SEC.01

Le playbook

Le run démarre en lecture seule : les sondes de reconnaissance décident de la suite. Les étapes qui suivent sont adaptées à la distribution et à l'état trouvés — une vraie machine est rarement propre.

1. 01reconDocker présent ?
2. 02recondéjà déployé ?
3. 03agirLancer JupyterLabvérif
4. 04agirRécupérer le tokenvérif

SEC.02

Ce qu'elle vérifie

Chaque étape embarque sa propre vérification. Le run ne continue que si elle passe, donc ce que la recette annonce comme fait est ce qui est réellement sur le serveur.

1. 01vérifLancer JupyterLabVérifié pardocker ps --filter name=jupyter --format "{{.Status}}" | grep -c Upattendu : au moins 1
2. 02vérifRécupérer le tokenVérifié pardocker logs jupyter 2>&1 | grep -c "token="attendu : au moins 1

SEC.03

Les garde-fous

Les consignes non négociables que le run doit respecter, quoi qu'il trouve sur le serveur.

SEC.04

Comment une recette s'exécute dans Servor

Servor est zero-knowledge : la plateforme ne peut rien exécuter seule. Quand vous lancez cette recette, un run lit la reconnaissance, planifie les étapes et demande votre validation. Chaque commande approuvée est signée par votre navigateur — avec une clé que le serveur ne voit jamais — puis relayée telle quelle à l'agent, qui vérifie la signature localement avant d'exécuter.

SEC.05

D'autres recettes ia / ml

1. 01OllamaOllama pour faire tourner des LLM locaux (pull d’un modèle optionnel).
2. 02Open WebUIInterface web pour LLM (Ollama) Open WebUI via Docker.
3. 03Pilotes NVIDIA + CUDAPilotes NVIDIA et toolkit CUDA. Destructif : modules noyau, reboot probable.
4. 04ComfyUI (Stable Diffusion)ComfyUI pour la génération d’images via Docker (GPU recommandé).
5. 05Serveur d’inférence vLLMvLLM pour servir un LLM en API OpenAI-compatible. GPU requis.