get-available-resources
Détecter les ressources système pour le calcul scientifique
Également disponible depuis: davila7
Les tâches de calcul scientifique nécessitent des informations sur le matériel pour sélectionner des stratégies computationnelles optimales. Cette compétence détecte automatiquement les cœurs de processeur, la disponibilité GPU, la mémoire et l'espace disque, puis génère des recommandations pour le traitement parallèle et l'accélération GPU.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Tester
Utilisation de "get-available-resources". Exécuter get-available-resources pour vérifier mon système pour l'entraînement d'un modèle d'apprentissage profond.
Résultat attendu:
- CPU : 8 cœurs logiques (4 physiques) sur x86_64
- Mémoire : 32 Go total, 24 Go disponibles
- Disque : 512 Go total, 180 Go libres
- GPU : NVIDIA RTX 4090 (24Go VRAM) avec backend CUDA
- Recommandation : Utiliser PyTorch avec CUDA pour l'accélération GPU
- Recommandation : 6 workers parallèles pour le chargement de données
Utilisation de "get-available-resources". Vérifier les ressources avant de traiter cet ensemble de données génomiques.
Résultat attendu:
- CPU : 16 cœurs logiques sur arm64 (Apple M2 Max)
- Mémoire : 64 Go unifiés, 45 Go disponibles
- GPU : Apple Silicon avec backend Metal
- Recommandation : L'ensemble de données tient en mémoire, pandas est adapté
- Recommandation : Utiliser le backend MPS de PyTorch pour les tâches ML
- Recommandation : 14 workers pour le traitement parallèle de fichiers
Audit de sécurité
Risque faibleThe skill is safe to publish. All 50 static findings are false positives. The skill performs legitimate system resource detection using subprocess calls to standard system utilities (nvidia-smi, rocm-smi, sysctl, system_profiler) for GPU/CPU detection. All subprocess commands use hardcoded arguments in list format, preventing shell injection. The __import__ usage is for importing the standard datetime module. Markdown backticks triggered false positives for shell execution. 'Weak cryptographic algorithm' findings are scanner errors on non-cryptographic code.
Problèmes à risque faible (1)
Facteurs de risque
⚙️ Commandes externes (4)
⚡ Contient des scripts (1)
📁 Accès au système de fichiers (1)
Score de qualité
Ce que vous pouvez construire
Optimiser le traitement de grands ensembles de données
Détecter la mémoire disponible pour déterminer si les ensembles de données tiennent dans la RAM ou nécessitent un traitement fragmenté avec Dask ou Zarr.
Sélectionner le backend d'accélération GPU
Identifier les backends GPU disponibles (CUDA, Metal, ROCm) pour configurer correctement PyTorch ou TensorFlow.
Configurer les workers parallèles
Déterminer le nombre optimal de workers basé sur les cœurs de processeur pour les workflows joblib ou multiprocessing.
Essayez ces prompts
Exécuter get-available-resources pour détecter le matériel disponible pour cette tâche.
Vérifier la mémoire disponible avec get-available-resources, puis recommander s'il faut utiliser pandas ou Dask pour ce fichier CSV de 20 Go.
Exécuter get-available-resources et me dire quel appareil PyTorch utiliser selon le GPU détecté.
Utiliser get-available-resources pour déterminer n_jobs optimal pour ce grid search joblib Parallel à travers 1000 combinaisons de paramètres.
Bonnes pratiques
- Exécuter la détection de ressources au début des projets avant de prendre des décisions architecturales concernant le chargement de données et la parallélisation.
- Réexécuter la compétence lorsque les conditions du système changent significativement ou avant des tâches computationnelles majeures.
- Conserver le fichier .claude_resources.json généré dans les répertoires de projet pour documenter les décisions conscientes du matériel.
Éviter
- Supposer que les ressources détectées restent constantes tout au long de workflows longs sans re-vérification.
- Ignorer les recommandations de stratégie de mémoire et tenter de charger des ensembles de données plus grands que la RAM disponible.
- Utiliser les nombres de workers suggérés sans tenir compte d'autres processus consommant des ressources CPU.