get-available-resources

Get Available Resources - 系统资源检测与科学计算优化建议

技能概述

自动检测计算机的 CPU、GPU、内存和磁盘空间，生成资源报告并提供科学计算策略建议，帮助你选择合适的并行处理方案、GPU 加速库或内存优化策略。

适用场景

1. 大数据分析前

在处理 GB 级别的数据集之前，先检测可用内存和磁盘空间，判断数据能否加载到内存，还是需要使用 Dask、Zarr 等内存外处理方案。比如分析 50GB 的基因组数据时，技能会告诉你应该使用 Dask 分块处理还是可以直接用 pandas。

2. 模型训练前

训练神经网络之前，检测是否有可用的 GPU（NVIDIA CUDA、AMD ROCm 或 Apple Silicon Metal），以及应该使用哪个后端库（PyTorch、TensorFlow、JAX）和对应的加速版本。技能会根据检测到的硬件推荐最合适的 GPU 加速方案。

3. 并行处理前

在使用 joblib、multiprocessing 或 Dask 进行并行计算前，检测 CPU 核心数，确定最佳的 worker 数量，避免过度并行导致的性能下降。技能会根据你的 CPU 核心数给出具体的并行策略建议。

核心功能

1. 自动硬件检测

一键检测系统的完整硬件配置：CPU 核心数（物理/逻辑）、GPU 类型（NVIDIA/AMD/Apple Silicon）、内存总量和可用量、磁盘剩余空间。支持 nvidia-smi、rocm-smi 和 Apple Metal 的 GPU 检测，自动识别 PyTorch MPS、TensorFlow Metal、JAX Metal 等加速后端。

2. 智能资源建议

根据检测结果生成定制化的计算策略建议：并行处理方案（高/中/低并行度）、内存策略（内存受限/适中/充足）、GPU 加速方案（推荐使用哪个库）、大文件处理方案（流式/压缩/Zarr）。所有建议都基于实际资源情况，避免盲目选择导致的性能问题。

3. JSON 资源报告

生成 .claude_resources.json 文件，包含完整的系统信息和建议，可以被代码直接读取使用。报告中包含具体数值（如建议使用 6 个 worker、可用 8.5GB 内存），方便在 Python 代码中根据资源情况动态调整计算策略。

常见问题

如何检测我的电脑是否有 GPU？

运行检测脚本后，查看生成的 JSON 文件中的 gpu 部分。如果有 NVIDIA GPU，会显示在 nvidia_gpus 数组中；如果是 Apple Silicon（M1/M2/M3/M4），会显示在 apple_silicon 对象中。技能还会在 available_backends 中列出可用的加速后端，如 CUDA、ROCm 或 Metal。

如何知道数据集能否加载到内存？

查看 JSON 报告中 memory 的 available_gb 字段，这是当前可用的内存大小。如果数据集大小超过可用内存的 50%，建议使用 Dask 或 Zarr 进行分块处理。技能的 memory_strategy 建议会告诉你当前是"内存受限"（<4GB）、"适中"（4-16GB）还是"充足"（>16GB），并给出对应的处理策略。

如何确定并行处理应该用多少个 worker？

查看 JSON 报告中 recommendations.parallel_processing 的 suggested_workers 字段。技能会根据 CPU 核心数自动计算推荐的 worker 数量：高并行度（8+ 核）时建议核心数减 2，中等并行度（4-7 核）时建议核心数减 1，避免过度并行导致资源竞争。还会推荐使用 joblib、multiprocessing 还是 Dask。