAI Codex CLI、Google Gemini CLI、Cursor、GitHub Copilot 這些 AI 助理能讀懂 GPUtw 的 GPU 目錄、部署執行個體、監控狀態、搬資料，不需要使用者自己查 API 文件再手寫 curl。
V1.1.0-beta.1（2026-09-16）加入了官方 MCP 伺服器，提供 18 個結構化工具。整套東西 MIT 開源，沒有執行期依賴，API 金鑰留在本機。
這篇介紹它的架構、工具清單、安裝方式和安全邊界。如果你還不知道 GPUtw.ai 是什麼，先看 GPUtw.ai 是什麼：台灣在地 GPU 雲端、短租算力與研究者工作流。
它解決的不是 API 本身，是 AI 助理跟 API 之間的落差
GPUtw.ai 本來就有公開的 REST API，你可以用 curl 或 Python 自己呼叫。問題是，當你在 Claude Code 或 Codex 裡說「幫我開一台 RTX 3090 跑 PyTorch」，AI 助理不知道 GPUtw 的端點長什麼樣、要帶哪些參數、部署順序是什麼、哪些操作有風險。
GPUtw AI Skill 把這些知識預先打包好。沒有它，你可以自己寫一份 prompt 教 AI 用 GPUtw API；有了它，這些已經寫好、測過、有決策樹和錯誤處理，而且跨平台都能用。
真正的增量不是「讓你能管 GPU」——你本來就能；而是把管 GPU 的知識從使用者腦中搬進 AI 助理的 context，降低從「我想做」到「做完了」的摩擦。
三層查找架構
GPUtw AI Skill 的知識組織用三層漸進揭露：
SKILL.md（決策樹、規則、快速索引）
→ guides/NN-*.md（12 份整合指南，含快照表格）
→ references/docs-site.md → web_fetch gputw.ai/docs（即時官方文件）第一層是 SKILL.md，AI 助理一載入就讀到：部署順序、安全規則、常見錯誤對照表。第二層是 12 份主題指南，涵蓋部署、監控、Vault、網路、帳務等。第三層是官方文件的即時查詢——指南裡的表格是 2026-09 快照，遇到快照沒覆蓋的情境就走 web_fetch 查最新文件。
這個設計避免了兩個極端：不是把整份 API 文件塞進 context（太大），也不是只給一個連結讓 AI 自己爬（太慢、太不穩定）。
MCP 伺服器與 18 個工具
V1.1.0-beta.1 的核心新增是官方 MCP 伺服器（npm 套件 @gputw/mcp-server，TypeScript 實作，基於 MCP SDK 1.30）。它把 GPUtw REST API 包成 18 個結構化工具，分四組：
目錄查詢（4 個）
| 工具 | 用途 | API 權限 |
|---|---|---|
list-gpus | 列出可用 GPU 型號、價格、庫存 | 公開 |
list-available-nodes | 查詢特定 GPU 的可用節點 | catalog:read |
list-templates | 列出環境範本 | 公開 |
get-deploy-options | 取得部署設定選項 | 公開 |
執行個體管理（5 個）
| 工具 | 用途 | API 權限 |
|---|---|---|
list-instances | 列出所有執行個體 | instances:read |
create-instance | 建立新執行個體 | instances:create |
stop-instance | 停止執行個體 | instances:manage |
delete-instance | 刪除執行個體（破壞性） | instances:manage |
restart-instance | 重啟執行個體 | instances:manage |
狀態監控（4 個）
| 工具 | 用途 | API 權限 |
|---|---|---|
get-instance-status | 查詢執行個體狀態 | instances:read |
get-instance-resources | 查看 GPU/CPU/記憶體使用率 | instances:read |
get-instance-logs | 取得容器日誌 | instances:read |
get-instance-events | 取得事件歷程 | instances:read |
Vault 操作（5 個）
| 工具 | 用途 | API 權限 |
|---|---|---|
list-vault | 列出 Vault 檔案 | vault:read |
get-vault-stats | 查看儲存用量 | vault:read |
upload-to-vault | 上傳檔案（支援分段續傳，單檔最大 2TB） | vault:write |
download-model-to-vault | 從 Hugging Face 等來源下載模型到 Vault | vault:write |
list-vault-downloads | 列出下載任務 | vault:read |
另有一個預設關閉的 exec-in-instance 工具（需要設定 GPUTW_MCP_ALLOW_EXEC=1 環境變數才啟用），以 root 在容器內執行指令，每次呼叫寫入稽核紀錄。
每個工具都帶 MCP 標準的 readOnlyHint、destructiveHint、idempotentHint 標註，讓 AI 助理知道哪些操作安全、哪些要確認。回應經過欄位投射，從原本約 50 個欄位精簡到 20 個以內，省 context 空間。
安裝方式
GPUtw AI Skill 支援多種安裝方式，依平台和需求選擇。
Claude Code（三種方式）：
外掛市場安裝（推薦）：
/plugin marketplace add GPUtw-ai/GPUtw-Skill
/plugin install gputw@gputw手動全域安裝：
git clone https://github.com/GPUtw-ai/GPUtw-Skill.git ~/.claude/skills/gputw只裝 MCP 伺服器：
claude mcp add gputw -s user \
-e GPUTW_API_KEY=gputw_live_xxx \
-- npx -y @gputw/mcp-server@latestOpenAI Codex CLI：Clone 到 .gputw-skill/ 或 ~/.codex/gputw-skill/，在專案的 AGENTS.md 加入指向 AGENTS.md 的引用。
Google Gemini CLI：Clone 到 .gputw-skill/，在 GEMINI.md 加入引用。
Cursor：Clone 到 .gputw-skill/，在 Cursor Rules 或 AGENTS.md 引用。
GitHub Copilot：Clone 到 .gputw-skill/，建立 .github/copilot-instructions.md 指向技能包。
任何 MCP 客戶端（Claude Desktop、VS Code、Windsurf 等）：在 MCP 設定檔加入 JSON 設定：
{
"mcpServers": {
"gputw": {
"command": "npx",
"args": ["-y", "@gputw/mcp-server@latest"],
"env": {
"GPUTW_API_KEY": "gputw_live_xxx"
}
}
}
}安裝後可以用一個問題驗證：問 AI 助理「GPUtw API key 的前綴是什麼？」——正確答案是 gputw_live_。
安全模型
GPUtw AI Skill 在安全設計上有幾個值得注意的地方：
金鑰處理：API 金鑰（gputw_live_ 前綴）只從環境變數讀取，只放在 Authorization header，不會出現在查詢字串、日誌或硬編碼。MCP 伺服器會主動遮蔽輸出中出現的金鑰字串。
權限分級：17 個 API scope 搭配 5 個預設組合——readonly、deploy、operator、Upload token（只有 vault:write）、full（含 exec）。你可以只給 AI 助理 readonly scope 的金鑰，讓它查資料但不能開機器。
exec 預設關閉：exec-in-instance 是 root 等級的容器內執行，預設不啟用。要開需要同時有 instances:exec scope 的金鑰和 GPUTW_MCP_ALLOW_EXEC=1 環境變數。每次呼叫寫入帳戶稽核紀錄。
瀏覽器限定操作：SSH 金鑰管理、儲值、密碼修改、團隊建立、通知設定、管理員操作不走 API，只能在網頁上做。AI 助理遇到這些需求會直接說「這個要去網頁操作」，不會嘗試繞過。
MCP 伺服器還沒覆蓋的範圍
V1.1.0-beta.1 是 beta 版。以下操作目前還不在 MCP 工具裡，需要自己用 curl 或 REST API 處理：
- 連接埠與服務暴露（HTTP ports、raw TCP/UDP）
- API 金鑰管理
- 帳務與計費查詢
- 團隊管理
- 通知設定
- 預約與工單
技能包的 Skill 內容本身（指南、決策樹、錯誤對照表）是穩定版。
適合誰
- 已經在用 GPUtw.ai、想讓 AI 助理幫忙管 GPU 執行個體的開發者。
- 想用自然語言部署 GPU 來跑模型微調（LoRA/QLoRA/Unsloth）、影像辨識（YOLO）、推論（vLLM、llama.cpp）或圖片生成（ComfyUI）的人。
- 想用 MCP 伺服器把 GPUtw 整合進自動化工作流（CI/CD、批次部署、排程訓練）的團隊。
不適合：
- 還沒有 GPUtw.ai 帳號和 API 金鑰的人——技能包不替代平台本身，你還是要先註冊儲值。
- 需要 MCP 工具管理連接埠、帳務或團隊的人——這些還沒覆蓋。
- 期待一鍵完成複雜訓練流程的人——AI 助理能幫你操作 API，但模型訓練的知識（資料準備、超參數、評估）還是你自己的事。
整體來說
GPUtw AI Skill 做的是一件很具體的事：把「使用者讀 API 文件、寫 curl、管 GPU」的工作流，變成「告訴 AI 助理你要做什麼，它去呼叫 API」。18 個 MCP 工具覆蓋了 GPU 目錄、執行個體生命週期、狀態監控和 Vault 操作，安全模型有金鑰隔離、scope 分級和 exec 預設關閉。
它是技能包加 MCP 伺服器，不是新的 GPU 平台。GPUtw.ai 本身的定位、GPU 庫存、價格、SLA 等評估不在這篇範圍——那些看 平台介紹。
想試的話，最簡單的方式是在 Claude Code 裡跑 claude mcp add gputw，給它一支 readonly scope 的金鑰，先讓它列出 GPU 目錄和範本。確認能動之後再決定要不要裝完整技能包或升級金鑰權限。
參考資料
Loading...