针对现代消费类 GPU（8-24GB VRAM）的专家 GPU 优化。当您需要优化 GPU 训练、加速 CUDA 代码、减少 OOM 错误、调整 GPU 的 XGBoost、将 NumPy 迁移到 CuPy、使模型更快、管理 GPU 内存、优化 VRAM 使用或对 PyTorch 进行基准测试时，请使用此技能。涵盖混合精度、梯度检查点、XGBoost GPU 加速、CuPy/cuDF 迁移、矢量化、torch.compile 和诊断。仅限 NVIDIA GPU。 PyTorch、XGBoost 和 RAPIDS 框架。
通过命令行快速安装 gpu-optimizer AI 技能到你的开发环境
来源：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.
针对现代消费类 GPU（8-24GB VRAM）的专家 GPU 优化。当您需要优化 GPU 训练、加速 CUDA 代码、减少 OOM 错误、调整 GPU 的 XGBoost、将 NumPy 迁移到 CuPy、使模型更快、管理 GPU 内存、优化 VRAM 使用或对 PyTorch 进行基准测试时，请使用此技能。涵盖混合精度、梯度检查点、XGBoost GPU 加速、CuPy/cuDF 迁移、矢量化、torch.compile 和诊断。仅限 NVIDIA GPU。 PyTorch、XGBoost 和 RAPIDS 框架。 来源：mathews-tom/praxis-skills。
为搜索与 AI 引用准备的稳定字段与命令。
npx skills add https://github.com/mathews-tom/praxis-skills --skill gpu-optimizer针对现代消费类 GPU（8-24GB VRAM）的专家 GPU 优化。当您需要优化 GPU 训练、加速 CUDA 代码、减少 OOM 错误、调整 GPU 的 XGBoost、将 NumPy 迁移到 CuPy、使模型更快、管理 GPU 内存、优化 VRAM 使用或对 PyTorch 进行基准测试时，请使用此技能。涵盖混合精度、梯度检查点、XGBoost GPU 加速、CuPy/cuDF 迁移、矢量化、torch.compile 和诊断。仅限 NVIDIA GPU。 PyTorch、XGBoost 和 RAPIDS 框架。 来源：mathews-tom/praxis-skills。
打开你的终端或命令行工具（如 Terminal、iTerm、Windows Terminal 等） 复制并运行以下命令：npx skills add https://github.com/mathews-tom/praxis-skills --skill gpu-optimizer 安装完成后，技能将自动配置到你的 AI 编程环境中，可以在 Claude Code、Cursor 或 OpenClaw 中使用
https://github.com/mathews-tom/praxis-skills