利用可能なリソースの取得

概要

計算リソースを検出し、科学計算タスク用の戦略的推奨事項を生成します。このスキルは、CPUの機能、GPU の可用性（NVIDIA CUDA、AMD ROCm、Apple Silicon Metal）、メモリ制約、ディスク容量を自動的に識別し、計算アプローチについて情報に基づいた決定を行うのに役立ちます。

このスキルの使用タイミング

計算集約的なタスクの前に積極的にこのスキルを使用してください。

• データ分析の前：データセットをメモリにロードできるか、またはアウトオブコア処理が必要かを判定
• モデルトレーニングの前：GPU加速が利用可能かどうか、どのバックエンドを使用するかを確認
• 並列処理の前：joblib、multiprocessing、Daskの最適なワーカー数を特定
• 大規模ファイル操作の前：ディスク空き容量が十分か、どのストレージ戦略を使用するかを確認
• プロジェクト初期化時：アーキテクチャ決定のためのベース機能を理解

シナリオ例：

• 「50GBのゲノミクスデータセットを分析するのに役立てたい」→ 最初にこのスキルを使用してDask/Zarrが必要かを判定
• 「このデータでニューラルネットワークをトレーニングしたい」→ このスキルを使用して利用可能なGPUとバックエンドを検出
• 「10,000個のファイルを並列処理したい」→ このスキルを使用して最適なワーカー数を判定
• 「計算集約的なシミュレーションを実行したい」→ このスキルを使用してリソース制約を理解

このスキルの仕組み

リソース検出

スキルは scripts/detect_resources.py を実行して以下を自動的に検出します。

1. CPU情報

   • 物理コア数と論理コア数
   • プロセッサアーキテクチャとモデル
   • CPU周波数情報

2. GPU情報

   • NVIDIA GPU：nvidia-smi経由で検出、VRAM、ドライババージョン、計算機能を報告
   • AMD GPU：rocm-smi経由で検出
   • Apple Silicon：M1/M2/M3/M4チップをMetal対応と統一メモリで検出

3. メモリ情報

   • 総RAM容量と利用可能RAM
   • 現在のメモリ使用率
   • スワップ容量の可用性

4. ディスク容量情報

   • 作業ディレクトリの総容量と利用可能容量
   • 現在の使用率

5. オペレーティングシステム情報

   • OS種類（macOS、Linux、Windows）
   • OSバージョンとリリース
   • Pythonバージョン

出力フォーマット

スキルは現在の作業ディレクトリに .claude_resources.json ファイルを生成します。

{
  "timestamp": "2025-10-23T10:30:00",
  "os": {
    "system": "Darwin",
    "release": "25.0.0",
    "machine": "arm64"
  },
  "cpu": {
    "physical_cores": 8,
    "logical_cores": 8,
    "architecture": "arm64"
  },
  "memory": {
    "total_gb": 16.0,
    "available_gb": 8.5,
    "percent_used": 46.9
  },
  "disk": {
    "total_gb": 500.0,
    "available_gb": 200.0,
    "percent_used": 60.0
  },
  "gpu": {
    "nvidia_gpus": [],
    "amd_gpus": [],
    "apple_silicon": {
      "name": "Apple M2",
      "type": "Apple Silicon",
      "backend": "Metal",
      "unified_memory": true
    },
    "total_gpus": 1,
    "available_backends": ["Metal"]
  },
  "recommendations": {
    "parallel_processing": {
      "strategy": "high_parallelism",
      "suggested_workers": 6,
      "libraries": ["joblib", "multiprocessing", "dask"]
    },
    "memory_strategy": {
      "strategy": "moderate_memory",
      "libraries": ["dask", "zarr"],
      "note": "Consider chunking for datasets > 2GB"
    },
    "gpu_acceleration": {
      "available": true,
      "backends": ["Metal"],
      "suggested_libraries": ["pytorch-mps", "tensorflow-metal", "jax-metal"]
    },
    "large_data_handling": {
      "strategy": "disk_abundant",
      "note": "Sufficient space for large intermediate files"
    }
  }
}

戦略的推奨事項

スキルは状況に応じた推奨事項を生成します。

並列処理の推奨事項：

• 高い並列化（8コア以上）：Dask、joblib、multiprocessingを使用してワーカー数 = コア数 - 2
• 中程度の並列化（4～7コア）：joblibまたはmultiprocessingを使用してワーカー数 = コア数 - 1
• 順次処理（4コア未満）：オーバーヘッドを避けるため順次処理を選好

メモリ戦略の推奨事項：

• メモリ制約あり（利用可能 < 4GB）：アウトオブコア処理にZarr、Dask、H5pyを使用
• 中程度のメモリ（利用可能 4～16GB）：2GB以上のデータセットにDask/Zarrを使用
• メモリ豊富（利用可能 > 16GB）：ほとんどのデータセットをメモリに直接ロード可能

GPU加速の推奨事項：

• NVIDIA GPU検出：PyTorch、TensorFlow、JAX、CuPy、RAPIDSを使用
• AMD GPU検出：PyTorch-ROCmまたはTensorFlow-ROCmを使用
• Apple Silicon検出：PyTorchのMPSバックエンド、TensorFlow-Metal、またはJAX-Metalを使用
• GPU未検出：CPU最適化ライブラリを使用

大規模データ処理の推奨事項：

• ディスク制約あり（< 10GB）：ストリーミングまたは圧縮戦略を使用
• 中程度のディスク（10～100GB）：Zarr、H5py、またはParquetフォーマットを使用
• ディスク豊富（> 100GB）：大規模な中間ファイルを自由に作成可能

使用方法

ステップ1：リソース検出を実行

計算集約的なタスクの開始時に検出スクリプトを実行します。

python scripts/detect_resources.py

オプション引数：

• -o, --output <path>：カスタム出力パスを指定（デフォルト：.claude_resources.json）
• -v, --verbose：リソース情報全体を標準出力に出力

ステップ2：推奨事項を読み込んで適用

検出後、生成された .claude_resources.json ファイルを読み込んで計算決定を行います。

# 例：コード内で推奨事項を使用
import json

with open('.claude_resources.json', 'r') as f:
    resources = json.load(f)

# 並列処理戦略を確認
if resources['recommendations']['parallel_processing']['strategy'] == 'high_parallelism':
    n_jobs = resources['recommendations']['parallel_processing']['suggested_workers']
    # joblib、Dask、multiprocessingをn_jobsワーカーで使用

# メモリ戦略を確認
if resources['recommendations']['memory_strategy']['strategy'] == 'memory_constrained':
    # アウトオブコア処理にDask、Zarr、H5pyを使用
    import dask.array as da
    # チャンク単位でデータをロード

# GPU利用可能性を確認
if resources['recommendations']['gpu_acceleration']['available']:
    backends = resources['recommendations']['gpu_acceleration']['backends']
    # 利用可能なバックエンドに基づいて適切なGPUライブラリを使用

ステップ3：情報に基づいた決定を行う

リソース情報と推奨事項を使用して戦略的な選択を行います。

データ読み込み用：

memory_available_gb = resources['memory']['available_gb']
dataset_size_gb = 10

if dataset_size_gb > memory_available_gb * 0.5:
    # データセットがメモリに対して大きい場合、Daskを使用
    import dask.dataframe as dd
    df = dd.read_csv('large_file.csv')
else:
    # データセットがメモリに収まる場合、pandasを使用
    import pandas as pd
    df = pd.read_csv('large_file.csv')

並列処理用：

from joblib import Parallel, delayed

n_jobs = resources['recommendations']['parallel_processing'].get('suggested_workers', 1)

results = Parallel(n_jobs=n_jobs)(
    delayed(process_function)(item) for item in data
)

GPU加速用：

import torch

if 'CUDA' in resources['gpu']['available_backends']:
    device = torch.device('cuda')
elif 'Metal' in resources['gpu']['available_backends']:
    device = torch.device('mps')
else:
    device = torch.device('cpu')

model = model.to(device)

依存関係

検出スクリプトは以下のPythonパッケージが必要です。

uv pip install psutil

その他の機能はすべてPython標準ライブラリモジュール（json、os、platform、subprocess、sys、pathlib）を使用します。

プラットフォームサポート

• macOS：Apple Silicon（M1/M2/M3/M4）GPU検出を含む完全サポート
• Linux：NVIDIA（nvidia-smi）およびAMD（rocm-smi）GPU検出を含む完全サポート
• Windows：NVIDIA GPU検出を含む完全サポート

ベストプラクティス

1. 早期実行：プロジェクト開始時または主要な計算タスク前にリソース検出を実行
2. 定期的に再実行：システムリソースは時間とともに変化（メモリ使用率、ディスク容量）
3. スケーリング前に確認：並列ワーカー数やデータサイズをスケールアップする前にリソースを確認
4. 決定を文書化：プロジェクトディレクトリに .claude_resources.json ファイルを保管してリソース認識決定を文書化
5. バージョン管理で使用：マシンによって機能が異なるため、リソースファイルはポータビリティを維持するのに役立ちます

トラブルシューティング

GPU が検出されない場合：

• GPU ドライバがインストールされていることを確認（nvidia-smi、rocm-smi、Apple Silicon の場合は system_profiler）
• GPU ユーティリティがシステム PATH にあることを確認
• GPU が他のプロセスで使用中でないことを確認

スクリプト実行に失敗する場合：

• psutil がインストールされていることを確認：uv pip install psutil
• Python バージョン互換性を確認（Python 3.6以上）
• スクリプトに実行権限があることを確認：chmod +x scripts/detect_resources.py

メモリ読み取りが不正確な場合：

• メモリ読み取りはスナップショット；実際の利用可能メモリは常に変動
• 正確な「利用可能」メモリ測定のため、検出前に他のアプリケーションを閉じる
• 検出を複数回実行して結果を平均化することを検討