skills

AMD Fähigkeiten <div align="center"> <img src="assets/banner.gif" alt="AMD Skills"/> **Browsen Sie im Fertigkeitskatalog ->** </div> AMD Skills bietet Agenten Wissen, Skripte und Konventionen für die Arbeit mit AMD-Hardware und -Software. Skills in diesem Repository folgen dem standardisierten Agent Skills Format und sind so konzipiert, dass sie mit den wichtigsten Codierungsagenten wie Cursor, Claude Code, OpenAI Codex und Gemini CLI interagieren. > [!WICHTIG] > **Tech Preview:** Wir bauen den Katalog im Freien auf und teilen den Fortschritt, wenn die Grundlagen Gestalt annehmen. Erwarten Sie häufige Änderungen, wenn sich Fähigkeiten, Kategorien und Beschreibungen entwickeln. Installation Installieren Sie AMD Skills mit dem `skills` CLI via `npx`. Kein Klon oder manuelles Kopieren erforderlich. Dies fordert Sie auf, eine Fertigkeit und ein Installationsziel auszuwählen. Um eine bestimmte Fertigkeit in bestimmte Agenten zu installieren, übergeben Sie `-skill` mit einem oder mehreren `-agent`-Flags (z. B. `cursor`, `claude-code`, `codex`): Durchsuchen Sie alles verfügbare vor der Installation: Bitte beachten Sie, dass `npx` Node.js erfordert. Am liebsten mit der Hand? Siehe Manuelle Installation. Einsatz einer Fertigkeit Sobald eine Fertigkeit installiert ist, verweisen Sie sie in einfacher Sprache, während Sie mit Ihrem Agenten sprechen. Zum Beispiel: "Verwenden Sie AMD Skills, um zu lernen, wie man Bilder lokal erzeugt, anstatt Cloud-Token zu verbrennen." - "Verwenden Sie AMD Skills, um dieses LLM für die Inferenz auf meinen AMD Instinct GPUs bereitzustellen." In den meisten fällen wählt der agent die richtige fähigkeit aus der beschreibung; explizite aufrufung ist ein rückfall, keine anforderung. Für praktische, schrittweise Anleitungen, die eine Fertigkeit in Aktion zeigen, siehe die Walkthroughs. Der Katalog Der erste Katalog ist in drei Schwerpunktbereiche unterteilt, die den gesamten Stapel vom Client bis zur Cloud umfassen. Dieser Katalog wird voraussichtlich erheblich wachsen, da mehr Fähigkeiten landen. Client-Native Führen und optimieren Sie auf Ryzen AI. Geschicklichkeit Was es tut | Quelle | | --- | --- | `local-ai-use` | Route Bildgenerierung, Text-zu-Sprache und Sprache-zu-Text durch einen lokalen AI-Server, um die Token-Kosten zu reduzieren. | In-Repo | Integrieren Sie lokale KI in Cloud-LM-Apps für Offline-Support, bessere Privatsphäre und niedrigere API-Kosten. | In-Repo | Cross-Stack Cross-Stack-Fähigkeiten, vom Client bis zur Cloud. Geschicklichkeit Was es tut | Quelle | | --- | --- | `rocm-doctor` | Diagnose ROCm / PyTorch / llama.cpp Fehler auf AMD GPUs gegen eine feste Liste von bekannten Fehlkonfigurationen. geplant | „hyperloom-workload-optimizer | Optimiert autonom LLM-Inferenz auf AMD-GPUs. geplant | `Lemonade-Router-Builder` | Richten Sie einen Lemonade-Modell-Router ein, der Anfragen basierend auf Inhalt, Empfindlichkeit oder erforderlichen Funktionen bearbeitet. | In-Repo | | `hrr-replay-analysis` | Aufzeichnung, Wiedergabe und Analyse des GPU-Workload-Verhaltens auf ROCm über AMD Instinct-, Radeon- und Ryzen-Hardware mit HIP Record- und Replay-Archiven. geplant Server-Native Führen und optimieren Sie auf AMD Instinct. Geschicklichkeit Was es tut | Quelle | | --- | --- | „serving-llms-on-instinct | LLM-Inferenz auf AMD Instinct-GPUs Ende-zu-Ende bereitstellen: Hardware erkennen (oder über die AMD Developer Cloud an Bord), Modellanpassung validieren, das richtige vLLM-Rezept anwenden und einen Benchmark-Endpunkt starten. SGLang und Motor / Backend-Auswahl in späteren Phasen. | In-Repo | | „serving-llms-on-epyc | Serve LLMs auf AMD EPYC CPUs mit vLLM + zentorch, in einem Container (Docker/Podman) oder Conda. Behandelt CPU-Erkennung, Laufzeit- / env-Validierung, vLLM-Modell-Unterstützung und RAM-Fit-Prüfungen, Hardware-große Threads / KV, Start und Gesundheitsüberprüfung. Einzelinstanz; berichtet und stoppt beim scheitern. | In-Repo | | `magpie-kernel-evaluator` | Bewerten GPU-Kernel-Korrektheit und Leistung, vergleichen Kernel-Implementierungen und Benchmark vLLM / SGLang Inferenz mit Profiling, TraceLens und torch-trace gap Analyse. | Magpie | Orchestrieren Sie die modulare PyTorch-Profiler-Trace-Analyse mit TraceLens: Generieren Sie Perf-Berichte, führen Sie System-Level- und Compute-Kernel-Subagenten parallel aus und schreiben Sie einen priorisierten Stakeholder-Bericht. | TraceLens | Was ist eine Fertigkeit? Eine Fertigkeit ist ein in sich geschlossener Ordner, der alles bündelt, was ein Agent für eine fokussierte Aufgabe benötigt: Anweisungen, Helferskripte, Eingabeaufforderungen, Vorlagen und Referenzen. Im Kern ist eine Datei "SKILL.md" mit YAML-Frontmatter, ein "Name" und eine kurze "Beschreibung", die dem Agenten sagt, * wann * der Skill aktiviert werden soll, gefolgt von der Anleitung, die der Agent liest, während der Skill verwendet wird. Wenn ein Agent entscheidet, dass eine Fertigkeit relevant ist (oder Sie sie explizit aufrufen), werden "SKILL.md" und "follo" geladen