get-available-resources
Detectar recursos do sistema para computação científica
Auch verfügbar von: K-Dense-AI
Tarefas de computação científica requerem recursos de hardware apropriados para executar de forma eficiente. Esta skill detecta automaticamente núcleos de CPU, disponibilidade de GPU, memória e espaço em disco para recomendar estratégias computacionais e escolhas de bibliotecas ideais.
Die Skill-ZIP herunterladen
In Claude hochladen
Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen
Einschalten und loslegen
Teste es
Verwendung von "get-available-resources". Detectar recursos disponíveis do sistema
Erwartetes Ergebnis:
- CPU: 8 núcleos (arquitetura arm64)
- Memória: 16 GB total, 8.5 GB disponível
- GPU: Apple M2 detectada com backend Metal
- Recomendação: Use alto paralelismo com 6 workers
- Recomendação: Aceleração por GPU disponível via PyTorch-MPS
Verwendung von "get-available-resources". Verificar se posso treinar um modelo localmente
Erwartetes Ergebnis:
- GPU NVIDIA detectada com 8GB VRAM
- Backend: CUDA disponível
- Bibliotecas sugeridas: PyTorch, TensorFlow, JAX
- Memória: 32 GB RAM disponível - suficiente para a maioria dos conjuntos de dados
- Workers paralelos recomendados: 6
Sicherheitsaudit
SicherThis is a legitimate system resource detection script for scientific computing. All subprocess calls use hardcoded command names (nvidia-smi, rocm-smi, sysctl, system_profiler) to standard system utilities with list arguments (no shell injection risk). File write at line 267 outputs to a predictable local JSON file for resource data storage. No network calls, data exfiltration, credential access, or persistence mechanisms found. The static findings are false positives triggered by pattern matching on subprocess and file operations without semantic context.
Risikofaktoren
⚙️ Externe Befehle (4)
📁 Dateisystemzugriff (1)
⚡ Enthält Skripte (1)
Qualitätsbewertung
Was du bauen kannst
Analisar grandes conjuntos de dados
Determinar se os conjuntos de dados cabem na memória ou requerem Dask, Zarr ou processamento fora do núcleo
Treinar redes neurais
Verificar disponibilidade de GPU e selecionar backend apropriado para PyTorch, TensorFlow ou JAX
Executar simulações
Identificar contagem ideal de workers para processamento paralelo com joblib ou multiprocessing
Probiere diese Prompts
Use a skill get-available-resources para detectar CPU, GPU, memória e recursos de disco disponíveis
Execute get-available-resources e recomende se devo usar Dask, Zarr ou processamento em memória
Use get-available-resources para verificar disponibilidade de GPU e sugerir bibliotecas ideais para meu hardware
Execute detecção de recursos e determine o número ideal de workers paralelos para processamento
Bewährte Verfahren
- Execute detecção de recursos no início de cada sessão de projeto
- Execute novamente antes de escalar workers paralelos ou tamanhos de dados
- Salve o arquivo .claude_resources.json em diretórios de projeto para documentação
Vermeiden
- Executar detecção de recursos uma vez e ignorar a mudança na disponibilidade de recursos
- Assumir disponibilidade de GPU sem verificar (nvidia-smi pode não estar instalado)
- Usar todos os núcleos disponíveis para processamento paralelo sem deixar margem para operações do sistema