用途：这是一个面向 Python 的 GPU 优化技能，帮助用户编写新的 GPU 加速代码，或把已有的 CPU 密集型 Python 代码迁移到 NVIDIA GPU 上运行，适用于数值与科学计算、数据框处理、机器学习、图分析、图像处理、地理空间分析、向量检索与物理仿真等负载。
主要能力与选型：技能按用户代码的实际类型给出库选择建议，并在写代码前阅读对应参考文件。数组与矩阵运算（NumPy/SciPy 风格）选 CuPy，可包装 cuBLAS、cuFFT、cuSOLVER、cuSPARSE、cuRAND，通常把 import numpy as np 改为 import cupy as cp 即可。需要自定义 GPU 内核、线程块与共享内存控制时选 Numba CUDA，支持 @vectorize(target='cuda') 等。物理仿真、几何处理、机器人学与可微仿真选 Warp，提供 vec3、mat33、quat、transform 等空间类型与 Mesh、Volume、HashGrid、BVH 查询。数据框处理（pandas 风格）选 cuDF，支持 cudf.pandas 零改动加速。机器学习（scikit-learn 风格）选 cuML，支持 cuml.accel 零改动加速，资料称简单线性模型约 2-10 倍，HDBSCAN、KNN 等约 60-600 倍。图分析（NetworkX 风格）选 cuGraph，支持 nx-cugraph 后端，资料称小图约 10 倍、百万边以上约 500 倍以上。高吞吐文件 IO 选 KvikIO，提供 cuFile 绑定与 GPUDirect Storage，可直读 NVMe、S3、HTTP、WebHDFS 到 GPU 内存，不适合 CSV/Parquet/JSON 等表格格式。交互式大屏选 cuxfilter，基于 cuDF 在 GPU 上过滤、分组与聚合。图像处理选 cuCIM，cucim.skimage 提供 200 多个函数，并含全切片图像读取器 CuImage，资料称比 OpenSlide 快 5-6 倍。向量检索选 cuVS，提供 CAGRA、IVF-Flat、IVF-PQ、暴力搜索等索引。地理空间选 cuSpatial，提供兼容 GeoPandas 的类型与空间连接、距离、轨迹函数。底层原语与多 GPU 选 RAFT，含稀疏特征值求解、device_ndarray、R-MAT 图生成与 raft-dask；向量检索已迁至 cuVS，不应再用 RAFT。
组合使用：各库通过 CUDA Array Interface 零拷贝互通，常见组合如 cuDF+cuML 构成完整 RAPIDS 流程、cuDF+cuGraph、cuML+cuVS、Warp+PyTorch 可微仿真、CuPy+Numba、KvikIO+CuPy、cuCIM+PyTorch 等。
限制：技能要求先读对应参考文件再写 GPU 代码；资料未提供具体安装命令、版本要求、许可与收费信息；加速倍数为资料中给出的估算，实际效果依工作负载与硬件而定。