get-available-resources

get-available-resources 技能概览

get-available-resources 技能可以帮助你在投入高负载的科学计算或 ML 工作流之前，先确认机器条件。它会检测 CPU、GPU、内存和磁盘资源，再把这些信息转化为可执行的建议，让你更少靠猜测地在并行处理、GPU 加速或内存安全方案之间做选择。

它最适合准备开始数据分析、模型训练、大文件处理，或任何运行时间和可行性都取决于环境的场景。get-available-resources skill 的核心价值不只是报规格，而是尽早减少错误的执行决策。

它会告诉你什么

这个技能重点关注会改变实现方案的信号：可用的 CPU 核心数、是否存在 GPU、需要遵守的内存上限，以及磁盘空间是否足够放临时数据、checkpoint 或缓存产物。也就是说，它的输出对工作流自动化有实际帮助，而不只是做资产清点。

什么时候适合用

当你的问题取决于系统容量时，就该用 get-available-resources：例如“这个能不能在本地跑？”、“该用 Dask 还是直接用 pandas？”、“这里能不能用 PyTorch GPU？”或者“我应该申请多少个 worker？”当环境未知，或者不同主机之间配置变化很大时，它尤其有用。

它有什么不同

普通 prompt 可以猜策略，但这个技能的目标，是把这种判断锚定在当前机器条件上。get-available-resources guide 在你需要一份可复现的资源快照，并且希望附带能影响后续步骤的建议时，价值最大。

如何使用 get-available-resources 技能

安装并找到这个技能

从目录列表里显示的 repo 路径安装 get-available-resources install 包，然后先打开 scientific-skills/get-available-resources/SKILL.md。因为这个仓库没有包含辅助脚本或额外的参考文件夹，所以主 skill 文件就是唯一可信来源。

提供正确的输入

这个技能最适合在你明确说明即将运行的任务，以及最可能卡住的资源点时使用。比如，“我要在 40 GB 的 CSV 上训练一个表格模型”就比“检查资源”更有用。这样的上下文能帮助 get-available-resources usage 的输出，把容量判断映射到分批处理、worker 数量或 GPU 选择这类决策上。

把输出当作决策辅助

把结果视为一次起飞前检查。如果内存紧张，就在加载完整数据集之前调整流水线。如果检测到 GPU 支持，就确认你实际使用的框架和 backend 是否匹配。如果磁盘空间不足，就提前规划更小的中间文件，或者换一个 scratch 位置。这个技能最有用的地方，在于你能立刻根据建议行动。

合适的 prompt 结构

一个高质量的调用通常包含三项：任务、数据集或模型规模，以及你倾向的技术栈。比如：“在运行一个 1200 万行的 pandas 工作流之前，请检查资源，并建议我应该用 pandas、Polars 还是 Dask，以及一开始该开多少个 worker。”这种 prompt 能让 skill 输出更适合 Workflow Automation，也更便于直接执行。

get-available-resources 技能 FAQ

这个技能只适合科学计算吗？

不是。它最适合科学计算和 ML 任务，但任何可能碰到 CPU、GPU、RAM 或磁盘限制的工作流都能受益。如果资源约束会改变你的实现方案，get-available-resources skill 就是一个合理的第一步。

如果我可以手动检查机器，还需要它吗？

手动检查当然可行，但这个技能把检查封装成了可复用的工作流，并且会顺带给出建议。尤其当你希望同一套逻辑在不同运行或不同 agent 之间保持一致时，这一点就很重要。

什么时候不该用它？

不要把它当成性能分析的替代品。它告诉你“当前有哪些资源”，不是你的工作负载“实际会消耗多少资源”。如果你的任务很小、很固定，或者已经做过基准测试，get-available-resources guide 可能带来的价值就不大。

它适合新手吗？

适合，只要你能用自然语言描述任务。主要的学习成本，在于把建议结合你的技术栈来理解，尤其是在 CPU、GPU 和 out-of-core 方案之间做选择时。

如何改进 get-available-resources 技能

说清工作负载，不只是目标

更好的输入会描述规模和形态：行数、文件大小、模型类型、预期峰值内存，或者任务是否属于 embarrassingly parallel。比如“处理一个 120 GB 的 parquet 数据集”就远比“分析我的数据”更好，因为这样技能才能围绕真正的瓶颈给出建议。

说明你打算使用的技术栈

如果你预计会用 PyTorch、JAX、joblib、multiprocessing、Dask 或 Zarr，请直接说出来。只有当 get-available-resources 的输出能推荐一个兼容的执行路径，而不是笼统地说“用 GPU”这种未必适合你代码的答案时，它才真正有用。

留意常见失败模式

最常见的错误，是把“可用”理解成“可以满负荷安全使用”。要给操作系统、notebook kernel、模型开销和临时文件留余量。另一个常见问题，是在任务会生成 checkpoint、缓存或中间数组时忽略磁盘空间。这些约束和 RAM 一样重要。

在第一次检查后继续迭代

如果第一次结果显示资源比较边缘，就先调整方案，再跑完整工作负载。缩小 batch size、限制 worker 数、改成分块处理，或者换更小的模型。等环境发生明显变化后，再用一次 get-available-resources skill，这样下一次决策依据的是当前条件，而不是假设。