实验室服务器的"管家"：一条命令回答谁把盘塞满了、谁占着显卡、谁还在线、谁半年没露面， 顺手把建用户、换源、装 Docker、配登录欢迎语这些重复劳动全收了。
单个静态二进制，scp 过去就能跑，无运行时依赖。🐧 面向 Ubuntu 24.04 及更高版本
（source 换源依赖 24.04 起启用的 DEB822 源文件，版本代号运行时从 /etc/os-release
读取，新版本发布后无需改代码；其余命令对更早的版本也适用）。
📊 每条命令的真实输入输出都在这里：端到端实测报告 —— 所有输出都是真跑出来的，不是手写示例。
实验室服务器的日常大概是这样的：
| 场景 | 以前 | 现在 |
|---|---|---|
| 盘满了 | 挨个 du -sh 猜是谁 |
🥇 disk usage 直接出排行榜，超标的还会被点名挂到登录页 |
| 抢卡纠纷 | nvidia-smi 只有 PID，不知道是谁 |
🎯 gpu top 按人聚合："张三 占着 0 号卡 19 GB，跑了 3 天" |
| 新人入职 | useradd → 建目录 → 建软链 → 改权限 → 设密码，漏一步就返工 |
✨ user add zhangsan 一条龙，中途失败自动回滚，不留半成品 |
| 谁在用机器 | who 看不到 VSCode Remote |
👀 user who 把 SSH 和 VSCode 会话一起列出来 |
| 有人半年没来 | 没人知道，磁盘就这么占着 | 🧹 user inactive 自动发现 + 挂告警 + 确认后清理 |
| 显卡突然用不了 | Failed to initialize NVML: ... 然后一脸茫然 |
🩺 gpu status 直接告诉你"驱动升级后没重启"，附处理步骤 |
| 半夜盘满了 | 第二天有人来问才知道 | 📣 notify 推到企业微信 / 邮箱 |
| 谁删了数据 | 查无对证 | 📜 audit 记着每一次写操作：谁、何时、删了多少 |
make build # 开发机上编译（GOOS=linux 静态二进制，注入版本号）
make deploy # scp 到 .env 里配的 DEPLOY_SERVER到服务器上：
sudo ./server-mgr install # 唯一的安装入口：装二进制 + disk-usage 快捷命令 + 默认配置
# 按需开功能
sudo server-mgr disk monitor enable # 📅 每天 01:00 统计各用户占用 + 超标告警
sudo server-mgr motd set # 👋 自定义登录欢迎信息（含 VSCode 终端）
sudo server-mgr user inactive monitor enable # 🧹 每天 02:00 检查长期不登录用户
sudo server-mgr notify config # 📣 企业微信 / 邮件推送不想装也行——gpu status、disk、user who、user top 这些只读命令
把二进制拷过去直接跑就有输出，不需要 root，也不留任何文件。
卸载同样一条命令：sudo server-mgr uninstall（数据与审计日志按设计保留）。
每个小节末尾的"详细实测"链接直达 实测报告 对应章节， 那里有完整的输入、输出、落盘路径与错误分支。
disk —— 按物理盘分组列出挂载点，超警戒线的分区自动标 [!]：
● /dev/sdb [2.00 TB 物理容量]
/dev/sdb1 /data 总 2.00 TB 已用 220.00 MB 剩 2.00 TB 0.0%
/dev/sdb2 /workspace 总 2.00 GB 已用 1.70 GB 剩 308.00 MB 85.0% [!]
disk usage —— 各用户占用排行，所有用户免 sudo 可用（快捷命令 disk-usage），
支持 --me 只看自己、--sort user 换排序：
用户名 全名 总计(GB) 明细
* zhangsan Zhang San 1.91 /home:0.00GB /data:0.21GB /mnt/storage:0.00GB /workspace:1.70GB
disk monitor enable —— 装一个每天 01:00 的统计任务，报表落 /var/log/disk-usage/，
跑完自动触发告警与推送。disk warn --gb N 把超标的人点名写进登录页。
两条告警链路分工明确：用户级（谁占得多，读每日报表）和分区级（盘要满了，实时算、直接顶在 MOTD 最上面）。
📖 详细实测 →
gpu status —— 每张卡的显存 / 利用率 / 温度 / 功耗，加驱动与 CUDA 版本
（实机实测，2×RTX 4090）：
卡号 名称 显存(已用/总量) 利用率 温度 功耗
0 NVIDIA GeForce RTX 4090 1.00 MB / 47.99 GB 0% 30°C 12 W / 300 W
1 NVIDIA GeForce RTX 4090 1.00 MB / 47.99 GB 0% 31°C 12 W / 300 W
驱动版本: 610.43.02
CUDA 版本: 13.3（驱动支持的最高版本）
gpu top —— 抢卡纠纷的裁判：进程按用户聚合，谁占着哪张卡、多少显存、跑了多久，
一目了然（PID 经 /proc 映射到用户名，不 fork ps）：
用户 进程数 显存合计 占用卡号
wyf 2 3.25 GB 0,1
🩺 显卡异常诊断 —— 这是最实用的一块。nvidia-smi 报错不再是天书，
七类故障各给出结论 / 现象 / 成因 / 处理步骤。比如最经典的"apt 升级驱动后没重启"：
⚠ NVIDIA 驱动与已加载的内核模块版本不一致，GPU 当前不可用
成因: 系统更新了驱动的用户态库，但内核里跑的还是旧版 nvidia 模块…
处理: 重启机器（最可靠）: sudo reboot
对比两边版本: cat /proc/driver/nvidia/version …
还有：内核模块没加载、掉卡、权限不足、NVML 未知错误、查询超时（2 秒硬超时， 不会让挂起的驱动拖住所有人登录）、有卡没装驱动。异常会在 MOTD 里标红一行， 不会把整屏排障说明糊到登录页。没有 N 卡的机器？整段自动跳过，不报错。
📖 详细实测 →
user add zhangsan —— 建账号、在每块数据盘上开工作目录、在家目录里建软链、
设初始密码，一条龙：
家目录： /home/zhangsan
工作目录：/data/zhangsan 符号链接：/home/zhangsan/data -> /data/zhangsan
工作目录：/workspace/zhangsan 符号链接：/home/zhangsan/workspace -> /workspace/zhangsan
⚡ 关键设计：先收齐并校验全部输入，再动系统；中途任何一步失败都会回滚干净
（实测：把数据盘挂成只读，失败后 id 查不到人、所有盘上都没残留、审计里也没记录）；
已存在的同名目录一律不碰，在创建前就停下来报错。
user del [--purge] 删账号（可连数据一起删，释放量写进审计）、
user passwd 改密码、user list 看谁有哪些数据目录。
user who —— 谁在线，SSH 来源 IP + 登录时长，连 VSCode Remote 会话也能推断出来：
用户 类型 来源 时长 会话
zhangsan SSH 192.168.10.42 3h30m pts/0
zhangsan VSCode Remote(推断) - 0m pid 578
user top —— 按用户聚合的 CPU / 内存排行，并单独揪出"RSS ≥ 8 GiB 且跑了 ≥ 1 天"的进程。
user inactive —— 综合 lastlog、运行中的进程、家目录 mtime 三个信号判断活跃度：
list 看谁多久没来、warn 挂到登录页公示、purge --days 180 确认后清理、
monitor enable 每天自动查。
📖 详细实测 →
motd set 之后，所有人登录（含 VSCode Remote 终端）都会看到：
欢迎使用 AI 实验室 GPU 服务器 lab-server-01，问题请联系管理员 wyf。 ← ✏️ 这行可改，见下
⚠ 磁盘告警: /workspace 使用率 85.0%，仅剩 308.00 MB
请及时清理，查看各用户占用: disk usage
lab-server-01 · Ubuntu 24.04.4 LTS · Up 23 小时
局域网 172.17.0.2
/data 220.00 MB / 2.00 TB (0.0%)
/workspace 1.70 GB / 2.00 GB (85.0%) [!]
GPU 0 NVIDIA GeForce RTX 4090 空闲 47.40 GB / 47.99 GB 0% 30°C
环境初始化脚本：
bash …/install-miniforge.sh # 安装 Miniforge3 (conda)
bash …/install-uv.sh # 安装 uv (Python 包管理)
⚠ 以下用户磁盘占用超过 1.00 GB
zhangsan (Zhang San) — 共 1.91 GB …
✏️ 只有第一行欢迎语是可改的，其余段落全部实时生成。出厂默认是 「欢迎使用实验室服务器！如需帮助请联系管理员。」，上面示例是改过之后的效果。改法：
sudo vim /usr/local/lib/server-mgr/motd/header.txt # 存盘即生效，不用重跑任何命令这个文件只在第一次 motd set 时按默认值创建，之后重复 motd set、motd reset
甚至 uninstall 都不会覆盖或删除它——改过的欢迎语一直留着。
⏱️ 登录路径上的实时查询都有超时保护：分区用量 1 秒、GPU 2 秒。
掉盘后的 SCSI 重试、备份窗口里被 fsfreeze 冻住的文件系统都会让 statfs 卡进
不可中断的 D 状态——超时到了就跳过那一段并明确提示，绝不让一个坏挂载点把所有人挡在门外。
（重活早就不在这条路上了：扫全盘的 du 在每天深夜的 cron 里跑，MOTD 只读现成报表。）
motd status 一眼看清七个环节是否到位；
motd reset 恢复系统默认。注入 shell 的片段带成对标记，删除时按标记区间精确移除——
不会误伤相邻的 shell 代码（这有专门的回归测试，因为历史上真出过事 😅）。
📖 详细实测 →
别再等用户登录才发现问题。notify 扫三个源——分区使用率超线、GPU 异常、
需要重启——推到企业微信机器人或邮箱：
【server-mgr 告警】磁盘分区使用率告警：/workspace
挂载点 /workspace 使用率 85%（已用 2/2 GB，设备 /dev/sdb2），已超过警戒线。
主机: lab-server-01
时间: 2026-07-25 22:17:32
notify config 交互式配置（密钥落 0600 的独立文件，不进世界可读的主配置）、
notify test 发测试消息、notify check 手动扫一遍。同一告警默认 24 小时内不重复轰炸 🔕。
📖 详细实测 →
所有成功完成的写操作都记一行，落 /var/log/server-mgr/audit.log（0600，普通用户看不到）：
2026-07-25T22:15:18+08:00 | 执行者=wyf | 动作=docker.perm.add | 目标=lisi | 详情=加入 docker 组（等价 root 权限）
2026-07-25T22:15:21+08:00 | 执行者=unknown | 动作=user.del.purge | 目标=zhangsan | 详情=释放 1.9GB（家目录 + 3 个数据盘目录）
"执行者"取 SUDO_USER，所以管理员 sudo 执行时记的是人（第一行）；
直接以 root 身份跑（cron、docker exec）才是 unknown（第二行）。
被回滚的操作不记录，删除释放量在删除之前量好。audit --user <名> --since <时间> 可过滤。
📖 详细实测 →
docker check 看装没装、docker install 用 BFSU 源装、docker perm 看谁能免 sudo 用 docker、
docker perm add/del 收放权限（授权前会明确提示 docker 组等价 root，需二次确认）、
docker mirror set 配镜像加速（自动备份，不破坏 daemon.json 里已有的其他配置）。
📖 详细实测 →
source show 认当前镜像站、source set aliyun|tsinghua|ustc|bfsu|official 换源
（自动备份 + 跑 apt-get update）、source restore 一键还原。
版本代号从 /etc/os-release 读，架构用 dpkg --print-architecture 认——
非 x86 机器（arm64 等）自动改用镜像站的 ubuntu-ports 路径。apt-get update
失败时（镜像站还没同步新版本之类）会自动回滚成换源前的内容，不会留下坏源。
📖 详细实测 →
| 命令 | 权限 | 干什么 |
|---|---|---|
install / version / uninstall |
root（version 任意） |
安装、查版本、清理所有系统改动 |
disk |
任意 | 按物理盘分组列出挂载点与容量 |
disk usage [-m|-s|-r] |
任意 | 各用户占用排行 |
disk warn [--gb N] |
root | 占用超标的用户点名写进 MOTD |
disk monitor enable/disable/status/run |
root（status 任意） |
每日统计定时任务 |
gpu status / gpu top |
任意 | 卡的状态 / 谁占着哪张卡 |
user list/add/del/passwd |
root（list 任意） |
用户增删改查 + 多盘工作目录 |
user who / user top |
任意 | 谁在线 / 谁吃 CPU 内存 |
user inactive list/warn/purge/monitor |
root（monitor status 任意） |
长期不登录用户 |
motd set/show/status/reset |
root（show/status 任意） |
登录欢迎信息 |
notify config/test/check |
root | 企业微信 / 邮件告警 |
audit [--user] [--since] |
root | 写操作审计日志 |
docker check/install/perm/mirror |
root（check/perm 任意） |
Docker 安装、权限、镜像加速 |
source show/set/restore |
root（show 任意） |
APT 换源 |
server-mgr --help 有带选项说明的完整版。
一个 shell 可 source 的 KEY=VALUE 文件：/usr/local/lib/server-mgr/config.conf
（install 时生成，之后不会被覆盖，写坏了会静默回落到默认值，不会让登录卡住）。
DISK_WARN_PERCENT=80 # 分区使用率警戒线
DISK_USER_WARN_GB=500 # 单用户总占用告警线
DISK_LOG_KEEP_DAYS=30 # 报表保留天数
DISK_CRON_TIME="0 1" # 每日统计时间
INACTIVE_CRON_TIME="0 2" # 每日不活跃检查时间
INACTIVE_DAYS=180 # 多久没登录算不活跃含密钥的推送配置单独放 notify.conf（0600）。
完整落盘路径与卸载后的去留：📖 落盘路径总表。
命令会建删用户、改 /etc/cron.d、动 MOTD 和 /etc/apt，绝不能在开发机上试跑。
test/ 下是一次性的 Docker 演练环境，一条命令跑完全部功能：
./test/run-e2e.sh # 编译 → 建镜像 → 跑完所有命令，日志写到 /tmp
./test/run-e2e.sh --shell # 只布置环境，进容器自己折腾里面用 tmpfs 伪造了三块物理硬盘和五个挂载点（mount 的 source 字段会原样进 /proc/mounts，
所以多盘识别走的是真实代码路径），还有假的 /sys/block、lastlog、utmp、
nvidia-smi 和企业微信 webhook。容器 --rm 退出即净，开发机零改动 ✅。
make test # go test ./...（93 个用例，覆盖纯函数层）
gofmt -l . && go vet ./...cmd/ 各命令实现（disk / gpu / user / motd / notify / audit / docker / source）
cmd/shell/ 嵌入二进制的 shell 脚本（每日统计、Miniforge/uv 安装卸载）
test/ Docker 端到端演练环境
docs/e2e-report.md 📊 端到端实测报告（每条命令的真实输入输出）
docs/disk-interface.md 磁盘查询接口契约
docs/user-interface.md 用户管理接口契约
.env.example 部署目标与内置镜像加速地址模板（复制为 .env，不入库）
- GPU 的故障诊断分支与"进程属主读不到"的情况只有桩验证（实机验证要真把驱动弄坏，不值得）
- 邮件渠道与
docker install的联网路径尚未端到端实测 - 告警推送挂在每日统计之后，默认一天一次；要分钟级就给
notify check单挂一个短间隔 cron
完整清单见 📖 已知问题与待补测。