1. 基本信息
| 项目 | 内容 |
|---|---|
| 名称 | cuml-nvidia-skills |
| 作者/维护者 | NVIDIA(官方) |
| 来源链接 | https://github.com/nvidia/skills/tree/main/skills/cuml |
| 许可证 | Apache-2.0 |
| GitHub Stars / Forks | 3,874 / 411(所属仓库整体数字,不代表本技能自身热度;GitHub API,2026-11-07 读取) |
| 最新版本 | 无版本标签;仓库主分支最近一次提交 2026-11-06 |
| 安装方式 | 把技能目录复制进 agent 的 skills 目录;运行需支持 CUDA 的 Linux 环境(Windows 走 WSL2) |
数据来源:上述数字取自 GitHub API;功能与评分依据来自技能正文与官方文档。
2. 功能介绍与亮点
一句话:写、跑、调、升级 cuML 代码时的实战手册——从装对包到确认真的跑在 GPU 上,都给了可核对的检查。
- 装对包:
pip install cuml-cu12/cuml-cu13,并明确提醒pip install cuml装的是无关占位包。 - 零改码加速:
cuml.accel让未修改的 scikit-learn、umap-learn、hdbscan 代码跑在 GPU 上,不支持的部分自动回落 CPU。 - API 变动:cuML 每两个月发版并删除弃用 API,技能要求去已安装版本里查,而不是凭记忆写旧接口。
- 确认真的在 GPU 上:给出验证方式,避免「装了但没跑在 GPU」的假加速。
- 大数据配方:UMAP/HDBSCAN 的内存与分块建议,模型导出方式。
- 边界清楚:只管 cuML 相关,cuDF 单纯的数据帧操作、PyTorch 与 XGBoost 不在范围内。
3. 适用场景
所属分类:数据分析与可视化。
- 想把现有 scikit-learn 管线零改码加速到 GPU 的数据科学家;
- 升级 cuML 后代码报「API 不存在」、需要快速对上新版的工程师;
- 在大数据上跑 UMAP/HDBSCAN、被内存卡住的人;
- 需要确认训练确实用了 GPU、而不是悄悄回落 CPU 的团队。
4. 跨 Agent 兼容性
| Agent | 结论 | 依据 |
|---|---|---|
| Claude Code | 原生支持 | 技能目录安装,按描述触发 |
| Codex | 需适配 | 技能正文通用,环境与安装命令需按平台调整 |
| OpenClaw | 需适配 | 需要平台支持技能目录 |
| Hermes Agent | 未验证 | 未找到该平台的接入示例 |
5. 推荐理由
cuML 的坑很具体:装错包、用已删除的 API、以为在 GPU 上跑其实回落了 CPU。这份技能把这三件事都做成了可核对的检查,并给出 cuml.accel 这条几乎零成本的加速路径——对已经有 sklearn 管线的人,这是最短的提速路线。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 7 | NVIDIA 官方出品;所属仓库 3,874 stars 是整个合集热度,不代表本技能自身热度 |
| 可用性 | 8 | 安装、验证、加速与内存配方都写清楚了;前置是支持 CUDA 的 Linux 环境 |
| 安全性 | 9 | 纯提示词与代码片段,不执行命令、不联网 |
安全性检查清单:
| 项 | 结果 |
|---|---|
| ① 执行 shell 与权限 | 无强制命令;给的 pip 安装命令由用户自己执行 |
| ② 联网外发 | 不联网 |
| ③ 凭据 | 不需要 API key |
| ④ 可疑指令 | 未见注入或夹带推广 |
| ⑤ 作者信誉 | NVIDIA 官方仓库,Apache-2.0 |
| ⑥ License | Apache-2.0,全文可查 |
| ⑦ 维护时间 | 2026-11-06 仍在更新 |
扣分点:需要 CUDA GPU 与 Linux;cuML 发版快,结论有时效性。
7. 跟同类 Skills 相比的优势
| 技能 | 定位 | 与本技能的差异 |
|---|---|---|
| accelerated-computing-cudf-nvidia-skills | cuDF 数据帧加速 | 管数据处理;本技能管机器学习与 UMAP/HDBSCAN |
| cudf-query-engine-builder-nvidia-skills | 用 cuDF 搭查询引擎 | 面向引擎构建;本技能面向直接用 cuML 建模 |
| data-designer-nvidia-skills | 合成数据生成 | 造数据;本技能用数据训练 |
核心差异:同类多处理数据或造数据,它专管「把模型训练搬到 GPU 上并确认真的搬上去了」。
8. 用户评价
该技能目前在第三方平台尚无具名用户评价(2026-11-07)。
9. 其他补充
- cuML 每两个月发版,技能要求以已安装版本为准查 API。
- 属于
nvidia/skills合集(400 多个技能),可按需只装这一条。
10. 安装使用方式
git clone https://github.com/nvidia/skills
mkdir -p ~/.claude/skills
cp -r skills/skills/cuml ~/.claude/skills/
pip install cuml-cu12 # 或 cuml-cu13,按驱动版本
装好后说「把这套 sklearn 管线零改码跑到 GPU 上」,它会先确认环境再给 cuml.accel 的用法。
11. 注意事项
- 仅 Linux;Windows 需 WSL2,且要有满足版本的 CUDA 驱动。
pip install cuml是无关占位包,别装错。- 加速后要验证是否真的在 GPU 上跑,回落 CPU 不会报错。
- cuML 发版频繁,升级后先查已安装版本的 API。