使用集群共享 Codex¶

集群共享 Codex 可以帮助你编写鹤思作业脚本、查询本人作业、解释调度状态，并根据命令输出和工作目录中的文件排查问题。管理员已配置模型服务和鹤思 Skill，你不需要获取共享 API Key。

启动¶

登录管理员指定的节点，将尖括号占位符替换为实际路径，进入自己的工作目录后直接运行：

cd <你的工作目录>
codex

进入对话后直接描述目标。提供作业 ID、程序入口和预期行为即可；缺少的本人作业信息， Codex 可以按需查询。

Agent 如何工作¶

集群版默认允许 Codex 执行以下只读命令，无需每次请求批准：

cqueue：查询当前队列和本人活动作业；
cacct：查询作业历史、状态和退出码；
ccontrol show job / ccontrol show step：查看作业或作业步详情。

这些命令仍以你的身份运行，CraneSched 服务端权限决定可见范围。站点或用户可以配置更严格的规则。Codex 应优先查询明确的作业 ID 或本人作业，避免持续刷新或宽范围查询。

Codex 还可以在当前工作目录中查找脚本、日志和已有环境，并运行本地检查；这些操作受 Codex 沙箱、文件权限和站点策略约束；操作需要额外访问权限时，命令行是否提示审批取决于生效的配置。

写入脚本、执行 cbatch、取消作业或修改作业状态会产生副作用，不属于上述默认只读名单。处理这类任务时，应要求 Codex 先说明操作和影响，并等待你的明确确认。命令行是否还会显示 Codex 内置审批界面，取决于生效的站点和用户配置。你可以拒绝或要求修改方案。

以下对话均为示例，不是来自真实集群；命令输出和站点名称仅用于展示工作方式。

示例一：解释基本状态¶

你：

作业显示 Running，是否说明训练已经成功？

Codex（示例响应）：

Running 只表示资源已分配且作业正在执行，不能证明训练结果正确。应继续检查 stdout、 stderr 和应用指标；作业结束后再结合 cacct 的 State 与 ExitCode 判断是否成功。

示例二：生成脚本草稿¶

你：

为 train.py 生成一个脚本草稿。本站参数是分区 gpu-a100、账户 ml、QoS normal；申请 1 张 A100、4 个 CPU、16G 内存和 2 小时。先不要写文件或提交。

Codex（示例响应）：

我会只在对话中生成草稿，不修改文件或提交作业：

#!/bin/bash
#CBATCH --job-name=train
#CBATCH --partition=gpu-a100
#CBATCH --account=ml
#CBATCH --qos=normal
#CBATCH --nodes=1
#CBATCH --ntasks-per-node=1
#CBATCH --cpus-per-task=4
#CBATCH --mem=16G
#CBATCH --gres=gpu:a100:1
#CBATCH --time=02:00:00
#CBATCH --output=train_%j.out
#CBATCH --error=train_%j.err

python train.py

示例三：主动查询当前作业¶

你：

帮我看看现在有哪些作业需要关注。

Codex 调用只读工具：

cqueue --self -o="%j %P %n %t %l %N %L"
ccontrol show job 4812

工具返回的关键信息（示例）：

JOBID PARTITION NAME       STATUS  TIMELIMIT NODES NODELIST(REASON)
4812  gpu-a100  train      Pending 02:00:00  1     (Resource)
4815  cpu       preprocess Running 01:00:00  1     cn032

JobId=4812 JobState=Pending Account=ml Qos=normal Partition=gpu-a100
Reason=Resource TimeLimit=02:00:00 ReqRes:node=1 cpu=4 mem=16G gres=gpu:a100:1

Codex（示例响应）：

你有 2 个活动作业：

4815 正在 cpu 分区的 cn032 上运行；当前没有调度异常。

4812 已成功进入队列，但在等待能够满足所示完整请求的资源，其中包括 1 张 A100、 4 CPU 和 16G 内存；当前原因是 Resource，不是提交失败。账户 ml、QoS normal 和 2 小时时限也已由作业详情确认。

当前无需重投。Resource 只说明此刻没有满足整个请求的可用资源，不能据此承诺开始时间。

示例四：组合历史、详情和文件定位失败¶

你：

我的作业 4930 失败了，请直接帮我查原因。

Codex 查询作业数据并检查工作目录：

cacct -j 4930 -F -o "%j %t %e %P %a"
pwd
rg --files | rg '4930|train.*\.(out|err)$'
sed -n '1,160p' train.sh
sed -n '1,120p' train_4930.err
rg -n 'venvs/.*/bin/python|source .*/bin/activate' --glob '*.sh'
test -x /home/alice/venvs/torch/bin/python

为便于阅读而分组的关键结果（示例）：

JOBID STATE  EXITCODE PARTITION ACCOUNT
4930  Failed 1:0      gpu-a100  ml

/home/alice/project
train_4930.err

#!/bin/bash
#CBATCH --job-name=train
#CBATCH --partition=gpu-a100
#CBATCH --output=train_%j.out
#CBATCH --error=train_%j.err

python train.py

ModuleNotFoundError: No module named 'torch'
tools/check_gpu.sh:8:/home/alice/venvs/torch/bin/python -c 'import torch; print(torch.__version__)'
候选解释器可执行（`test` 退出状态为 0）。

Codex（示例响应）：

已确认作业进入 gpu-a100 分区并由应用返回退出码 1，没有信号终止的证据。错误发生在 Python 导入阶段；完整的 train.sh 使用未限定路径的 python，没有显式加载模块、激活虚拟环境或指定解释器路径。因此当前最早且直接的失败原因是该脚本选中的 Python 环境无法导入 torch，不是排队或超时。

项目的另一份脚本已使用可执行的 /home/alice/venvs/torch/bin/python 检查 torch；这是有项目文件依据的候选方案，但还不能证明它在计算节点可用。建议把训练命令改为：
/home/alice/venvs/torch/bin/python train.py
这会修改 train.sh，但不会提交作业。是否批准我修改并运行 bash -n train.sh 验证？修改后仍需通过新作业确认该环境在计算节点可用。

示例五：查找配置、写入脚本并提交¶

你：

参考我最近成功的同类训练作业，为当前 train.py 准备脚本并提交。每一步变更先让我确认。

Codex 先查询历史并检索项目文件：

id -un
cacct -u alice -n train -t completed -m 10 \
  --type Batch -o "%j %n %P %a %q %C %M %l %t %e %s"
rg -n '^#CBATCH --(gres|partition|account|qos|cpus-per-task|mem|time)=' \
  /home/alice/project --glob '*.sh'

工具返回的关键信息（示例）：

alice
JOBID JOBNAME PARTITION ACCOUNT QOS    REQCPUS REQMEM TIMELIMIT STATE     EXITCODE SUBMITTIME
4701  train   gpu-a100  ml      normal 4.00    16G    02:00:00  Completed 0:0      2026-08-10 09:42:11
4638  train   gpu-a100  ml      normal 4.00    16G    02:00:00  Completed 0:0      2026-08-07 16:18:03
/home/alice/project/train_4701.sh:4:#CBATCH --partition=gpu-a100
/home/alice/project/train_4701.sh:5:#CBATCH --account=ml
/home/alice/project/train_4701.sh:6:#CBATCH --qos=normal
/home/alice/project/train_4701.sh:10:#CBATCH --gres=gpu:a100:1

Codex（示例响应）：

返回记录中提交时间最新的成功同类作业是 4701，状态 Completed、退出码 0:0； cacct 确认其使用 gpu-a100 分区、ml 账户、normal QoS、4 CPU、16G 内存和 2 小时。项目中的 train_4701.sh 还确认了 #CBATCH --gres=gpu:a100:1。我准备以这些有来源的值创建 train.sh，入口为当前目录的 train.py，暂不提交。是否批准写入该文件？

你：

批准。

Codex 写入并验证后响应：

已创建 train.sh，bash -n train.sh 通过。提交会创建作业并消耗集群资源。是否批准执行 cbatch train.sh？

你：

批准提交。

Codex 提交并自动验证：

cbatch train.sh
cqueue -j 5012 -o="%j %P %n %t %l %N %L"
ccontrol show job 5012

工具返回的关键信息（示例）：

Job id allocated: 5012
JOBID PARTITION NAME  STATUS  TIMELIMIT NODES NODELIST/REASON
5012  gpu-a100  train Pending 02:00:00  1     Priority
JobId=5012 JobName=train
        User=alice(1001) Account=ml
        JobState=Pending TimeLimit=02:00:00 Partition=gpu-a100
        Priority=874 Qos=normal
        ReqRes:node=1 cpu=4.00 mem=16G gres=gpu:a100:1

Codex（示例响应）：

提交成功，新作业 ID 为 5012。查询确认脚本使用 gpu-a100 / ml / normal，请求 1 张 A100、4 CPU、16G 内存和 2 小时；当前状态为 Pending，原因是 Priority。作业已正常进入队列，无需再次提交。

使用边界¶

Codex 可以依据实际查询结果给出具体结论，但不会获得超出你账户的 CraneSched 权限。
站点文档和当前命令的 --help 优先；执行前仍应检查生成的脚本和变更摘要。
不要提供密码、API Key、私钥或完整环境变量。
管理节点、分区、账户、QoS、服务和系统配置仍由管理员负责。