dbray使用手册

更新时间：2026-09-09

dbray 面向开发机用户让用户支持使用dbray 来提交ray 任务，并且支持将本地 Ray 任务提交到 DataBuilder 远端 Ray 集群，利用共享 PFS 存储资源执行任务。

什么是dbray

dbray 是开发机上提交 Ray 任务到 DataBuilder 远端 Ray 集群的命令行工具。

表格概括它和原生 ray job submit 的差异：

维度	原生 `ray job submit`	`dbray job submit`
集群地址	需手动输入 `--address http://...:8265`	通过 `--compute-id` 自动从平台获取
鉴权	无	DataBuilder 统一权限校验（compute_id 无权限时请求将被直接拒绝）
working_dir	压缩后上传至 GCS 等远端对象存储，任务启动时自动下载并解压	1. 可通过共享 PFS 不打包不上传，worker 直接使用本地PFS挂载路径 2. 可通过 BOS 上传任务包，worker 直接使用本地路径
env_vars	由用户自行配置	集中渲染并自动注入
子命令	`submit / status / logs / stop / list`	行为对齐

快速使用案例：

                Bash
                
                cd /pfs/<...>/my-project           # cd 到 PFS 上你正在开发的代码目录
dbray job submit --config-file ~/.dbray/dbray.yaml -- python train.py

前提条件

满足以下所有条件，否则 dbray 无法工作

需持有一对 BCE AK/SK（长期或 STS 临时凭证均可）
需持有一个 具有权限 的 compute_id（在 DataBuilder 控制台分配的计算资源；如果没权限提交任务会被平台拒绝）

使用以下命令确认环境是否就绪：

                Bash
                
                dbray --help                                  # 1) dbray CLI 在 PATH
python3 -c "from ray.runtime_env import RuntimeEnv; \
    RuntimeEnv(working_dir='/tmp', working_dir_shared=True)"   # 2) ray 补丁已装

快速开始

1.准备dbray凭证

绿色部分配置为必填项

                Bash
                
            

                mkdir -p ~/.dbray && chmod 700 ~/.dbray
cat > ~/.dbray/dbray.yaml <<EOF
workspace_id: <your-workspace-id>   # 不配置的话默认使用开发机所在工作空间ID
user_id:      <your-user-id>        # 选填 用于生成带有标识的submission_id
compute_id:   <your-compute-id>     # ray实例ID

credentials:
  access_key:    <your-bce-ak>
  secret_key:    <your-bce-sk>
  session_token: ""    # 没有可空置
EOF
chmod 600 ~/.dbray/dbray.yaml
            

字段说明：workspace_id / compute_id 用于标识连接目标；user_id 仅作为提交记录的可读标签，不影响权限校验；credentials 中填写 AK/SK，请确保其对应账号拥有 Ray 实例及任务运行所需权限。

2.使用PFS模式提交任务

dbray默认采用pfs模式，需要满足以下条件才能工作

满足以下所有条件，否则 dbray 的PFS模式无法工作

开发机已挂载 PFS（一般在 /pfs/<workspace>/... 或 /mnt/pfs/<...>，前缀因部署而异）
Ray实例与开发机挂载相同PFS实例，同时保证挂载源路径和容器内路径相同

2.1 准备任务代码

准备需要提交的任务的代码

以下为使用PFS提交任务示例

Plain Text

1# 假设 /pfs/<your-workspace>/projects 是你的 PFS 工作目录
2mkdir -p /pfs/<your-workspace>/projects/hello-ray
3cd /pfs/<your-workspace>/projects/hello-ray

                Bash
                
            

                cat > demo.py <<'PY'
"""Ray 任务。"""
import math, os, socket, time
import ray


@ray.remote
def slow_sqrt(n: int) -> dict:
    time.sleep(0.5)
    return {"n": n, "sqrt": math.sqrt(n),
            "host": socket.gethostname(), "pid": os.getpid()}


def main():
    user = os.environ.get("task_user_id", "<unknown>")
    print(f"hello from dbray, user={user}, cwd={os.getcwd()}")

    N = 8
    print(f"[driver] dispatching {N} tasks...")
    t0 = time.time()
    results = ray.get([slow_sqrt.remote(i) for i in range(1, N + 1)])
    print(f"[driver] done in {time.time() - t0:.2f}s")

    for r in results:
        print(f"  n={r['n']:>2} sqrt={r['sqrt']:.4f}  on {r['host']} pid={r['pid']}")
    print(f"[driver] sum = {sum(r['sqrt'] for r in results):.4f}")


if __name__ == "__main__":
    main()
PY
            

2.2 提交执行任务

                Bash
                
                cd /pfs/<your-workspace>/projects/hello-ray
dbray job submit --config-file ~/.dbray/dbray.yaml -- python demo.py

输出任务执行日志：

Plain Text

1Submitted: dbray-<your-user>-20260627T...-xxxxxx
2Dashboard: http://<ray-dashboard-host>:8265
3Logs:      dbray job logs dbray-<...>-xxxxxx -f
4Stop:      dbray job stop dbray-<...>-xxxxxx
5
6...job stdout streamed in real-time...
7hello from dbray, user=<your-user-id>, cwd=/pfs/<your-workspace>/projects/hello-ray
8[driver] dispatching 8 tasks...
9[driver] done in 0.78s
10  n= 1 sqrt=1.0000  on ray-cluster-...-head-xxxxx pid=12345
11  ...
12  n= 8 sqrt=2.8284  on ray-cluster-...-head-xxxxx pid=12351
13[driver] sum = 15.6066
14
15Final status: SUCCEEDED

3.使用BOS模式提交任务

bos模式为dbray的另外一种模式，通过压缩并上传任务到bos后提交任务，无需工作路径在pfs挂载路径下，可直接用任意的工作路径

满足以下所有条件，否则 dbray 的bos 模式无法工作

配置文件对应的AK/SK的用户至少是该开发机/计算实例所在工作空间的用户

3.1 准备任务代码

以下为使用BOS提交任务示例

Plain Text

1# 假设 /workspace/code 是你的本次工作目录
2mkdir -p /workspace/code
3cd /workspace/code

Plain Text

1cat > hello.py <<'PY'
2"""Ray 任务。"""
3import math, os, socket, time
4import ray
5
6
7@ray.remote
8def slow_sqrt(n: int) -> dict:
9    time.sleep(0.5)
10    return {"n": n, "sqrt": math.sqrt(n),
11            "host": socket.gethostname(), "pid": os.getpid()}
12
13
14def main():
15    user = os.environ.get("task_user_id", "<unknown>")
16    print(f"hello from dbray, user={user}, cwd={os.getcwd()}")
17
18    N = 8
19    print(f"[driver] dispatching {N} tasks...")
20    t0 = time.time()
21    results = ray.get([slow_sqrt.remote(i) for i in range(1, N + 1)])
22    print(f"[driver] done in {time.time() - t0:.2f}s")
23
24    for r in results:
25        print(f"  n={r['n']:>2} sqrt={r['sqrt']:.4f}  on {r['host']} pid={r['pid']}")
26    print(f"[driver] sum = {sum(r['sqrt'] for r in results):.4f}")
27
28if __name__ == "__main__":
29    main()
30PY

3.2 提交任务

需要使用bos模式所以这里加上 --mode bos；

--working-dir 为刚刚的开发机本地文件夹 /workspace/code；

--python 为刚刚的新建的入口测试hello.py文件。

Plain Text

1dbray job submit --config-file ~/.dbray/dbray.yaml --mode bos --working-dir /workspace/code -- python hello.py

可以看到压缩工作文件夹后续自动上传到bos然后返回bos路径，最后提交任务到ray，输出结果:

Plain Text

12026-08-03 17:47:51,811 INFO Compressing working_dir.zip: 0% (0.0 B / 774.0 B)
22026-08-03 17:47:51,811 INFO Compressing working_dir.zip: 100% (774.0 B / 774.0 B)
32026-08-03 17:47:51,811 INFO Compressing working_dir.zip: 100% (774.0 B / 774.0 B)
42026-08-03 17:47:51,811 INFO Compression completed: working_dir.zip size=696.0 B sha256=6df667bf5b4fe6f5db64f8808bcd997a1da4b6e7aad9bf51d054f386a64bb8bd
52026-08-03 17:47:52,222 INFO Uploading working_dir.zip to BOS: 0% (0.0 B / 696.0 B)
62026-08-03 17:47:52,325 INFO Uploading working_dir.zip to BOS: 100% (696.0 B / 696.0 B)
72026-08-03 17:47:52,365 INFO Uploaded BOS object bos://databuilder-workflow-dev/workspaces/workspace_9862_0763f283d58a/dbray/dbray-bf848ed90b027df8/working_dir.zip, size=696, parts=1
82026-08-03 17:47:52,365 INFO BOS upload completed: bos://databuilder-workflow-dev/workspaces/workspace_9862_0763f283d58a/dbray/dbray-bf848ed90b027df8/working_dir.zip
9Submitted: dbray-84a3fc23829c4bb3b074712f84fe1ee3-20260803T094753-1ca885
10Dashboard: http://172.16.17.17:8265
11Logs:      dbray job logs dbray-84a3fc23829c4bb3b074712f84fe1ee3-20260803T094753-1ca885 -f
12Stop:      dbray job stop dbray-84a3fc23829c4bb3b074712f84fe1ee3-20260803T094753-1ca885
13
142026-08-03 17:47:53,214    INFO job_manager.py:579 -- Runtime env is setting up.
15Running entrypoint for job dbray-84a3fc23829c4bb3b074712f84fe1ee3-20260803T094753-1ca885: python hello.py
16hello from dbray, user=84a3fc23829c4bb3b074712f84fe1ee3, cwd=/tmp/ray/session_2026-07-31_18-40-56_040060_1/runtime_resources/working_dir_files/bos_databuilder-workflow-dev_workspaces_workspace_9862_0763f283d58a_dbray_dbray-bf848ed90b027df8_working_dir
17[driver] dispatching 8 tasks...
182026-08-03 17:47:55,817    INFO worker.py:1680 -- Using address 172.16.18.133:6379 set in the environment variable RAY_ADDRESS
192026-08-03 17:47:55,822    INFO worker.py:1821 -- Connecting to existing Ray cluster at address: 172.16.18.133:6379...
202026-08-03 17:47:55,832    INFO worker.py:1998 -- Connected to Ray cluster. View the dashboard at 172.16.18.133:8265 
21/usr/local/lib/python3.10/dist-packages/ray/_private/worker.py:2046: FutureWarning: Tip: In future versions of Ray, Ray will no longer override accelerator visible devices env var if num_gpus=0 or num_gpus=None (default). To enable this behavior and turn off this error message, set RAY_ACCEL_ENV_VAR_OVERRIDE_ON_ZERO=0
22  warnings.warn(
23[driver] done in 2.78s
24  n= 1 sqrt=1.0000  on ray-cluster-compute-b655-a7b9d8b3662b-head-clg77 pid=1143437
25  n= 2 sqrt=1.4142  on ray-cluster-compute-b655-a7b9d8b3662b-head-clg77 pid=1143436
26  n= 3 sqrt=1.7321  on ray-cluster-compute-b655-a7b9d8b3662b-head-clg77 pid=1143435
27  n= 4 sqrt=2.0000  on ray-cluster-compute-b655-a7b9d8b3662b-head-clg77 pid=1143434
28  n= 5 sqrt=2.2361  on ray-cluster-compute-b655-a7b9d8b3662b-head-clg77 pid=1143438
29  n= 6 sqrt=2.4495  on ray-cluster-compute-b655-a7b9d8b3662b-head-clg77 pid=1143440
30  n= 7 sqrt=2.6458  on ray-cluster-compute-b655-a7b9d8b3662b-head-clg77 pid=1143441
31  n= 8 sqrt=2.8284  on ray-cluster-compute-b655-a7b9d8b3662b-head-clg77 pid=1143439
32[driver] sum = 16.3060
33
34Final status: SUCCEEDED

4.查看历史作业

提交完任意的任务后可以通过以下命令查看提交过的任务列表。

Bash

1# 看历史作业列表
2dbray job list --config-file ~/.dbray/dbray.yaml

配置凭证多种方式

以下提供三种配置方法，三选一即可；

dbray 的连接参数：workspace_id / compute_id / access_key / secret_key（外加可选的 user_id / session_token）。

三种渠道，按下列优先级解析，也就是同一个参数被多处定义时，最左边的胜出：

Plain Text

1CLI flag  >  环境变量  >  --config-file

1.配置文件方式

配置文件方式将数据写入固定的配置文件，一次写好，推荐日常使用。

每次 submit/status/logs/stop/list 都只需 --config-file <path>。

使用--config-file <path>指定该写入的配置文件以提交任务：

Bash

1dbray job submit --config-file ~/.dbray/dbray.yaml -- python demo.py
2dbray job logs   <sid> --config-file ~/.dbray/dbray.yaml -f
3dbray job list         --config-file ~/.dbray/dbray.yaml

1.1 YAML 嵌套写法

～/.dbray/dbray.yaml:

YAML

1workspace_id: workspace_9862_xxxxxxxxxxxx
2compute_id:   compute_a7b2_xxxxxxxxxxxx
3user_id:      alice
4
5credentials:
6  access_key:    ALTAKxxxxxxxxxxxxxxxxxx
7  secret_key:    xxxxxxxxxxxxxxxxxxxxxxxxxxx
8  session_token: ""

1.2 YAML 顶层平铺写法：

~/.dbray/dbray-flat.yaml，credentials 字段不嵌套:

YAML

1workspace_id: workspace_9862_xxxxxxxxxxxx
2compute_id:   compute_a7b2_xxxxxxxxxxxx
3user_id:      alice
4access_key:   ALTAKxxxxxxxxxxxxxxxxxx
5secret_key:   xxxxxxxxxxxxxxxxxxxxxxxxxxx

1.3 JSON 写法：

~/.dbray/dbray.json:

                JSON
                
            

                {
  "workspace_id": "workspace_9862_xxxxxxxxxxxx",
  "compute_id":   "compute_a7b2_xxxxxxxxxxxx",
  "user_id":      "alice",
  "credentials": {
    "access_key":    "ALTAKxxxxxxxxxxxxxxxxxx",
    "secret_key":    "xxxxxxxxxxxxxxxxxxxxxxxxxxx",
    "session_token": ""
  }
}
            

三种格式 dbray 都识别。chmod 600：里面有您的 AK/SK，不要让别人读到。

2.使用环境变量

                Bash
                
                export DATABUILDER_WORKSPACE_ID=workspace_9862_xxxxxxxxxxxx
export DBRAY_COMPUTE_ID=compute_a7b2_xxxxxxxxxxxx
export DATABUILDER_ACCESS_KEY_ID=ALTAKxxxxxxxxxxxxxxxxxx
export DATABUILDER_SECRET_ACCESS_KEY=xxxxxxxxxxxxxxxxxxxxxxxxxxx
# export DATABUILDER_SESSION_TOKEN=...   # 可选

dbray job submit -- python demo.py        # 连接参数从 env 自动取

变量名映射：

字段	环境变量名
workspace_id	`DATABUILDER_WORKSPACE_ID` 或 `DBRAY_WORKSPACE_ID`
compute_id	`DBRAY_COMPUTE_ID`
access_key	`DATABUILDER_ACCESS_KEY_ID`
secret_key	`DATABUILDER_SECRET_ACCESS_KEY`
session_token	`DATABUILDER_SESSION_TOKEN`
user_id	`DBRAY_USER_ID`

开发机镜像通常已预置 DATABUILDER_WORKSPACE_ID，仅需额外配置 AK/SK 与 compute_id 即可。

3.显式指定变量

一次性 / 调试用:

                Bash
                
            

                dbray job submit \
  --workspace-id workspace_9862_xxxxxxxxxxxx \  # 可选 默认用开发机所在工作空间ID
  --compute-id   compute_a7b2_xxxxxxxxxxxx \
  --access-key   ALTAKxxxxxxxxxxxxxxxxxx \
  --secret-key   xxxxxxxxxxxxxxxxxxxxxxxxxxx \
  -- python demo.py
            

三种方式的混合

dbray 允许混用，按优先级合并。最常见的两种组合：

                Bash
                
            

                # 1) AK/SK 写文件，compute_id 命令行现场指定
dbray job submit \
  --config-file ~/.dbray/dbray.yaml \
  --compute-id  compute_OTHER_xxx \
  -- python demo.py

# 2) 整套从 env 拿，但临时换 compute_id
DBRAY_COMPUTE_ID=compute_xxxx \
  dbray job submit -- python demo.py
            

常用指令列表

dbray job 下有 6 个子命令，全部需要配置连接参数（按照配置方式三选一）。

1.submit 提交作业

                Bash
                
                dbray job submit [连接参数] [可选项] -- <entrypoint> [args...] --mode xxx

-- 之后的内容会原样交给 Ray 作为作业 entrypoint，最常见就是 python xxx.py [...]。

可选项：

选项	默认	说明
`--working-dir <abs path>`	`$PWD`	worker 端 cwd（必须在 PFS 共享路径上）
`--runtime-env <file.yaml>`	—	用户自己的 runtime_env 文件（py_modules / env_vars 等）
`--runtime-env-json '<json>'`	—	用户自己的 runtime_env 内联 JSON；与 `--runtime-env` 同时给时叠加在文件之上（同 key 内联值胜出）
`--no-wait`	false	立即返回，不阻塞等日志
`--mode`	shared	1. --mode bos 使用bos模式提交作业 2. --mode shared 使用pfs模式提交作业是默认模式

默认行为：submit 后阻塞，把 worker stdout/stderr 实时 tail 到本地终端，作业终态时打印 Final status: SUCCEEDED/FAILED/STOPPED。Ctrl-C 中断 tail 不会停止远端作业。

stdout 格式：

Plain Text

1Submitted: dbray-<user>-<UTC-timestamp>-<6-hex-random>
2Dashboard: http://<ray-dashboard>:8265
3Logs:      dbray job logs <sid> -f
4Stop:      dbray job stop <sid>
5
6<job stdout streamed>
7...
8Final status: SUCCEEDED

第一行 Submitted: 后的 token 就是 submission_id；后续 logs / stop / status 都用它。

dbray job submit 支持多种使用方式，以下介绍常见的开发与调试场景，包括开发调试、批量调度、离线查看日志、终止作业、环境隔离和并发提交。

所有示例默认使用配置文件，也可根据前述配置方式自行选择。

Bash

1--config-file ~/.dbray/dbray.yaml

提交作业多种方式

1.阻塞模式

阻塞模式是开发调试的常用方式，也是 dbray 任务提交后的默认行为。

提交后命令会停留在当前终端，实时输出远端作业的 stdout 和 stderr，体验接近本地直接运行：

Bash

1dbray job submit --config-file ~/.dbray/dbray.yaml -- python demo.py

关键行为：

可以实时看到程序输出。
Python 报错时可以直接看到 traceback。
按 Ctrl-C 只会中断本地日志 tail，不会终止远端作业。
如果需要真正停止远端作业，请使用 dbray job stop <sid>

2.非阻塞模式

非阻塞模式适合脚本化提交、批处理调度和后台运行。加上 --no-wait 后，命令会在提交成功后立即返回 submission id。

                Bash
                
                SID=$(dbray job submit --config-file ~/.dbray/dbray.yaml --no-wait \
  -- python demo.py | awk '/^Submitted:/ {print $2}')

提交后可以继续执行其他任务，之后再查询状态或查看日志：

                Bash
                
                sleep 60

dbray job status "$SID" --config-file ~/.dbray/dbray.yaml
dbray job logs   "$SID" --config-file ~/.dbray/dbray.yaml

适用场景：

CI/CD 或调度脚本中提交作业。
一次提交后立即返回，不阻塞当前 shell。
后续通过 status 和 logs 主动查询作业状态。

3.提交后离线观察

使用 --no-wait 提交长任务后，可以关闭本地终端。终端关闭不会影响远端任务执行。

Bash

1dbray job submit --config-file ~/.dbray/dbray.yaml --no-wait -- python long_train.py

之后可以重新打开终端，通过 submission id 查看日志：

                Bash
                
                dbray job logs <sid> --config-file ~/.dbray/dbray.yaml | less

说明：

远端作业生命周期不依赖本地终端。
logs 可用于后续追踪输出。
配合 less 可以更方便地翻页查看长日志。

2.status 查询作业状态

                Bash
                
                dbray job status <submission_id> [连接参数]

输出枚举之一：PENDING / RUNNING / SUCCEEDED / FAILED / STOPPED。

3.logs 获取作业日志

                Bash
                
                dbray job logs <submission_id> [连接参数] [-f|--follow]

不带 -f 时一次性拉到当前日志；带 -f 时实时 tail 到作业结束（Ctrl-C 中断 tail 不会停作业）。

4.stop 停止作业

                Bash
                
                dbray job stop <submission_id> [连接参数]

正常输出 stopped，作业转入 STOPPED 状态。已经 SUCCEEDED/FAILED 的作业 stop 是 no-op。

5.list 列出作业

Bash

1dbray job list [连接参数]

返回该 compute_id 下所有 ad-hoc 作业的 JSON 数组（按 ray dashboard 的 list_jobs 输出，出于安全考虑已做隐私处理：runtime_env 字段已移除，敏感元数据已替换为 "***"）。

示例：

                JSON
                
            

                [
  {
    "type": "SUBMISSION",
    "submission_id": "dbray-alice-20260627T125345-63bd06",
    "status": "SUCCEEDED",
    "entrypoint": "python demo.py",
    "message": "Job finished successfully.",
    "start_time": 1782564835594,
    "end_time": 1782564840321,
    "metadata": {},
    "driver_exit_code": 0
  },
  ...
]
            

6.env_vars 合并语义规则

env_vars 会按 key 独立合并，不是整体替换。

合并优先级从低到高如下：

优先级	来源	说明
1	DataBuilder 渲染的 `env_vars`	包括 STS / DataBuilder / Catalog 相关变量
2	dbray 默认环境变量	例如 `PYTHONDONTWRITEBYTECODE=1`
3	`--runtime-env` 文件中的 `env_vars`	项目级配置
4	`--runtime-env-json` 内联 `env_vars`	命令行临时覆盖，优先级最高

示例：

Bash

1--runtime-env-json '{"env_vars":{"X":"y"}}'

这只会设置或覆盖 X 这个 key，不会清空其他环境变量。

因此，即使用户只传了：

                JSON
                
                {"env_vars":{"X":"y"}}

dbray / DataBuilder 注入的 STS 凭证、Catalog 信息等仍然会保留。

示例1：内联 JSON

                Bash
                
                dbray job submit --config-file ~/.dbray/dbray.yaml \
  --runtime-env-json '{"env_vars":{"MY_DEBUG_FLAG":"0"}}' \
  -- python train.py

示例2：runtime_env 文件

my_env.yaml：

YAML

1env_vars:
2  MY_DEBUG_FLAG: "1"

提交作业时使用该配置文件：

Bash

1dbray job submit --config-file ~/.dbray/dbray.yaml \
2  --runtime-env ./my_env.yaml \
3  -- python train.py

示例3：文件与内联 JSON 叠加

runtime_env 文件作为基础配置，命令行内联 JSON 用于临时覆盖：

                Bash
                
                dbray job submit --config-file ~/.dbray/dbray.yaml \
  --runtime-env ./my_env.yaml \
  --runtime-env-json '{"env_vars":{"MY_DEBUG_FLAG":"0"}}' \
  -- python train.py

典型错误与排查

本节介绍常见报错的含义及处理方式，帮助您在使用过程中快速定位问题。

1.access_key is required

常见完整提示：

access_key is required: set --access-key, DATABUILDER_ACCESS_KEY_ID, or 'access_key' in --config-file. 含义：

dbray 没有拿到 AK。
同类报错也可能是 secret_key is required。

处理方式：

按第 4 节介绍的三种渠道，至少配置一种凭证来源。
检查 --access-key、DATABUILDER_ACCESS_KEY_ID、--config-file 里的 access_key 是否真的生效。

2.403 Forbidden / AccessDenied / 暂无操作权限

常见提示：

403 Forbidden {"code":"AccessDenied","message":"暂无操作权限"} 含义：

你的 AK/SK 没有对应 compute_id 的 USE 权限。

常见原因：

compute_id 不属于你的 workspace，可能是 --compute-id 写错了。
你确实没有被授权，需要 workspace owner 处理。

处理方式：

先确认 --compute-id 是否正确。
如果确认无误，联系 DataBuilder workspace owner 给你授权。

3.working_dir_shared path /xxx is not mounted on this worker

常见现象：

在作业 dashboard 上看到这条 message。

含义：

worker 上看不到你通过 --working-dir 指定的路径。

最常见原因：

你把工作目录放在了 /tmp/...、/home/... 这类非 PFS 路径。
PFS 挂载点在开发机和 worker 上不一致，例如开发机看到 /pfs/<ws>/proj，worker 看到 /mnt/pfs/<ws>/proj。

处理方式：

把代码移到正确的 PFS 路径下。
重新 cd 到该路径后再提交。
如果是挂载点路径不一致，请联系平台运维人员确认 PFS 挂载路径映射关系。

评价此篇文章

有帮助没帮助

PFS L2挂载使用

VS Code中使用ssh服务连接开发机

百度胜算

dbray使用手册

什么是dbray

前提条件

快速开始

1.准备dbray凭证

2.使用PFS模式提交任务

2.1 准备任务代码

2.2 提交执行任务

3.使用BOS模式提交任务

3.1 准备任务代码

3.2 提交任务

4.查看历史作业

配置凭证多种方式

1.配置文件方式

1.1 YAML 嵌套写法

1.2 YAML 顶层平铺写法：

1.3 JSON 写法：

2.使用环境变量

3.显式指定变量

三种方式的混合

常用指令列表

1.submit 提交作业

提交作业多种方式

1.阻塞模式

2.非阻塞模式

3.提交后离线观察

2.status 查询作业状态

3.logs 获取作业日志

4.stop 停止作业

5.list 列出作业

6.env_vars 合并语义规则

示例1：内联 JSON

示例2：runtime_env 文件

示例3：文件与内联 JSON 叠加

典型错误与排查

1.access_key is required

2.403 Forbidden / AccessDenied / 暂无操作权限

3.working_dir_shared path /xxx is not mounted on this worker