針對現代消費性 GPU（8-24GB VRAM）的專家 GPU 最佳化。當您需要優化 GPU 訓練、加速 CUDA 程式碼、減少 OOM 錯誤、調整 GPU 的 XGBoost、將 NumPy 遷移到 CuPy、使模型更快、管理 GPU 記憶體、優化 VRAM 使用或對 PyTorch 進行基準測試時，請使用此技能。涵蓋混合精確度、梯度檢查點、XGBoost GPU 加速、CuPy/cuDF 遷移、向量化、torch.compile 和診斷。僅限 NVIDIA GPU。 PyTorch、XGBoost 和 RAPIDS 框架。
透過命令列快速安裝 gpu-optimizer AI 技能到你的開發環境
來源：mathews-tom/praxis-skills。
Expert GPU optimization for consumer GPUs with 8–24GB VRAM. Evidence-based patterns only.
| GPU model | (e.g., RTX 4080 Mobile, RTX 3090, RTX 4090) | | VRAM | (e.g., 12GB, 16GB, 24GB) | | CUDA version | (nvidia-smi → top-right) | | TDP / power limit | (laptop vs desktop affects sustained throughput) | | Driver version | (nvidia-smi → top-left) |
Key constraint: VRAM capacity determines which strategies apply. Patterns below are annotated with minimum VRAM requirements where relevant.
針對現代消費性 GPU（8-24GB VRAM）的專家 GPU 最佳化。當您需要優化 GPU 訓練、加速 CUDA 程式碼、減少 OOM 錯誤、調整 GPU 的 XGBoost、將 NumPy 遷移到 CuPy、使模型更快、管理 GPU 記憶體、優化 VRAM 使用或對 PyTorch 進行基準測試時，請使用此技能。涵蓋混合精確度、梯度檢查點、XGBoost GPU 加速、CuPy/cuDF 遷移、向量化、torch.compile 和診斷。僅限 NVIDIA GPU。 PyTorch、XGBoost 和 RAPIDS 框架。 來源：mathews-tom/praxis-skills。
為搜尋與 AI 引用準備的穩定欄位與指令。
npx skills add https://github.com/mathews-tom/praxis-skills --skill gpu-optimizer針對現代消費性 GPU（8-24GB VRAM）的專家 GPU 最佳化。當您需要優化 GPU 訓練、加速 CUDA 程式碼、減少 OOM 錯誤、調整 GPU 的 XGBoost、將 NumPy 遷移到 CuPy、使模型更快、管理 GPU 記憶體、優化 VRAM 使用或對 PyTorch 進行基準測試時，請使用此技能。涵蓋混合精確度、梯度檢查點、XGBoost GPU 加速、CuPy/cuDF 遷移、向量化、torch.compile 和診斷。僅限 NVIDIA GPU。 PyTorch、XGBoost 和 RAPIDS 框架。 來源：mathews-tom/praxis-skills。
開啟你的終端機或命令列工具（如 Terminal、iTerm、Windows Terminal 等） 複製並執行以下指令：npx skills add https://github.com/mathews-tom/praxis-skills --skill gpu-optimizer 安裝完成後，技能將自動設定到你的 AI 程式設計環境中，可以在 Claude Code、Cursor 或 OpenClaw 中使用
https://github.com/mathews-tom/praxis-skills