dsh-cuda

在 Harness 里让智能体做数值计算时，CPU 往往成为瓶颈，而本地 NVIDIA GPU 又缺少一套可观测、可托管的执行方式。dsh-cuda 把在 GPU 上跑 Python 变成三类工具加一份按需加载的技能：查设备与历史任务、提交脚本或源码、跟进单次作业的日志与生命周期，让代理不必自己拼 shell 或猜显存。

每次运行都会在独立目录落盘日志与结果，子进程内用 torch.cuda.max_memory_allocated 记录实测峰值显存，而不是估算。前台有等待预算，超时不会粗暴杀进程，而是升格为后台任务；后台任务与 Harness 重启解耦，长跑仿真可以靠 cuda_job 继续跟进。程序还可通过环境变量把产物写到同一作业目录，回传给模型时会一并列出。

插件会自动探测本机带 CUDA 的 Python 解释器，也可通过配置或环境变量指定；cuda_status 会并列展示驱动、torch 与各解释器的 CUDA 能力，便于在写代码前发现驱动与 PyTorch 不匹配等常见问题。技能 cuda-compute 说明本地环境、写法与常见陷阱，编辑技能正文无需重启 Harness。

适合需要在本地 GPU 上做训练片段、仿真、矩阵运算或原型验证的开发者与智能体工作流；要求 DeepSeek Harness、Node 22+、以及安装了带 CUDA 的 PyTorch 的 Python。它不替代 CUDA Toolkit 集成，不调用 nvcc，并发提交由 Harness 串行化，大任务仍应自行规划显存占用。