optimize-for-gpu
作者 K-Dense-AIoptimize-for-gpu 可搭配合適的函式庫選擇，將受 CPU 限制的 Python 轉為 NVIDIA GPU 程式碼。適用於陣列、DataFrame、ML pipelines、圖分析、影像處理、地理空間工作、向量搜尋與自訂 kernels。它會以實用的 optimize-for-gpu 使用方式與遷移建議，協助你在 CuPy、cuDF、cuML、cuGraph、cuCIM、cuVS、KvikIO、Numba CUDA 和 Warp 之間做出判斷。
這個技能的評分是 76/100，代表它很適合想要真正 GPU 加速工作流程，而不是只拿到泛用提示詞的使用者。前置觸發條件明確、正文內容完整，而且 repository 內包含多個 NVIDIA Python 函式庫的精準參考文件，因此目錄使用者可以做出相當可信的安裝決策。主要限制在於，它看起來比較偏向引導式手動使用，而不是高度自動化的觸發流程，但仍具備足夠的實務價值，值得收錄。
- 對 CUDA/GPU 加速與常見 Python 工作負載有明確的觸發涵蓋，包含 NumPy、pandas、scikit-learn、NetworkX，以及地理空間／影像管線。
- 技能內容量大且結構清楚，具有多個標題，沒有佔位符標記，顯示這不是示範骨架，而是真實的工作流程內容。
- 12 份函式庫專屬參考資料（CuPy、cuDF、cuML、cuGraph、cuSpatial、cuVS、cuCIM 等）提供具體實作指引，可降低試誤成本。
- SKILL.md 裡沒有安裝指令，因此使用者可能需要從參考資料自行推敲設定步驟。
- repository 證據顯示有參考文件，但沒有 scripts 或資源檔案，因此部分流程可能更依賴敘述式指引，而非可直接執行的自動化。
optimize-for-gpu 技能概覽
optimize-for-gpu 的功能
optimize-for-gpu 技能可以幫你把受 CPU 限制的 Python，轉成以 NVIDIA GPU 為目標的程式，而且重點是幫你選對函式庫，不只是丟一句泛泛的「改用 CUDA」。這個技能特別適合需要實作 optimize-for-gpu for Performance Optimization 的讀者，涵蓋陣列、DataFrame、ML pipeline、圖形工作負載、影像處理、地理空間分析，或自訂 kernel 等場景。
最適合的使用情境
當你想加速 NumPy、pandas、scikit-learn、NetworkX、scikit-image、GeoPandas，或 Faiss 類型的工作流程時，就很適合使用 optimize-for-gpu 技能；或者你已經知道問題夠平行化，值得交給 GPU 執行。它特別適合用來判斷該選 CuPy、cuDF、cuML、cuGraph、cuCIM、cuVS、KvikIO、Numba CUDA，還是 Warp。
它的不同之處
optimize-for-gpu 的核心價值在於函式庫選型與遷移指引。它不會硬推你走單一技術堆疊，而是幫你把工作負載的形狀對應到合適工具；這一點很重要，因為選錯 GPU 函式庫，可能會帶來額外摩擦、資料轉換成本，或碰到不支援的功能。
如何使用 optimize-for-gpu 技能
安裝並檢視這個技能
執行 optimize-for-gpu install 後，先把技能加到你的環境裡，再閱讀定義其判斷規則的原始檔。先看 SKILL.md，接著再打開 references/ 裡和你預計使用的函式庫相關的參考頁面。
把模糊目標轉成有用的提示詞
要讓 optimize-for-gpu usage 發揮效果，請提供模型：現有程式碼、資料集大小、GPU 型號、你偏好的目標函式庫（如果有的話），以及你想排除的效能瓶頸。差的提示是「幫我加速這段程式」；更好的提示則是「請把這段 pandas groupby pipeline 最佳化到 NVIDIA GPU，保持輸出完全一致，並盡量減少 host-device 資料傳輸」。
先讀對 repo 檔案
如果你在判斷 optimize-for-gpu 技能是否適用，先預覽 SKILL.md、references/cupy.md、references/cudf.md，以及最貼近你工作負載的函式庫指南，例如 references/cuml.md 或 references/cugraph.md。這條短路徑通常比把整個 repo 都翻過一遍，更快看出關鍵限制。
採用能避免錯配的工作流程
一個好的 optimize-for-gpu guide 工作流程是：先找出熱點迴圈，再把它對應到適合 GPU 的抽象層，接著確認資料傳輸成本，最後決定要用可直接替換的方案，還是需要寫自訂 kernel。如果程式依賴不規則的 Python 控制流程、很小的資料集，或不支援的第三方擴充，這個技能應該會引導你改走部分 GPU 路徑，或直接採用非 GPU 的修正方案。
optimize-for-gpu 技能 FAQ
optimize-for-gpu 比一般提示詞更好嗎？
通常是，尤其在任務涉及函式庫選擇、遷移策略或 GPU 限制時。一般提示詞可能只會籠統建議你用 CUDA；但當你需要在 CuPy、RAPIDS、Numba CUDA 或 Warp 之間走出一條具體路徑時，optimize-for-gpu skill 會更有用。
使用它需要 GPU 經驗嗎？
不需要。這個技能適合能清楚提供程式碼與目標的初學者。最重要的是把程式在做什麼、哪裡慢、哪些行為不能改講清楚，這樣指引才能幫你選出安全的遷移路徑。
什麼情況下不該用它？
如果工作負載很小、瓶頸主要在 I/O 或序列化，或程式高度依賴不支援的 CPU-only Python 行為，就不建議使用 optimize-for-gpu。在這些情況下，這個技能應該幫你避免誤導性的 GPU 重寫，而不是硬推你上 GPU。
它和 NVIDIA 技術堆疊的其他工具怎麼比？
optimize-for-gpu 是決策與遷移技能，不是單一函式庫包裝器。當你需要在動手寫程式前，先比較像是用 CuPy 做陣列運算、cuDF 處理表格資料、cuML 做 ML，或 cuGraph 做圖分析等選項時，它最有價值。
如何改善 optimize-for-gpu 技能
提供工作負載形狀，不要只給目標
最好的 optimize-for-gpu 結果，來自能看出運算模式的輸入：陣列大小、DataFrame 列數、圖的密度、影像尺寸、batch size，以及程式主要是向量化還是以迴圈為主。這些背景會決定 GPU 路徑是否夠快，值得把程式移植過去。
先把真正的限制說清楚
如果你最在意的是數值完全一致、低記憶體用量、多 GPU 擴充，或盡量少改程式碼，請一開始就講明。optimize-for-gpu 技能會依照你優先的是速度、相容性，還是改寫量，做出不同取捨。
把第一輪結果回傳再迭代
第一輪回答後，把它建議你改過的程式碼或函式庫選擇貼回來，並繼續問下一個瓶頸：傳輸、kernel fusion、精度，或 batching。這是提升 optimize-for-gpu usage 最快的方法，因為下一輪就能直接聚焦在真正限制效能的因素，而不是重述整個遷移計畫。