Menu
针对 performance-analysis 发现的性能瓶颈，从 mindiesd-features.md（唯一真相源）
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
MindIE-SD 代码部署与编译安装。已在昇腾设备上直接编译安装；本地开发机通过 SSH 推送到远端昇腾设备， 支持 Docker 容器内源码编译。当用户需要部署安装 MindIE-SD、更新远端容器内代码、 或管理多人共享 NPU 环境时使用此 skill。 即使用户只提到"把代码推到服务器"而未说 SSH 或昇腾，只要上下文涉及部署都应触发。 由 dev-workflow 的部署阶段触发。
在远端昇腾 NPU 设备上采集性能 profiling 数据，打包回传本地供 performance-analysis 使用。 统一采集流程：开启 Profiler → 运行推理 → 压缩 → 回传（部署由 ascend-deploy 完成）。 当用户需要采集模型 profiling 数据、开启 profiler 跑推理、或为性能分析准备数据时使用此 skill。 即使用户只提到"帮我采一下 profile"或"开 profiler 跑这个模型"，也应触发。 通常由 model-verification、ascend-deploy 或 performance-evaluation 的 NPU 路径路由触发。
端到端性能优化闭环，组合 profiling-collection、performance-analysis、performance-optimization 三个下层 skill 完成从 profiling 采集到方案实施的完整流程。 当用户需要完整优化模型推理性能、并确认优化效果时使用此 skill。 前置条件：模型已通过 ascend-deploy 部署至 NPU 设备且已验证可通过。 由 dev-workflow 的各阶段触发。
MindIE-SD Python 代码格式与 lint 规则。当编写、格式化、lint 检查或审查 MindIE-SD 项目的 Python 代码时使用此 skill。 即使用户只提到"提个MR"或"代码好像有 lint 问题"而未明确说格式化，也应触发。 通常由 dev-workflow 在编码阶段指引加载。
MindIE-SD 编译后端适配与分析。覆盖 Pattern 创建/注册/调试、Copy 算子消减、 四后端选择 (default / torchair_ge / npugraph_ex / aclgraph) 的全生命周期。 触发: "pattern", "compile", "Copy", "InplaceCopy", "fusion", "backend", "torchair_ge", "--npugraph", "register_replacement".
MindIE-SD 开发总入口。当用户进行 MindIE-SD 的任何开发工作时使用此 skill—— 包括但不限于写 pattern、改测试、部署到昇腾、跑 benchmark、性能分析、多卡并行、复盘归档。 即使用户未明确提到"开发流程"，只要涉及 MindIE-SD 代码改动都应触发。
| name | performance-optimization |
| description | 针对 performance-analysis 发现的性能瓶颈，从 mindiesd-features.md（唯一真相源） |
建立基线 → 瓶颈分析 → 根因定位 → 保守修补 → 复验
↑ │
└──────────────────────────────────────────────┘
使用 performance-evaluation 建立基线，记录模型 / 分辨率 / 帧数 / 精度 / NPU 数等配置。
从 performance-analysis 的 5 层分析报告中获取：
分析报告给出的是优化方向（如"量化方向"、"通信掩盖方向"），具体方案在本 Step 选取。
基于分析报告的优化方向，查 mindiesd-features.md 确定具体 API 和参数：
正例: "分析报告显示 MatMul 占 DiT 58%，优化方向→量化。
查 mindiesd-features.md §MatMul量化，选取 W8A8_MXFP8"
反例: "感觉矩阵乘法比较慢，试试量化"
选择时需考虑：
优化方案从 mindiesd-features.md 中选取，详见 references/optimization-dimensions.md 的决策树。
| ✅ 允许 | ❌ 禁止 |
|---|---|
| 启用已有的、经验证的 kernel | 削弱输出正确性（cosine similarity 下降） |
| 修复遗漏的 fast path | 改变测试负载后宣称优化有效 |
| 减少不必要的同步/warmup | 仅为单框架/单硬件优化而破坏兼容性 |
| 添加有证据支撑的启发式配置 | 从单一 trace 数据得出普适结论 |
→ references/optimization-dimensions.md（决策树） → references/mindiesd-features.md（API/算法映射表，唯一真相源）
当性能优化过程中发现以下信号时，需检查 mindiesd-features.md 是否需要更新：
更新方式：
python scripts/refresh_features.py \
--docs-dir <path/to/MindIE-SD/docs/zh/features> \
--output references/mindiesd-features.md
满足任一条件即停止优化循环：
references/optimization-dimensions.md — 加载时机: 选择优化方向和决策逻辑时references/mindiesd-features.md — 加载时机: 确定具体 API/算法/硬件约束时（唯一真相源）scripts/refresh_features.py — 从 MindIE-SD docs 自动生成 mindiesd-features.md当新的优化维度经验证有效、硬件平台升级或发现新的优化模式时， 按 dev-workflow 的复盘流程更新本 skill。