一、两步怎么分：先被看见，再被调用
1. 第一步只解决一个问题：别人能不能准确知道你有什么
这一步的产出是一份能被外部读懂的资源记录：多少卡、什么卡型、单卡显存多少、机内与节点间互联是什么规格、在哪个区域、什么时段可用、按什么口径计量。有了统一标识与统一格式，外部才能横向比较不同来源的资源。
这一步不动任务、不动数据，风险低，却容易被跳过。跳过之后，第二步会陷入反复澄清：对方以为你有两百张卡随时可用，实际只有八十张。
2. 第二步解决另一个问题：任务能不能送进来并跑完
这一步才涉及调度侧与自家集群之间的对接：任务怎么提交、排队规则怎么定、数据怎么到达、产出怎么回收、用完了怎么对账、出了问题谁负责。
它与第一步的关系是单向的：第一步的记录是第二步的依据。记录里写的是推理卡，第二步就不能按训练任务投递；记录里写的是按卡时计量，结算时就不能按任务数算。
3. 为什么不能一步做完
一步做完的做法通常从接口开始，边接边补资料。结果每次对接都要重新确认规格，历史记录对不上，故障时也判断不出是资源不足还是描述不准。分两步走，多花一两周整理，后面省掉反复澄清。
二、第一步之一：资源盘点与统一标识
1. 盘点要落到卡，不停在机房
一份能用的盘点表，粒度要细到卡：每个集群、节点、每张卡的型号、显存、互联方式、健康状态。只写有多少台机器不够，不同机型的卡不可互换，调度侧无法据此分配任务。
盘点时容易漏三类资源：为容灾留的备用节点、正在检修的机器、临时借给其他团队的部分。这三类要不要计入可调度池，要提前定规则，否则对外报的数字会虚高。
2. 统一标识是准入的第一步
按通行的做法，各类算力资源要按统一规则编码，形成一个可检索、可追溯的标识，相当于给资源发一张数字身份证。区域与行业节点通过统一标识汇聚资源，标识由管理方按标准赋码并纳入标识库。
这对自建集群的含义很具体：内部编号可以保留，但要额外建一层映射，把内部节点与对外标识一一对应。映射表要有人维护，机器下线、扩容、换型时同步更新。
3. 标识网关承担什么
在资源侧与外部之间，通常有一层网关负责标识解析与状态上报。它做三件事：把内部资源状态翻译成标准格式、按周期上报可用量、接收外部的查询。
这一层自建还是用现成组件，取决于集群的封闭程度。封闭程度高的环境，网关往往落在隔离区内，只开放单向上报。
4. 这一步的验收
验收看三件事：外部按标识能查到这套资源的规格与状态；状态变化能在约定时间内反映出来；标识与内部节点的映射表可核对。三件事都成立，第一步算完成。
三、第一步之二：资源画像与计量口径
1. 画像是给调度侧看的，不是给自己看的
画像要回答四个问题：这套资源适合什么任务、不适合什么任务、时段颗粒是多久、能保证到什么程度。前两个问题决定兼容性，后两个决定可调度性。
常见错误是只写优点：卡型新、显存大、互联快。缺了不适合什么，调度侧会把不匹配的任务派过来，跑失败再退回，双方都受损。
2. 计量口径必须在接入前定死
按卡时、按任务时长、按实际计算量、按预留时长，四种口径算出来的账完全不同。口径不定，第二步的结算必然扯皮。
可行的做法是把口径写成一句话：以什么为计量单位、从什么时刻开始计、到什么时刻结束、空闲期算不算。四个要素写清，后续对账才有依据。
3. 能力边界要写进去
比如是否支持容器化任务、是否支持自定义镜像、是否允许任务访问外部网络、单任务卡数上限是多少、单任务可跑时长上限多久。这些限制不写，接入后会被反复问到。
4. 这一步的验收
验收看两件事：拿三个不同类型的任务去对照画像，判断是否匹配，结论与画像描述一致；按画像里的口径试算一次费用，与实际账单能对上。
四、第二步之一：接口与任务投递
1. 对接的是调度层，不是底层机器
任务投递要落在自家调度器上，由它决定排队与分配。绕过调度器直接占机器，短期能跑通，长期会把队列搞乱。
对接前要确认调度器对外能提供什么：提交、查询、取消、日志拉取四类动作是否齐全。缺取消与日志，任务出问题时只能人工介入。
2. 排队规则要提前说明
外部任务与内部任务共用资源时，谁优先、能不能抢占、抢占后内部任务怎么办，要在接入前写清。不写清，内部觉得资源被外人占了，外部觉得排队时间不可预期。
一种务实的安排是划出固定的可让出比例：内部留出大部分，剩余部分对外，高峰时按约定收回并提前通知。规则简单，执行起来争议少。
3. 队列与配额要能对应
外部按项目或按团队分配配额，内部要能把这些配额映射到队列上。映射关系要一一对应，否则会出现配额没用完却排不上队的情况。
4. 这一步的验收
验收看四件事：外部提交一个轻量任务，能在约定时间内跑完；中途取消，资源能及时释放；任务失败，日志能取回；超出配额，提交被拒绝且提示明确。
五、第二步之二：数据可达与结果回收
1. 数据能不能到，决定任务能不能跑
任务送进来了，数据到不了，等于没接。三条路径：提前同步到资源侧存储、运行时按需取回、通过受控通道挂接。三条各有代价，按数据体量与敏感程度选。
数据不出场地的场景，只能选第三条，且要明确谁能挂、挂什么、挂多久。这条限制要写进画像，别等任务来了才发现数据进不来。
2. 就近存储能省掉大量等待
跨区域取数据的耗时常常超过计算本身。可行做法是在资源侧准备共享存储，常用数据集提前同步，任务只读本地。同步本身也要计时，别把它排除在成本之外。
3. 产出回收要有约定
结果写到哪里、保留多久、谁有权取、超期怎么处理，四条都要定。缺了保留期，资源侧的存储会被外部任务塞满；缺了取用权限，产出可能被不该看的人取走。
4. 这一步的验收
验收看三件事：一个带真实数据集的任务能跑通；数据读取速度不影响整体效率；产出的位置、权限、保留期与约定一致。
六、第二步之三：结算与责任边界
1. 计量数据从哪来
结算依据要来自可核对的记录，不能事后估算。记录至少含五项：任务标识、起止时刻、占用规格与卡数、计量单位与数量、状态。五项齐了，双方复算能得出同一个数。
2. 失败任务怎么算
任务跑了半天失败，算谁的账，要在接入前定。常见约定是按实际占用计，但属资源侧故障的扣减。这条不写清，第一次故障就会引发争议。
3. 责任边界三句话
资源侧负责机器可用与网络连通；使用侧负责任务本身与数据合规；中间层负责调度与计量。三句写进对接文档，出问题按这条分，不必每次开会。
4. 这一步的验收
验收看两件事：按记录复算一次费用，与结算单一致；人为制造一次失败，双方对责任归属的判断一致。
七、接入之后的运营与复检
1. 三个例行动作
一是按月核对标识与实际情况，机器下线、扩容、换型后同步更新；二是按季复看画像，任务结构变了，适合与不适合的边界跟着改；三是定期检查计量记录，异常波动要能解释。
2. 一个容易退化的地方
刚接入时记录规范，半年后开始新旧混杂：新机器用新标识，老机器还挂旧编号。这类退化不会立刻出问题，却让故障排查多花几天。把映射表更新写进变更流程，比靠人记可靠。
3. 扩规模时的顺序
从一套集群扩到多套，按前两步重新走一遍，不要假设第二套与第一套相同。卡型、调度器版本、网络条件往往不一样，画像要各写一份。
结语
存量集群的对接，难点不在接口，而在把自家资源说清楚，再让它被可靠地调用。第一步做标识与画像，解决被看见；第二步做投递、数据、结算，解决被调用。两步之间有先后，跳过第一步直接谈接口，后面会在澄清规格上反复绕圈。
落地建议：先用一周把盘点表做到卡级，建立内部编号与对外标识的映射；再用一周写画像与计量口径，把不适合什么、时段颗粒、空闲怎么算写进去；两步验收过了，再启动接口与数据通道的对接。判断是否真的接通，有个很实际的标准：一个从没接触过这套资源的外部团队，只看画像与接口说明，能把一个任务提交上来、跑完、取回产出，并对自己的账单算得清楚。
