用途：在运行机器学习训练、大数据集处理或高强度统计推断前，检查本地计算硬件并估算工作负载，判断是否会出现显存溢出（OOM）或训练时间过长。
主要能力：通过脚本获取 CPU、系统内存与 GPU（CUDA/MPS/DirectML）信息；用微批次干跑测量吞吐，估算总时长与显存占用；输出本地执行或迁移云端的建议矩阵；可生成 Colab 就绪的 .ipynb 文件，并借助 Chrome DevTools MCP 打开 Colab、上传笔记本、设置 GPU 运行时。
使用方式：先运行 python "<PATH_KE_SKILL>/scripts/check_hardware.py" 获取硬件 JSON；再用 python "<PATH_KE_SKILL>/scripts/estimate_workload.py" 传入样本数、批次、轮数、单批耗时与显存等参数进行估算；若选择云端，用 python "<PATH_KE_SKILL>/scripts/generate_colab_notebook.py" 生成笔记本。若 chrome-devtools MCP 未启用，资料要求自动执行 npx -y chrome-devtools-mcp@latest 或 py bin/mcp_auto_updater.py。
适用场景：本地训练前的可行性评估、显存与时长风险预判、云端迁移辅助、本地降规模方案（混合精度、减小 batch、梯度累积、子采样）。
限制与安全：资料强调上传数据集或代码到公共云前必须扫描 API Key、密码、令牌与个人数据，发现敏感信息需匿名化或明确警告；本地与云端阈值、具体平台支持范围等细节以实际脚本输出为准，资料未提供更多平台与价格信息。