get-available-resources
과학적 연산을 위한 시스템 리소스 감지
또한 다음에서 사용할 수 있습니다: davila7
과학적 컴퓨팅 작업에는 최적의 계산 전략을 선택하기 위한 하드웨어 정보가 필요합니다. 이 스킬은 CPU 코어, GPU 가용성, 메모리 및 디스크 공간을 자동으로 감지한 다음, 병렬 처리와 GPU 가속에 대한 권장사항을 생성합니다.
스킬 ZIP 다운로드
Claude에서 업로드
설정 → 기능 → 스킬 → 스킬 업로드로 이동
토글을 켜고 사용 시작
테스트해 보기
"get-available-resources" 사용 중입니다. 딥러닝 모델 학습을 위해 내 시스템을 확인하기 위해 get-available-resources를 실행하세요.
예상 결과:
- CPU: x86_64에서 8개의 논리 코어(4개의 물리적 코어)
- Memory: 총 32GB, 사용 가능 24GB
- Disk: 총 512GB, 사용 가능 180GB
- GPU: CUDA 백엔드의 NVIDIA RTX 4090 (24GB VRAM)
- Recommendation: GPU 가속을 위해 PyTorch와 CUDA를 사용하세요
- Recommendation: 데이터 로딩을 위해 6개의 병렬 워커
"get-available-resources" 사용 중입니다. 이 유전체학 데이터셋을 처리하기 전에 리소스를 확인하세요.
예상 결과:
- CPU: arm64에서 16개의 논리 코어 (Apple M2 Max)
- Memory: 통합 64GB, 사용 가능 45GB
- GPU: Metal 백엔드의 Apple Silicon
- Recommendation: 데이터셋이 메모리에 들어갑니다, pandas가 적합합니다
- Recommendation: ML 작업에는 PyTorch MPS 백엔드를 사용하세요
- Recommendation: 병렬 파일 처리를 위해 14개의 워커
보안 감사
낮은 위험The 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.
낮은 위험 문제 (1)
위험 요인
품질 점수
만들 수 있는 것
대규모 데이터셋 처리 최적화
데이터셋이 RAM에 들어가는지 또는 Dask나 Zarr를 사용한 청크 처리가 필요한지 결정하기 위해 사용 가능한 메모리를 감지합니다.
GPU 가속 백엔드 선택
PyTorch 또는 TensorFlow를 올바르게 구성하기 위해 사용 가능한 GPU 백엔드(CUDA, Metal, ROCm)를 식별합니다.
병렬 처리 워커 구성
joblib 또는 다중 처리 워크플로우를 위해 CPU 코어에 기반한 최적의 워커 수를 결정합니다.
이 프롬프트를 사용해 보세요
이 작업에 사용 가능한 하드웨어를 감지하기 위해 get-available-resources를 실행하세요.
get-available-resources로 사용 가능한 메모리를 확인한 다음, 이 20GB CSV 파일에 대해 pandas를 사용할지 Dask를 사용할지 권장하세요.
get-available-resources를 실행하고 감지된 GPU에 따라 어떤 PyTorch 장치를 사용해야 하는지 알려주세요.
get-available-resources를 사용하여 1000개의 파라미터 조합에 대한 이 joblib Parallel 그리드 서치에 대한 최적의 n_jobs를 결정하세요.
모범 사례
- 데이터 로딩 및 병렬화에 대한 아키텍처적 결정을 내리기 전에 프로젝트 시작 시 리소스 감지를 실행하세요.
- 시스템 조건이 크게 변경되거나 주요 컴퓨팅 작업 전에 스킬을 다시 실행하세요.
- 하드웨어 인식 결정을 문서화하기 위해 프로젝트 디렉토리에 .claude_resources.json 파일을 유지하세요.
피하기
- 다시 확인하지 않고 감지된 리소스가 장기 실행 워크플로우 전체에서 일정하게 유지된다고 가정하는 것
- 메모리 전략 권장사항을 무시하고 사용 가능한 RAM보다 큰 데이터셋을 로드하려고 시도하는 것
- 다른 프로세스가 CPU 리소스를 소비하고 있는 것을 고려하지 않고 권장된 워커 수를 사용하는 것