用途：该技能面向需要处理超出内存规模数据集的 Python 脚本，提供基于 Dask 的优化策略与使用规范。
主要能力：给出若干“铁律”与反模式对照，帮助避免破坏 Dask 延迟计算图的写法。核心要求包括：只在流水线末端调用一次 dask.compute()，避免多次中间 compute()；不要用 df.apply(lambda ...) 做逐元素操作，改用向量化操作如 map_partitions、assign 和算术运算符；读取大数据时显式指定分区大小（CSV 用 blocksize=，Parquet 用 chunksize=），防止产生大量小分区或单个巨大分区；不要在未包裹 compute() 的情况下调用 len(df) 或 df.shape，需要时用 df.shape[0].compute()；多机或 CPU 密集任务应使用 dask.distributed.Client，默认线程调度受 GIL 限制。
使用方式：资料给出内存协议，开始前执行 cat .claude/context/memory/learnings.md，完成后记录新发现的模式或例外；并提示假设上下文可能中断，未记入内存即视为未发生。
适用场景：适合用 Dask 处理大于内存的 CSV、Parquet 等数据集并希望获得并行与融合优化的 Python 数据流水线。
限制：仅提供策略与规则，具体安装命令、版本要求、平台与价格信息暂未提供。