Навыки get-available-resources
🔍

get-available-resources

Низкий риск ⚙️ Внешние команды⚡ Содержит скрипты📁 Доступ к файловой системе

Определение системных ресурсов для научных вычислений

Также доступно от: davila7

Научно-вычислительные задачи нуждаются в информации об оборудовании, чтобы выбрать оптимальные вычислительные стратегии. Этот навык автоматически определяет количество ядер CPU, доступность GPU, память и дисковое пространство, затем формирует рекомендации по параллельной обработке и GPU-ускорению.

Поддерживает: Claude Codex Code(CC)
📊 69 Адекватно
1

Скачать ZIP навыка

2

Загрузить в Claude

Перейдите в Settings → Capabilities → Skills → Upload skill

3

Включите и начните использовать

Протестировать

Использование «get-available-resources». Run get-available-resources to check my system for training a deep learning model.

Ожидаемый результат:

  • CPU: 8 logical cores (4 physical) on x86_64
  • Memory: 32 GB total, 24 GB available
  • Disk: 512 GB total, 180 GB free
  • GPU: NVIDIA RTX 4090 (24GB VRAM) with CUDA backend
  • Recommendation: Use PyTorch with CUDA for GPU acceleration
  • Recommendation: 6 parallel workers for data loading

Использование «get-available-resources». Check resources before processing this genomics dataset.

Ожидаемый результат:

  • CPU: 16 logical cores on arm64 (Apple M2 Max)
  • Memory: 64 GB unified, 45 GB available
  • GPU: Apple Silicon with Metal backend
  • Recommendation: Dataset fits in memory, pandas is suitable
  • Recommendation: Use PyTorch MPS backend for any ML tasks
  • Recommendation: 14 workers for parallel file processing

Аудит безопасности

Низкий риск
v5 • 1/17/2026

The 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.

4
Просканировано файлов
1,073
Проанализировано строк
4
находки
5
Всего аудитов
Проблемы низкого риска (1)
scripts/detect_resources.py:267-268
JSON file output to disk
Skill writes a JSON file to disk (.claude_resources.json) containing system resource information. This is expected behavior but users should be aware.

Факторы риска

⚙️ Внешние команды (4)
scripts/detect_resources.py:87-93 scripts/detect_resources.py:122-128 scripts/detect_resources.py:156-161 scripts/detect_resources.py:177-182
⚡ Содержит скрипты (1)
scripts/detect_resources.py:255
📁 Доступ к файловой системе (1)
scripts/detect_resources.py:267-268
Проверено: claude Посмотреть историю аудитов →

Оценка качества

45
Архитектура
100
Сопровождаемость
87
Контент
21
Сообщество
88
Безопасность
91
Соответствие спецификации

Что вы можете построить

Оптимизация обработки больших наборов данных

Определите доступную память, чтобы понять, помещаются ли наборы данных в RAM или требуется пакетная обработка с Dask или Zarr.

Выбор бэкенда GPU-ускорения

Определите доступные бэкенды GPU (CUDA, Metal, ROCm), чтобы корректно настроить PyTorch или TensorFlow.

Настройка параллельных воркеров

Определите оптимальное число воркеров на основе ядер CPU для рабочих процессов joblib или multiprocessing.

Попробуйте эти промпты

Базовая проверка ресурсов 
Run get-available-resources to detect what hardware is available for this task.
Загрузка с учетом памяти 
Check available memory with get-available-resources, then recommend whether to use pandas or Dask for this 20GB CSV file.
Выбор GPU-бэкенда 
Run get-available-resources and tell me which PyTorch device to use based on detected GPU.
Настройка параллельной обработки 
Use get-available-resources to determine optimal n_jobs for this joblib Parallel grid search across 1000 parameter combinations.

Лучшие практики

  • Запускайте определение ресурсов в начале проектов до принятия архитектурных решений по загрузке данных и параллелизации.
  • Повторно запускайте навык, когда условия системы заметно меняются или перед крупными вычислительными задачами.
  • Храните сгенерированный файл .claude_resources.json в директориях проекта для документирования решений с учетом оборудования.

Избегать

  • Предполагать, что обнаруженные ресурсы остаются постоянными на протяжении длительных рабочих процессов без повторной проверки.
  • Игнорировать рекомендации по стратегии памяти и пытаться загружать наборы данных больше доступного RAM.
  • Использовать рекомендованное число воркеров, не учитывая другие процессы, потребляющие ресурсы CPU.

Часто задаваемые вопросы

Какие операционные системы поддерживает этот навык?
macOS (включая Apple Silicon M1-M4), Linux (GPU NVIDIA и AMD) и Windows (GPU NVIDIA).
Какие зависимости требуются?
Требуется пакет psutil для Python. Для определения GPU нужны nvidia-smi, rocm-smi или system_profiler в PATH.
Где сохраняется выходной файл?
По умолчанию .claude_resources.json создается в текущей рабочей директории. Используйте флаг -o для задания собственного пути.
Насколько точны показания памяти?
Показания памяти — это снимки на конкретный момент времени. Доступная память постоянно меняется вместе с активностью системы.
Что происходит, если определение GPU не удается?
Навык корректно обрабатывает отсутствие утилит GPU и сообщает, что GPU нет, с рекомендациями только для CPU.
Можно ли изменить пороги рекомендаций?
Да, отредактируйте функцию generate_recommendations в detect_resources.py, чтобы настроить пороги и стратегии.

Сведения для разработчиков

Автор

K-Dense-AI

Лицензия

MIT license

Репозиторий

https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/get-available-resources

Ссылка

main

Структура файлов

📁 scripts/

📄 detect_resources.py

📄 evaluation_output.json

📄 SKILL.md