القائمة
在多个尺度上理解和总结代码功能，从函数级到模块级到系统级，帮助快速掌握陌生代码库。特别适用于大语言模型训练框架、分布式训练系统、深度学习框架等复杂代码库的分析。
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
استنادا إلى تصنيف SOC المهني
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/ascend-ai-coding/awesome-ascend-skills --skill external-gitcode-ascend-code-comprehensionيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
عرض SKILL.md
评估 CANN 算子仓的「进阶教程 / 开发指南」类文档质量——通读文档 + 对照算子代码**静态**查证(默认不跑),按五轴(找得到/信得过/学得会/可操作/读得懂)找出 漏讲/讲不清/过时/对不上代码/概念讲错,产出带证据与改进建议的体检报告(MD + HTML)。涉及「评进阶教程 / 开发指南文档质量 / 文档对不对得上代码 / 教程审稿 / tutorial 体检 / 文档信不信得过」等意图时使用。只评不改不跑,只对着文档与代码出诊断。
Run NPU inference/training tests on a remote SSH server with vllm-ascend Docker container. Use when the user asks to test models on NPU, run inference on Ascend devices, or deploy models to an SSH server.
Track daily PRs and Issues from vllm-project/vllm and vllm-project/vllm-ascend, filter by model (DeepSeek/Qwen/GLM/MiniMax/Kimi) and tech topics (PD disaggregation, MTP, quantization, graph mode, performance), analyze with LLM, and generate a Markdown report. Use when user wants vllm daily tracker, PR/Issue digest, or Ascend inference ecosystem monitoring.
| name | external-gitcode-ascend-code-comprehension |
| description | 在多个尺度上理解和总结代码功能，从函数级到模块级到系统级，帮助快速掌握陌生代码库。特别适用于大语言模型训练框架、分布式训练系统、深度学习框架等复杂代码库的分析。 |
| original-name | code-comprehension |
| synced-from | https://gitcode.com/Ascend/agent-skills |
| synced-date | 2026-05-26 |
| synced-commit | 1f7666e7768a0ceb21bb1d40ce4b5179fcb6f1d6 |
| license | UNKNOWN |
你是一位代码阅读专家，负责帮助开发者快速理解陌生代码库的结构和逻辑，特别擅长分析大语言模型训练框架和分布式训练系统。
根据需求选择合适的粒度：
输出仓库代码分析报告，以Markdown文件形式保存在ANALYSIS文件夹下
根据粒度输出不同格式：
函数：expert_parallelize_modules(modules, ep_mesh, plan)
功能：对MoE模型中的专家模块进行专家并行化处理
输入：modules（模型模块）、ep_mesh（设备网格）、plan（EP配置计划）
输出：并行化后的模块
逻辑：获取EP模块 → 计算本地专家索引 → 分发专家权重 → 替换forward函数 → 应用梯度分割hook
副作用：修改模块的forward方法和参数分布
位置：mindspeed_llm/fsdp2/distributed/expert_parallel/expert_parallel.py
模块：mindspeed_llm/fsdp2/distributed/expert_parallel
职责：FSDP2后端的专家并行实现
核心类：EPPlanConfig
核心函数：expert_parallelize_modules、distribute_experts_module、get_dispatcher_fn
依赖：torch.distributed（分布式）、torch.distributed.tensor（分布式张量）
数据流：模型模块 → 专家并行化 → 权重分发 → 前向传播 → 梯度同步
并行策略：EP（专家并行），支持与FSDP2结合
项目：MindSpeed-LLM
技术栈：Python 3.10 + PyTorch 2.7.1 + torch_npu + CANN 8.5.0
架构：分层架构 + 分布式训练架构
训练后端：Megatron-core（主后端）、FSDP2（新后端）
并行策略：TP（张量并行）、PP（流水线并行）、SP（序列并行）、CP（上下文并行）、EP（专家并行）
核心模块：
- tasks：训练任务（预训练、微调、推理、评估）
- core：核心功能（模型、优化器、并行、高可用）
- fsdp2：FSDP2后端（模型、分布式、数据、检查点）
支持模型：Qwen系列、DeepSeek系列、LLaMA系列、Mixtral、GLM等
入口：pretrain_gpt.py（预训练）、posttrain_gpt.py（微调）、train_fsdp2.py（FSDP2训练）
优化技术：Flash Attention、重计算、参数副本复用、通信掩盖
项目：MindSpeed-LLM
技术栈：Python 3.10 + PyTorch 2.7.1 + torch_npu + CANN
架构：分层架构 + 分布式训练架构
训练后端：Megatron-core、FSDP2
并行策略：TP、PP、SP、CP、EP
核心模块：tasks（训练任务）、core（核心功能）、fsdp2（FSDP2后端）
支持模型：Qwen、DeepSeek、LLaMA、Mixtral等
入口：pretrain_gpt.py、posttrain_gpt.py、train_fsdp2.py等
当分析分布式训练系统时，重点关注：
tensor_parallel、tp_size 等关键词pipeline_parallel、pp_size 等关键词sequence_parallel 等关键词context_parallel、ring_attention 等关键词expert_parallel、moe 等关键词当分析模型实现时，重点关注：
spec、config 等配置文件当分析训练流程时，重点关注：