现有环境实验室服务器Codex使用指南

了在环境实验室服务器上部署和使用Codex的完整流程，需通过SSH远程连接至实验室服务器并获取相应操作权限，进行环境配置，建议利用Conda创建独立的虚拟环境，并安装Codex所需的依赖包及OpenAI官方库，正确配置API密钥以完成安全身份验证，在终端或自定义脚本中调用Codex接口，实现代码生成与补全任务，操作过程中需特别注意实验室的网络代理设置及计算资源限制，以确保在合规前提下高效利用该工具。

实验室服务器怎么用？一份保姆级入门指南

初入科研殿堂，面对师兄师姐丢过来的一串IP地址、用户名和密码，很多同学都会一脸懵：“这就结束了？ Laboratory server 怎么用？”

别慌，几乎每一个科研大牛都是从连上服务器的第一行命令开始成长的，实验室服务器本质上是一台放在机房里、24小时不关机且性能强劲的电脑，你通过自己的笔记本远程连上去跑代码而已，本文将以“保姆级”的视角，带你理清实验室服务器怎么用的核心流程。

第一步：如何连接服务器？

连接服务器最常用的工具是 SSH（安全外壳协议）,你需要准备一个终端工具。

• Windows用户：推荐使用 MobaXterm、Xshell，或者直接使用 Windows 10/11 自带的 PowerShell。
• Mac/Linux用户：直接打开自带的“终端”即可。

在终端中输入以下命令：

ssh 用户名@服务器IP地址

按下回车后，第一次连接会提示你是否信任该主机，输入 yes，然后输入密码（注意：Linux输入密码时屏幕上不会显示任何字符，盲打即可），回车后，看到命令提示符变成了类似 username@server:~$，恭喜你,你已经成功登入服务器了！

进阶推荐：强烈建议下载 VS Code 并安装 Remote - SSH 插件，它可以让你的服务器像本地电脑一样，拥有图形化的代码编辑界面,后续写代码和看文件会舒服很多。

第二步：如何传输文件？

跑实验离不开数据集和代码,你需要把本地的文件传到服务器上。

1. 使用 MobaXterm / Xftp：这类工具自带左侧的图形化文件树，你可以直接像在 Windows 里一样，把文件拖拽进去或者拖出来,最为简单直观。
2. 使用 VS Code：连上服务器后，可以直接在资源管理器里新建文件夹、上传本地文件。
3. 命令行老手：可以使用 scp 命令在本地终端进行传输，

   scp 本地文件路径 用户名@服务器IP地址:/目标路径/

第三步：环境配置（重要！）

实验室的服务器是多个人共享的，如果你直接使用默认的 Python 环境，很容易和别人用的包版本发生冲突。绝对不要轻易使用 sudo apt install 或直接在全局环境装包。

正确做法是使用 Conda 创建虚拟环境：

# 创建一个属于你自己的新环境（例如叫 myenv，指定Python版本为3.8）
conda create -n myenv python=3.8
# 激活你的环境
conda activate myenv

之后，你就可以在这个独立的环境里，使用 pip install 或 conda install 安装你需要的包了,完全不会影响到别人。

第四步：跑代码与防断网机制

当你在终端里运行 python train.py 时，代码确实开始跑了，但服务器有个致命的设定：一旦你的网络断开、电脑关机，或者 SSH 窗口被关闭，你的训练进程就会被直接杀掉！

为了防止跑了一晚上的模型因为网线被绊断而前功尽弃，你需要掌握后台运行技巧，最简单常用的命令是 nohup：

nohup python train.py > output.log 2>&1 &

这行命令的意思是：在后台运行代码，并把打印出来的日志全部输出到 output.log 文件中，即使你关掉电脑,服务器上的代码依然会继续跑。

更进阶的工具：推荐使用 Tmux 或 Screen，它们可以创建一个虚拟终端，你可以随时退出这个终端去做别的事，下次再连上服务器时,可以随时回到这个终端查看进度。

第五步：如何查看显卡占用情况？

跑深度学习实验，GPU 是最宝贵的资源，在跑代码前，一定要先看看显卡有没有空闲,使用以下命令：

nvidia-smi

这会打印出一张表格，显示每张 GPU 的显存使用量（Memory-Usage）和进程占用情况（PID），如果你想实时监控，可以使用 watch -n 1 nvidia-smi（每秒刷新一次）。

实验室生存礼仪：如果看到某张卡已经快满了，千万不要再去占用；如果看到别人的卡虽然空着，但通过 PID 看到有进程，说明别人可能正在加载数据,请礼貌避让。

第六步：实验室服务器生存法则

掌握了技术操作后，还要懂一点“实验室服务器文化”：

1. 路径整理：不要把文件全扔在根目录或 /home 下，建好以自己名字或项目命名的文件夹，数据、代码、日志分门别类放好。
2. 清理垃圾：模型跑完下载的压缩包、无效的 checkpoint 权重文件，记得及时清理,服务器硬盘空间永远是稀缺资源。
3. 不要随便杀人：如果不小心占满了显存，师兄师姐可能会用 kill -9 PID 杀掉你的进程，记得多沟通,不要恶意抢占资源。

看到这里，相信你对“实验室服务器怎么用”已经有了清晰的认识，服务器只是一台没有显示器的电脑，克服对黑色命令行窗口的恐惧，多敲几次命令，多踩几次坑，你很快就能成为在实验室里指点江山的“服务器老手”，祝愿大家的代码永无 Bug，Loss 永远下降！