get-available-resources

get-available-resources 技能總覽

get-available-resources 技能可在你投入高負載的科學運算或 ML 工作流程前，先檢查這台機器的可用資源。它會偵測 CPU、GPU、記憶體與磁碟資源，再把結果轉成實用建議，讓你更少猜測地選擇平行處理、GPU 加速或記憶體安全的做法。

這個 get-available-resources skill 最適合剛要開始資料分析、模型訓練、大型檔案處理，或任何執行時間與可行性都取決於環境的任務。它的主要價值不只是回報規格，而是能在一開始就降低錯誤的執行選擇。

它會告訴你什麼

這個技能聚焦在會改變實作決策的訊號：可用的 CPU 核心數、是否有 GPU、應該遵守的記憶體上限，以及磁碟空間是否足夠放暫存資料、checkpoint 或快取產物。這讓輸出不只適合盤點資源，也適合工作流程自動化。

什麼情況下特別適合

當你的提示內容取決於系統容量時，就該使用 get-available-resources：像是「這能不能在本機跑？」、「我該用 Dask 還是直接用 pandas？」、「這裡 PyTorch GPU 可行嗎？」或「我要請多少 workers？」。當環境未知，或不同主機之間差異很大時，它特別有用。

它和其他方法有什麼不同

一般的提示詞可以猜策略，但這個技能的目的，是把猜測建立在目前機器條件上。get-available-resources guide 在你需要可重現的資源快照，外加能引導後續步驟的建議時，最有價值。

如何使用 get-available-resources 技能

安裝並找到技能

先從目錄清單中顯示的 repo path 安裝 get-available-resources install 套件，接著先打開 scientific-skills/get-available-resources/SKILL.md。因為這個 repository 沒有包含輔助腳本或額外的參考資料夾，所以主技能檔就是唯一的準則來源。

給它正確的輸入

當你清楚說出即將執行的任務，以及最可能卡住的點時，這個技能效果最好。例如：「我需要在 40 GB 的 CSV 上訓練一個 tabular model」就比「檢查資源」更有用。這類上下文能幫助 get-available-resources usage 的輸出，把容量對應到 batching、workers 數量或 GPU 選擇等決策上。

把輸出當成決策輔助

把結果視為起飛前檢查報告。如果記憶體偏緊，先在載入完整資料集前調整 pipeline；如果有 GPU 支援，就確認你實際使用的 framework/backend；如果磁碟空間不足，就先規劃更小的中間產物或改用其他 scratch 位置。這個技能最有用的地方，在於你能立刻依照建議採取動作。

好的提示詞長相

一個好的呼叫通常會包含三件事：工作內容、資料集或模型規模，以及偏好的 stack。例如：「在執行 1200 萬列的 pandas workflow 前，請先檢查資源，並建議該用 pandas、Polars 還是 Dask，以及一開始該設定多少 workers。」這類提示能讓技能輸出對 Workflow Automation 更有可執行性。

get-available-resources 技能 FAQ

這只適用於科學運算嗎？

不是。它最適合科學運算與 ML 任務，但任何可能碰到 CPU、GPU、RAM 或磁碟限制的工作流程都能受益。只要資源限制可能改變你的實作方案，get-available-resources skill 就是很合理的第一步。

如果我可以手動查看機器，還需要它嗎？

手動檢查當然可行，但這個技能把檢查包進可重複使用的工作流程，並且順手提供建議。當你希望在不同執行或不同 agent 之間，都套用同一套判斷邏輯時，這點就很重要。

什麼時候不該使用它？

不要把它當成效能分析的替代品。它告訴你的是「有什麼可用」，不是「你的工作負載實際會消耗多少」。如果你的任務很小、固定，或已經做過 benchmark，get-available-resources guide 可能幫助不大。

新手也能用嗎？

可以，只要你能用自然語言描述任務即可。主要學習曲線在於如何把建議和你的 stack 對照起來，尤其是在 CPU、GPU 或 out-of-core 方法之間做選擇時。

如何改進 get-available-resources 技能

講清楚工作負載，不只講目標

更好的輸入會描述規模與形狀：列數、檔案大小、模型類型、預期峰值記憶體，或任務是否屬於 embarrassingly parallel。像「處理一份 120 GB 的 parquet dataset」就遠比「分析我的資料」更好，因為這樣技能才能把建議圍繞在真正的瓶頸上。

點出你打算使用的 stack

如果你預計用 PyTorch、JAX、joblib、multiprocessing、Dask 或 Zarr，請直接說明。當 get-available-resources 的輸出能建議相容的執行路徑，而不是只丟出一個未必適用你程式碼的通用「用 GPU」答案時，它會有用得多。

注意常見失敗模式

最常見的錯誤，是把「可用」誤當成「可以全速用滿而且一定安全」。請保留給作業系統、notebook kernel、model overhead 與暫存檔案的餘裕。另一個常見錯誤，是在工作會產生 checkpoints、快取或中間陣列時忽略磁碟空間。這些限制和 RAM 一樣重要。

第一次檢查後要持續迭代

如果第一次結果顯示資源只是勉強夠用，就先修正計畫，再跑完整工作負載。降低 batch size、限制 workers、改成 chunked processing，或選更小的 model。每當環境有重大變動後，再用 get-available-resources skill 檢查一次，讓下一個決策依據的是目前條件，而不是假設。