在计算密集型科学任务开始前检测并报告可用系统资源（CPU、GPU、内存、磁盘），输出资源清单与策略建议，帮助决策是否采用并行处理、核外计算或 GPU 加速。

获取可用资源

概述

检测可用计算资源并为科学计算任务生成策略建议。此技能自动识别CPU能力、GPU可用性（NVIDIA CUDA、AMD ROCm、Apple Silicon Metal）、内存约束和磁盘空间，以帮助做出关于计算方法的明智决策。

何时使用此技能

在以下情况下主动使用此技能：

数据分析之前：确定数据集是否可以加载到内存中或需要核外处理
模型训练之前：检查GPU加速是否可用以及使用哪个后端
并行处理之前：为joblib、multiprocessing或Dask识别最佳工作线程数
大型文件操作之前：验证足够的磁盘空间和适当的存储策略
项目初始化时：了解基线功能以做出架构决策

示例场景：

"帮我分析这个50GB的基因组数据集" → 首先使用此技能确定是否需要Dask/Zarr
"在这个数据上训练神经网络" → 使用此技能检测可用GPU和后端
"并行处理10,000个文件" → 使用此技能确定最佳工作线程数
"运行计算密集型模拟" → 使用此技能了解资源约束

此技能如何工作

资源检测

此技能运行scripts/detect_resources.py以自动检测：

CPU信息

物理和逻辑核心数
处理器架构和型号
CPU频率信息

GPU信息

NVIDIA GPU：通过nvidia-smi检测，报告VRAM、驱动版本、计算能力
AMD GPU：通过rocm-smi检测
Apple Silicon：检测具有Metal支持和统一内存的M1/M2/M3/M4芯片

内存信息

总内存和可用内存
当前内存使用百分比
交换空间可用性

磁盘空间信息

工作目录的总磁盘空间和可用磁盘空间
当前使用百分比

操作系统信息

操作系统类型（macOS、Linux、Windows）
操作系统版本和发布
Python版本

输出格式

此技能在当前工作目录中生成.claude_resources.json文件，包含：

{
  "timestamp": "2025-10-23T10:30:00",
  "os": {
    "system": "Darwin",
    "release": "25.0.0",
    "machine": "arm64"
  },
  "cpu": {
    "physical_cores": 8,
    "logical_cores": 8,
    "architecture": "arm64"
  },
  "memory": {
    "total_gb": 16.0,
    "available_gb": 8.5,
    "percent_used": 46.9
  },
  "disk": {
    "total_gb": 500.0,
    "available_gb": 200.0,
    "percent_used": 60.0
  },
  "gpu": {
    "nvidia_gpus": [],
    "amd_gpus": [],
    "apple_silicon": {
      "name": "Apple M2",
      "type": "Apple Silicon",
      "backend": "Metal",
      "unified_memory": true
    },
    "total_gpus": 1,
    "available_backends": ["Metal"]
  },
  "recommendations": {
    "parallel_processing": {
      "strategy": "high_parallelism",
      "suggested_workers": 6,
      "libraries": ["joblib", "multiprocessing", "dask"]
    },
    "memory_strategy": {
      "strategy": "moderate_memory",
      "libraries": ["dask", "zarr"],
      "note": "Consider chunking for datasets > 2GB"
    },
    "gpu_acceleration": {
      "available": true,
      "backends": ["Metal"],
      "suggested_libraries": ["pytorch-mps", "tensorflow-metal", "jax-metal"]
    },
    "large_data_handling": {
      "strategy": "disk_abundant",
      "note": "Sufficient space for large intermediate files"
    }
  }
}

策略建议

此技能生成上下文感知的建议：

并行处理建议：

高并行度（8+核心）：使用Dask、joblib或multiprocessing，工作线程数 = 核心数 - 2
中等并行度（4-7核心）：使用joblib或multiprocessing，工作线程数 = 核心数 - 1
顺序（< 4核心）：首选顺序处理以避免开销

内存策略建议：

内存受限（< 4GB可用）：使用Zarr、Dask或H5py进行核外处理
中等内存（4-16GB可用）：对大于2GB的数据集使用Dask/Zarr
内存充足（> 16GB可用）：可以直接将大多数数据集加载到内存中

GPU加速建议：

检测到NVIDIA GPU：使用PyTorch、TensorFlow、JAX、CuPy或RAPIDS
检测到AMD GPU：使用PyTorch-ROCm或TensorFlow-ROCm
检测到Apple Silicon：使用带有MPS后端的PyTorch、TensorFlow-Metal或JAX-Metal
未检测到GPU：使用CPU优化库

大数据处理建议：

磁盘受限（< 10GB）：使用流式或压缩策略
中等磁盘（10-100GB）：使用Zarr、H5py或Parquet格式
磁盘充足（> 100GB）：可以自由创建大型中间文件

使用说明

步骤1：运行资源检测

在任何计算密集型任务开始时执行检测脚本：

python scripts/detect_resources.py

可选参数：

-o, --output <path>：指定自定义输出路径（默认：.claude_resources.json）
-v, --verbose：将完整资源信息打印到stdout

步骤2：读取并应用建议

运行检测后，读取生成的.claude_resources.json文件以通知计算决策：

# 示例：在代码中使用建议
import json

with open('.claude_resources.json', 'r') as f:
    resources = json.load(f)

# 检查并行处理策略
if resources['recommendations']['parallel_processing']['strategy'] == 'high_parallelism':
    n_jobs = resources['recommendations']['parallel_processing']['suggested_workers']
    # 使用joblib、Dask或multiprocessing，工作线程数为n_jobs

# 检查内存策略
if resources['recommendations']['memory_strategy']['strategy'] == 'memory_constrained':
    # 使用Dask、Zarr或H5py进行核外处理
    import dask.array as da
    # 分块加载数据

# 检查GPU可用性
if resources['recommendations']['gpu_acceleration']['available']:
    backends = resources['recommendations']['gpu_acceleration']['backends']
    # 根据可用后端使用适当的GPU库

步骤3：做出明智决策

使用资源信息和建议做出战略选择：

对于数据加载：

memory_available_gb = resources['memory']['available_gb']
dataset_size_gb = 10

if dataset_size_gb > memory_available_gb * 0.5:
    # 数据集相对于内存较大，使用Dask
    import dask.dataframe as dd
    df = dd.read_csv('large_file.csv')
else:
    # 数据集适合内存，使用pandas
    import pandas as pd
    df = pd.read_csv('large_file.csv')

对于并行处理：

from joblib import Parallel, delayed

n_jobs = resources['recommendations']['parallel_processing'].get('suggested_workers', 1)

results = Parallel(n_jobs=n_jobs)(
    delayed(process_function)(item) for item in data
)

对于GPU加速：

import torch

if 'CUDA' in resources['gpu']['available_backends']:
    device = torch.device('cuda')
elif 'Metal' in resources['gpu']['available_backends']:
    device = torch.device('mps')
else:
    device = torch.device('cpu')

model = model.to(device)

依赖项

检测脚本需要以下Python包：

uv pip install psutil

所有其他功能使用Python标准库模块（json、os、platform、subprocess、sys、pathlib）。

平台支持

macOS：完全支持，包括Apple Silicon（M1/M2/M3/M4）GPU检测
Linux：完全支持，包括NVIDIA（nvidia-smi）和AMD（rocm-smi）GPU检测
Windows：完全支持，包括NVIDIA GPU检测

最佳实践

尽早运行：在项目开始时或主要计算任务之前执行资源检测
定期重新运行：系统资源随时间变化（内存使用、磁盘空间）
扩展前检查：在扩展并行工作线程或数据大小之前验证资源
记录决策：在项目目录中保留.claude_resources.json文件以记录资源感知决策
配合版本控制使用：不同机器具有不同功能；资源文件有助于保持可移植性

故障排除

未检测到GPU：

确保安装了GPU驱动程序（nvidia-smi、rocm-smi或Apple Silicon的system_profiler）
检查GPU实用程序是否在系统PATH中
验证GPU未被其他进程使用

脚本执行失败：

确保安装了psutil：uv pip install psutil
检查Python版本兼容性（Python 3.6+）
验证脚本具有执行权限：chmod +x scripts/detect_resources.py

内存读数不准确：

内存读数是快照；实际可用内存不断变化
在检测前关闭其他应用程序以获得准确的"可用"内存
考虑多次运行检测并平均结果

获取可用资源