可用资源检测

问题背景

在做数据分析、模型训练或大规模并行任务前，你往往不知道当前机器到底能扛多少：内存够不够装下数据集、有没有可用的 GPU 以及该用哪套后端、并行该开几个 worker、磁盘是否够写中间结果。凭感觉调参容易 OOM、空跑 CPU，或选错 Dask/Zarr 与 in-memory 路线。

技能如何工作

本技能通过运行 scripts/detect_resources.py 做一次系统快照，并在工作目录写出 .claude_resources.json，供后续决策引用。

检测范围包括：

• CPU：物理/逻辑核心、架构与型号、频率
• GPU：NVIDIA（nvidia-smi）、AMD（rocm-smi）、Apple Silicon（Metal / 统一内存）
• 内存与交换：总量、可用量、当前占用比例
• 磁盘：工作目录所在卷的总空间与可用空间
• 环境：操作系统、Python 版本等

策略建议（上下文感知） 会随检测结果给出，例如：

• 并行：8+ 核心时倾向 Dask/joblib/multiprocessing，worker 数常取「核心数 − 2」；核心较少时相应保守
• 内存：可用内存偏紧时提示核外处理（如 Dask/Zarr）；充裕时可考虑直接加载
• GPU：识别到 NVIDIA / AMD / Apple Silicon 时分别指向 PyTorch、ROCm、MPS/Metal 等常见栈；无 GPU 则强调 CPU 侧优化
• 磁盘：空间紧张时提醒压缩、流式或外存策略

典型用法是：在重计算任务开始前先跑检测，再读取 JSON 里的建议，再决定数据加载方式、并行度和是否上 GPU。

适用边界与注意

• 内存读数是瞬时快照，其它进程会改变「可用内存」；关键任务前可关无关应用或多次采样。
• GPU 未检出时，需确认驱动与 nvidia-smi / rocm-smi 等是否在 PATH，而非假定无卡。
• 检测脚本依赖 psutil；其余多为标准库。资源会随时间变化，扩并行或加大数据量前宜重新检测。
• 不同机器能力差异大，保留 .claude_resources.json 有助于记录「当时为何这样选架构」。