词映 AI导航
工具库Skills 技能
我的收藏
词映 AI导航

Claude Code daft-distributed-scaling 技能：选择 Daft 重分区与分批

English

Claude Code 安装步骤

  1. 打开 GitHub 固定提交的 `.claude/skills/daft-distributed-scaling/SKILL.md`，核对内容与使用条件。
  2. 在自己的项目中创建 `.claude/skills/daft-distributed-scaling/`，把核对后的文件保存为 `.claude/skills/daft-distributed-scaling/SKILL.md`。
  3. 在该项目根目录启动 Claude Code，在斜杠菜单中选择 `/daft-distributed-scaling`。

中文摘要

根据处理阶段的数据大小和工作节点，选择分区重平衡或小批量执行，并观察内存与调度开销。

SKILL.md 中文导读

可复现示例

调用 /daft-distributed-scaling。用下方虚构缩略图任务，给出与阶段数据匹配的试验方案。
workload `album thumbnail export` | entries metadata first then image decode
light stage `path metadata` | heavy stage `image decode`
constraints `4 workers`, small pilot with each chunk `32 rows`

工作步骤

  1. 按阶段区分轻量元数据和重型数据。
  2. 选择重分区或限制批次大小，先测试小样本。
  3. 检查输出、内存和调度时间。

验收方法

为 `path metadata` 阶段建议在 Ray 上验证重分区，给 `image decode` 阶段提出 `into_batches(32)`。按 `32 rows` 小批量核对结果，并记录内存及运行时间。

GitHub 原文 · 更新日期

适用环境

已配置 Daft 的本地 Claude Code 项目。跨节点重分区验证需要可用的 Ray 环境，分批行为可先用小样本观察。

常见问题

什么时候优先使用小批次？

单条数据占用大内存时，可先分批处理。用实际内存和耗时调整批次，以兼顾资源与调度开销。

相关指南