gitlab ci通过标签机制实现gpu构建分流：注册时为gpu服务器runner指定gpu等标签，作业中用tags: [gpu]声明需求，系统自动调度至匹配的在线runner。
直接用 tags 实现 GPU 构建分流，核心是“注册带标签的 Runner + 作业指定匹配标签”。这不是靠脚本判断架构，而是 GitLab CI 的原生调度机制。
注册专用 GPU Runner 并打上 gpu 标签
在装有 NVIDIA 驱动和 CUDA 的 Linux 服务器上，执行注册命令时明确指定 --tag-list：
- 运行
gitlab-runner register - 按提示输入 GitLab 实例 URL、项目或实例 token
- 当问到 Tags 时，输入
gpu（也可加其他语义标签，如cuda-12.4,ubuntu-22.04） - 选择执行器：推荐
docker或docker+machine，确保容器能访问宿主机 GPU（需挂载/dev/nvidia*和安装nvidia-container-toolkit） - 完成注册后，该 Runner 在 GitLab 后台会显示为带有
gpu标签的可用节点
在 .gitlab-ci.yml 中精准匹配 GPU 任务
只需在需要 GPU 资源的 job 中声明 tags，CI 系统自动路由：
Pilot Digital Twin Setup
下载
部署一个包含 4 个智能体（agent）的数字孪生平台。在以下情况下使用该技能： 1. 用户希望为物理资产监控与预测性维护等场景搭建数字孪生系统……
- 例如训练任务写成：
image: nvidia/cuda:12.4.1-devel-ubuntu22.04
tags:
- gpu
script:
- python train.py
- 这个 job 不会发给只标了
cpu或无标签的 Runner；也不会被多个gpuRunner 争抢——GitLab 自动选一个空闲的 - 可搭配
only或rules进一步限定触发条件（如仅main分支 +train/目录变更）
多类型硬件共存时的标签设计建议
一台物理机可注册多个 Runner，每个专注一类资源，靠标签隔离：
-
gpu-runner-01→ tags:gpu, cuda12, high-mem -
arm64-builder→ tags:arm64, cross-compile -
fast-cpu-test→ tags:cpu, ssd-cache - CI 作业里写
tags: [gpu, cuda12]，就只会命中第一个 Runner - 避免使用模糊标签（如
fast），优先用可验证的硬件/软件特征
验证与排错要点
分流是否生效，关键看三点：
- Runner 页面中，对应 Runner 的 Tags 列是否显示你设定的值（如
gpu） - Job 详情页的 Runner 字段是否显示该 GPU Runner 的名称
- Job 日志开头是否有类似
Using docker image sha256:... for gpu with gitlab-runner... - 若 job 一直 pending，检查 Runner 状态是否为 online 且 active，并确认其 tag 拼写与
.gitlab-ci.yml完全一致（区分大小写）
