get-available-resources
Detectar Recursos do Sistema para Computação Científica
Também disponível em: davila7
Tarefas de computação científica precisam de informações de hardware para selecionar estratégias computacionais otimizadas. Esta skill detecta automaticamente núcleos de CPU, disponibilidade de GPU, memória e espaço em disco, e gera recomendações para processamento paralelo e aceleração por GPU.
Baixar o ZIP da skill
Upload no Claude
Vá em Configurações → Capacidades → Skills → Upload skill
Ative e comece a usar
Testar
A utilizar "get-available-resources". Executar get-available-resources para verificar meu sistema para treinar um modelo de deep learning.
Resultado esperado:
- CPU: 8 núcleos lógicos (4 físicos) em x86_64
- Memória: 32 GB total, 24 GB disponível
- Disco: 512 GB total, 180 GB livre
- GPU: NVIDIA RTX 4090 (24GB VRAM) com backend CUDA
- Recomendação: Usar PyTorch com CUDA para aceleração GPU
- Recomendação: 6 workers paralelos para carregamento de dados
A utilizar "get-available-resources". Verificar recursos antes de processar este conjunto de dados de genômica.
Resultado esperado:
- CPU: 16 núcleos lógicos em arm64 (Apple M2 Max)
- Memória: 64 GB unificado, 45 GB disponível
- GPU: Apple Silicon com backend Metal
- Recomendação: Conjunto de dados cabe na memória, pandas é adequado
- Recomendação: Usar backend MPS do PyTorch para quaisquer tarefas de ML
- Recomendação: 14 workers para processamento paralelo de arquivos
Auditoria de Segurança
Baixo RiscoThe 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.
Problemas de Baixo Risco (1)
Fatores de risco
⚙️ Comandos externos (4)
⚡ Contém scripts (1)
📁 Acesso ao sistema de arquivos (1)
Pontuação de qualidade
O Que Você Pode Construir
Otimizar Processamento de Grandes Conjuntos de Dados
Detectar memória disponível para determinar se conjuntos de dados cabem na RAM ou requerem processamento chunked com Dask ou Zarr.
Selecionar Backend de Aceleração GPU
Identificar backends de GPU disponíveis (CUDA, Metal, ROCm) para configurar PyTorch ou TensorFlow corretamente.
Configurar Workers Paralelos
Determinar contagem ótima de workers baseada em núcleos de CPU para fluxos de trabalho joblib ou multiprocessing.
Tente Estes Prompts
Run get-available-resources para detectar qual hardware está disponível para esta tarefa.
Verificar memória disponível com get-available-resources, então recomendar se usar pandas ou Dask para este arquivo CSV de 20GB.
Executar get-available-resources e me dizer qual dispositivo PyTorch usar com base na GPU detectada.
Usar get-available-resources para determinar n_jobs ótimo para este grid search joblib Parallel através de 1000 combinações de parâmetros.
Melhores Práticas
- Executar detecção de recursos no início de projetos antes de tomar decisões arquiteturais sobre carregamento de dados e paralelização.
- Executar novamente a skill quando as condições do sistema mudarem significativamente ou antes de tarefas computacionais principais.
- Manter o arquivo .claude_resources.json em diretórios de projetos para documentar decisões baseadas em hardware.
Evitar
- Assumir que recursos detectados permanecem constantes ao longo de workflows longos sem verificar novamente.
- Ignorar recomendações de estratégia de memória e tentar carregar conjuntos de dados maiores que a RAM disponível.
- Usar contagem de workers sugerida sem considerar outros processos consumindo recursos de CPU.
Perguntas Frequentes
Quais sistemas operacionais esta skill suporta?
Quais dependências são necessárias?
Onde o arquivo de saída é salvo?
Quão precisas são as leituras de memória?
O que acontece se a detecção de GPU falhar?
Posso modificar os limites de recomendação?
Detalhes do Desenvolvedor
Autor
K-Dense-AILicença
MIT license
Repositório
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/get-available-resourcesReferência
main
Estrutura de arquivos