lei.chen 06887985b4 fix(schedulerclient): node memory_bytes_total no longer ×1e6 (bug-1514)

The apiserver's host max_mem is already in bytes (the worker reads
sysinfo().totalram × mem_unit → bytes and passes it through unchanged via
controller.capnp), but ListNodes treated it as MB and multiplied by
mbToBytes, inflating each node's reported memory to ~8.2e15 (~7.3 PiB).
Now reports the raw bytes (~7.7 GiB per node).

- httpclient.go: drop ×mbToBytes for node max_mem; clarify mbToBytes is
  job-submit-path only (job max_mem is never populated → stays 0)
- ordermap_test.go: correct assertion that had encoded the buggy value
- httpclient_test.go: regression test TestListNodeMemoryBytesKeepsByteUnit
- buglog.json: bug-1514 + close-tags for the bug-1494 family (prior session)

Also add MCP demo deliverables:
- docs/claude-code-demo-guide.md: live Claude Code demo guide (7 scenes)
- docs/mcp-demo-design.md: leadership demo design
- docs/mcp-demo-run.py: add --slow/--color flags for screen recording

Co-Authored-By: Claude <noreply@anthropic.com>

2026-08-22 14:58:56 +00:00

4.7 KiB

Raw Blame History

XCE MCP 演示设计（面向领导与同事）

目标

展示「自然语言操作 HPC 集群」：不用命令行、不用记语法，通过 MCP 让 AI 助手直接查询、提交、诊断、调整作业。观众无需理解 XCE/集群内部机制，只需看到「一句话 → 集群动作 → 结果」。

叙事主线（一个工程师的日常）

一位工程师（"我"）用对话的方式管理一批计算作业：查状态 → 看为什么排队 → 提交新作业 → 观察运行 → 诊断失败 → 清理。全程用自然语言，AI 助手调用集群工具完成。

环境与前置

项	状态
集群	t1/t2/t3（3 计算节点），controller/scheduler/apiserver 健康
MCP server	`/tmp/xce-mcp`（最新构建）
API key	`export XCE_API_KEY=<mcp_operator key>`（90 天，见 `/tmp/xce_apikey`）
演示机	任意可 ssh 到 t1 的终端，用 python 驱动 MCP stdio 或直接对话

演示前清理：删除历史 EXIT/DONE 作业（保持列表干净），确保 worker 在线。

演示流程（约 10 分钟）

场景 1：总览——"我的集群现在怎么样"（2 分钟）

问：「看看集群现在有哪些节点、资源怎么样」
工具：scheduler_cluster_metrics + scheduler_list_nodes
展示：3 节点在线、总核数、空闲资源，直观的集群健康度
讲解点：AI 能读懂集群状态并总结，不用查文档

场景 2：作业队列——"都有什么作业在跑/排队"（1 分钟）

问：「列出当前所有作业，特别是排队的」
工具：scheduler_list_jobs
展示：作业列表（名字/状态/队列/提交人），PEND 的作业一眼可见
讲解点：MCP 把「作业列表」这种高频操作变成一句话

场景 3：为什么排队——"这作业为什么还没跑"（2 分钟）

问：「有一个作业一直 pending，帮我看看为什么」
工具：scheduler_pend_reasons（bjobs -p 等价）
展示：返回「waiting: no host matches... host t1: match_fail」可读解释
讲解点：核心价值——以前要翻日志猜原因，现在 AI 直接给出原因（配额/资源/匹配）

场景 4：提交作业——"帮我把这个任务跑起来"（2 分钟）

问：「提交一个 sleep 60 的作业到 xce 队列」
工具：scheduler_submit（先 dry_run 预览 → 再真实提交）
展示：先展示「将要提交的规格」，确认后提交，返回 jobid
讲解点：写操作有预览 + 确认安全机制，不是盲目执行

场景 5：等待完成——"帮我等这个作业跑完"（1 分钟）

问：「等刚才那个作业跑完」
工具：scheduler_wait_job
展示：阻塞等待 → 返回最终状态（succeeded）
讲解点：AI 能「等待并汇报结果」，交互式而非一次性

场景 6：资源建议——"帮我估算一下要多少资源"（1 分钟）

问：「我要跑一个 8 小时的科学计算，帮我看看要多少核/内存」
工具：scheduler_suggest_resources + scheduler_estimate_wait_time
展示：根据集群容量给出建议核数/预估等待
讲解点：AI 结合集群实时状态给建议，不只是套公式

场景 7：清理——"把不需要的作业都取消"（收尾，1 分钟）

问：「取消刚才提交的那个测试作业」
工具：scheduler_cancel
展示：干净收尾，展示「有确认机制」的安全感
讲解点：破坏性操作有保护

讲解要点（给观众的价值主张）

效率：5 个常用操作（查/排/看/提/等）从「命令+文档」变成「一句话」
透明：PEND 原因、资源建议都有可读解释，不再黑盒
安全：写操作（提交/取消/挂起）先预览、需确认，不会误操作
可扩展：MCP 协议标准，未来可接更多集群操作

演示脚本（MCP stdio 驱动，python）

见 mcp-demo-run.py（同目录）——自动执行场景 1-7，输出每一步的「用户问 → 工具 → 结果」。

备选/延伸（时间充裕时）

多作业调度：提交 3 个作业，展示负载均衡（各节点分配）
故障演示：模拟一个作业失败（命令故意报错），scheduler_analyze_failure 诊断
挂起/恢复：scheduler_hold/release 演示管理员控制

风险与规避

风险	规避
演示中作业意外失败	用 `sleep 60` 这类可靠命令，避免真实计算
网络/集群抖动	演示前确认 3 节点 OK + worker 在线
观众不懂 HPC	全程用「作业/排队/节点」类比「任务/等待/机器」，不讲协议
key 失效	演示前重新生成 mcp_operator key

4.7 KiB Raw Blame History Unescape Escape