如何在 Linux 系统中精准监控 CPU 与 GPU 温度：从命令行到图形界面的完全指南

2026-02-12 02:35:05 0条评论 1次阅读 0人点赞

作为 Linux 用户或系统管理员，在这个算力需求呈指数级增长的 2026 年，保持系统的热平衡显得尤为重要。你可能经历过这样的时刻：正在进行高强度的 LLM 本地推理，或者运行着复杂的 Docker 容器集群，突然风扇狂转，系统开始卡顿。这往往是硬件发出的过热警报。在现代 AI 辅助开发（Vibe Coding）和高性能计算无处不在的今天，这不仅仅是一个 annoyance（烦恼），更是生产力的杀手。

在这篇文章中，我们将深入探讨如何在 Linux 环境下精准监控 CPU 和 GPU 的温度。我们不仅要学习传统的查看方法，还要融入 2026 年的先进开发理念，结合可观测性和自动化运维思维，为你构建一套现代化的系统热管理方案。

1 为什么要关注硬件温度？（2026 视角）
2 基础回顾：使用 sensors 命令
3 方法 2: 使用 Glances 进行全系统概览
4 新视角：构建企业级温度监控与响应系统
5 高级技巧：监控现代 GPU 和 AI 加速器 (2026)
6 常见问题与解决方案 (FAQ)
7 总结与最佳实践

为什么要关注硬件温度？（2026 视角）

在我们开始动手之前，让我们更新一下共识：温度监控不再仅仅是为了看数字，而是为了维持计算效率的“绿色指标”和硬件的长期健康。

随着 AI 原生应用的普及，我们的工作流发生了巨大变化。当我们使用 Cursor 或 Windsurf 这样的现代 IDE 进行开发时，后台往往运行着数十个索引服务或 AI 模型。长时间在临界高温下运行敏感的计算机部件（如 CPU 和 NPU）会触发现代处理器的激进热节流机制。

通过实时监控温度并结合 AI 辅助分析，我们可以做到以下几点：

智能性能调优：利用工具收集的历史数据，训练简单的预测模型，预判系统在高负载下的热表现。
预防性维护：在风扇故障或导热硅脂干涸前，通过异常的温度曲线发现潜在硬件故障。
云原生与边缘计算的热管理：在边缘节点上，通过动态电压频率调整（DVFS）来平衡能耗与散热。

基础回顾：使用 `sensors` 命令

对于习惯在终端中工作的我们来说，lm-sensors 依然是监控硬件温度最直接的工具。

安装与配置

大多数 Linux 发行版可能需要手动安装。执行以下命令完成设置：

# 使用 apt 包管理器进行安装
sudo apt-get update
sudo apt-get install lm-sensors

# RHEL/CentOS/Fedora 系统安装命令
sudo dnf install lm_sensors

步骤 2：检测硬件传感器

# 执行自动检测脚本（一路按 ENTER 即可）
sudo sensors-detect

步骤 3：读取数据

# 直接输入 sensors 命令查看当前温度
sensors

实战技巧：持续监控

结合 watch 命令，我们可以打造一个简易的仪表盘：

# 每 2 秒刷新一次传感器数据
watch -n 2 sensors

方法 2: 使用 `Glances` 进行全系统概览

如果你觉得 sensors 提供的信息太单一，Glances 是绝佳的选择。它不仅能监控本机，还能通过 Web 界面或 C/S 模式监控远程服务器。

安装与 Web 服务器模式（现代开发必备）

在现代远程开发环境中，我们经常需要通过浏览器监控无头服务器。Glances 的 Web 模式完美契合这一需求。

# 对于 Debian/Ubuntu 用户
sudo apt install glances -y

# 在服务器端启动 Web 模式，绑定本机所有 IP
# -w 启动 Web 服务器，-B 绑定地址（可选）
sudo glances -w

此时，在另一台设备的浏览器中输入 http://:61208。你将看到一个包含温度、负载、内存的现代化控制台。这对于管理部署在边缘端的 Linux 容器集群非常有用。

新视角：构建企业级温度监控与响应系统

传统的命令行工具适合即时查看，但在 2026 年的 DevOps 和自动化运维场景下，我们需要更智能、可编程的解决方案。让我们深入探讨如何使用 Python 构建一个具有可观测性和自动化响应能力的监控系统。

为什么需要编程方式？

你可能遇到过这样的情况：深夜运行训练任务，结果 GPU 过热导致系统死机。这时候，被动的监控是不够的。我们需要主动干预。利用 Python 的 INLINECODEf539a8c0 库，我们可以读取传感器数据，并结合 INLINECODEedf91409 库打造美观的终端输出，甚至编写自动脚本，当温度过高时自动停止任务或发送告警。

实战：编写生产级监控脚本

让我们来看一个实际的例子。我们将编写一个不仅能显示温度，还能根据温度进行颜色编码，并记录日志以便后续分析的 Python 脚本。这符合我们提到的“LLM 驱动的调试”理念——通过结构化的日志，我们可以更好地把数据喂给 AI 进行分析。

首先，确保安装了必要的库：

pip install psutil rich

下面是我们编写的高级监控脚本（smart_monitor.py）：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Smart Thermal Monitor (2026 Edition)
结合 psutil 和 rich 库，提供彩色的、可记录的系统热状态监控。
包含基本的阈值告警功能，适用于自动化运维脚本。
"""

import time
import shutil
import json
from datetime import datetime
from rich.console import Console
from rich.table import Table
from rich.live import Live
import psutil

# 初始化 Rich Console，用于美化终端输出
console = Console()

def get_temperatures():
    """
    使用 psutil 读取硬件温度。
    psutil 是一个跨平台库，能够获取传感器信息。
    如果系统未配置传感器，这里可能会返回空列表。
    """
    temps = psutil.sensors_temperatures()
    if not temps:
        return []
    
    data = []
    # 遍历所有传感器（如 coretemp, acpitz, nvidia）
    for name, entries in temps.items():
        for entry in entries:
            # entry 是一个 named tuple: (label, current, high, critical)
            data.append({
                "sensor": name,
                "label": entry.label or ‘N/A‘,
                "current": entry.current,
                "high": entry.high,
                "critical": entry.critical
            })
    return data

def generate_display_table(temp_data):
    """
    生成一个美观的 Rich 表格用于展示。
    根据 high 阈值动态改变颜色（绿色/黄色/红色）。
    """
    table = Table(title="系统实时热状态监控", show_header=True, header_style="bold magenta")
    table.add_column("传感器", style="dim", width=20)
    table.add_column("标签", width=15)
    table.add_column("当前温度", justify="right")
    table.add_column("状态", justify="center")

    for item in temp_data:
        current_temp = item[‘current‘]
        high_threshold = item[‘high‘]
        
        # 简单的状态判定逻辑
        if high_threshold is None:
            status = "[green]正常"
        elif current_temp >= high_threshold:
            status = "[bold red]过热警告"
        else:
            status = "[green]正常"
            
        # 格式化温度显示，保留一位小数
        temp_str = f"{current_temp:.1f}°C"
        
        table.add_row(
            item[‘sensor‘], 
            item[‘label‘], 
            temp_str, 
            status
        )
    return table

def main():
    try:
        with Live(generate_display_table([]), refresh_per_second=1) as live:
            while True:
                # 获取最新数据
                temps = get_temperatures()
                # 如果没有数据，给出提示
                if not temps:
                    console.print("[yellow]未检测到硬件传感器，请确保已运行 ‘sensors-detect‘ 并加载了内核模块。")
                    time.sleep(5)
                    continue
                
                # 更新表格
                live.update(generate_display_table(temps))
                time.sleep(2) # 控制刷新频率
    except KeyboardInterrupt:
        console.print("
[blue]监控已停止。保持冷静，继续编码！")

if __name__ == "__main__":
    main()

深入解读代码逻辑

在这个脚本中，我们不仅仅是在打印数字。让我们思考一下这个场景：你正在运行一个长耗时的脚本，如果只是看终端，很容易错过瞬间的温度尖峰。

容错处理：注意我们在 INLINECODE5daccff8 中检查了 INLINECODE700eb988。这在很多云主机或虚拟机中非常重要，因为它们通常没有物理传感器。如果没有这一步检查，脚本可能会直接崩溃，这在生产环境中是不可接受的。
可视化阈值：在 INLINECODE20c55cee 函数中，我们引入了简单的颜色逻辑。当温度超过 INLINECODEaa1fda44 阈值时，文字变红。这种即时反馈机制比盯着纯数字要高效得多，符合现代 UX 设计理念。

高级技巧：监控现代 GPU 和 AI 加速器 (2026)

随着 AI 的发展，我们的机器上可能不仅有传统的 NVIDIA GPU，还有各种 NPU（如 Intel NPU 或专用加速卡）。传统的 nvidia-smi 虽然经典，但在异构计算环境中显得力不从心。

针对 NVIDIA 显卡的现代化监控

如果你使用的是 NVIDIA 显卡，nvidia-smi 依然是核心工具。但在 2026 年，我们更推荐使用其 循环监控模式 并结合 DCGM (Data Center GPU Manager) 进行更深入分析。

# 持续监控，每 1 秒刷新一次，显示更详细的功耗和温度
watch -n 1 nvidia-smi

实用见解：注意观察 INLINECODEed1cd0b4 和 INLINECODE419f8487 的关系。如果温度很高但功耗很低，通常意味着散热器失效（硅脂干了或风扇坏了）；如果功耗和温度都很高，说明负载确实打满了。这对于诊断“为什么我的 LLM 推理这么慢”非常有帮助。

新兴技术：Python 方案监控 GPU

为了统一 CPU 和 GPU 的监控接口（避免在不同工具间切换），我们可以利用 Python 的 pynvml 库。这对于编写统一监控面板非常有用。

# 需要安装: pip install nvidia-ml-py3
import pynvml

def get_gpu_status():
    try:
        pynvml.nvmlInit()
        handle = pynvml.nvmlDeviceGetHandleByIndex(0)
        temp = pynvml.nvmlDeviceGetTemperature(handle, pynvml.NVML_TEMPERATURE_GPU)
        utilization = pynvml.nvmlDeviceGetUtilizationRates(handle)
        return f"GPU Temp: {temp}°C | GPU Util: {utilization.gpu}%"
    except Exception as e:
        return f"GPU Monitor Error: {str(e)}"

常见问题与解决方案 (FAQ)

问题 1：运行脚本时显示 AttributeError: module ‘psutil‘ has no attribute ‘sensors_temperatures‘。

原因：这通常是因为你的 psutil 版本过旧，或者是在某些最小化安装的 Linux 容器（如 Docker 镜像）中运行。
解决方法：升级 psutil (INLINECODE88375b2b)。如果在 Docker 中，确保使用了 INLINECODE41373cc2 模式或者挂载了主机设备。

问题 2：我的 Intel NPU 温度无法显示。

原因：这是前沿技术带来的问题。截至 2026 年，许多 Linux 发行版内核尚未完全集成所有 NPU 的热传感器驱动。
解决方法：查阅你的硬件厂商（如 Intel）提供的“AI 工具包”，通常需要安装特定的内核模块（如 INLINECODE28ae9175）才能在 INLINECODEe606ef40 命令中看到数据。

问题 3：Glances 显示的温度和 BIOS 里显示的不一致。

原因：这是常见的“TjMax”差异问题。Linux 读取的是距离最大结温的差值，或者是不同核心的平均值，而 BIOS 显示的通常是特定的“点”温度。
解决方法：以 Linux 传感器显示的 Package id 温度为准，这是操作系统在做频率调节时参考的数值。

总结与最佳实践

通过这篇文章，我们从基础的工具出发，探索了使用 Python 构建现代化监控方案的可能性。作为技术爱好者，在 2026 年，我们建议你不仅仅满足于查看数字：

自动化是关键：将温度监控脚本集成到你的 CI/CD 流水线中。如果是进行编译任务，温度过高就自动降低并发数 (INLINECODE9008cc6d 而不是 INLINECODEcdfe785f)。
数据驱动决策：利用日志记录你的系统温度趋势，这在判断是否需要更换硅脂或升级散热时，比凭感觉要准确得多。
拥抱 AI 辅助：如果你对监控脚本有特殊需求，不妨将你的报错信息发给 AI，让它帮你生成针对你特定硬件的定制化代码。

Linux 赋予了我们控制系统的自由，而理解温度则是掌控硬件性能的第一步。希望这篇指南能帮助你更好地维护你的 Linux 系统，让它始终保持在“冷静”的高效状态。

投稿给我们	如何建站？
vps是什么？	如何安装宝塔？
如何通过博客赚钱？	便宜wordpress托管方案
免费wordpress主题	这些都是免费方案

豆丁博客

如何在 Linux 系统中精准监控 CPU 与 GPU 温度：从命令行到图形界面的完全指南

为什么要关注硬件温度？（2026 视角）

基础回顾：使用 `sensors` 命令

安装与配置

实战技巧：持续监控

方法 2: 使用 `Glances` 进行全系统概览

安装与 Web 服务器模式（现代开发必备）

新视角：构建企业级温度监控与响应系统

为什么需要编程方式？

实战：编写生产级监控脚本

深入解读代码逻辑

高级技巧：监控现代 GPU 和 AI 加速器 (2026)

针对 NVIDIA 显卡的现代化监控

新兴技术：Python 方案监控 GPU

常见问题与解决方案 (FAQ)

总结与最佳实践

相关文章美国1G带宽/1T流量高速vps $17.99/年

如何在 Linux 系统中精准监控 CPU 与 GPU 温度：从命令行到图形界面的完全指南

为什么要关注硬件温度？（2026 视角）

基础回顾：使用 sensors 命令

安装与配置

实战技巧：持续监控

方法 2: 使用 Glances 进行全系统概览

安装与 Web 服务器模式（现代开发必备）

新视角：构建企业级温度监控与响应系统

为什么需要编程方式？

实战：编写生产级监控脚本

深入解读代码逻辑

高级技巧：监控现代 GPU 和 AI 加速器 (2026)

针对 NVIDIA 显卡的现代化监控

新兴技术：Python 方案监控 GPU

常见问题与解决方案 (FAQ)

总结与最佳实践

相关文章美国1G带宽/1T流量高速vps $17.99/年

基础回顾：使用 `sensors` 命令

方法 2: 使用 `Glances` 进行全系统概览