Menu
PyPTO Pass 编译性能优化技能。用于分析和优化 Pass 模块的编译性能，当 Pass 编译耗时过长需要优化时使用此技能。
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
定位测试案例中出现 aicore error 时的问题 CCE 文件和问题代码行。当用户说"aicore error"、"定位 aicore error 的原因"、"帮我定位 aicore error 报错"时使用此技能。也适用于用户直接提供 CCE 文件希望定位问题代码行或映射到源码的场景。
PyPTO 环境安装与环境问题修复，包括 CANN、torch_npu、编译工具链、第三方依赖和 PyPTO 编译运行等。触发词：PyPTO environment setup, CANN install, torch_npu, NPU environment, Ascend toolkit, compile PyPTO, build PyPTO, NPU driver, prepare_env, diagnose environment, fix import error, torch_npu import fail, DT_FP8E8M0, pto-isa, ASCEND_HOME_PATH, npu-smi, softmax verify, pip dependency conflict
分析当前 session 上下文，识别 PyPTO 框架或文档不完善导致的断裂点，产出可转化为 Issue 的结构化报告。当用户在 pypto 相关 skill 运行结束后提到"断裂点"、"识别断裂点"、"检测断裂点"、"fracture point"时触发此 skill。也适用于用户对 session 中遇到的问题进行复盘、想要生成问题报告、或希望改进 pypto 框架/文档质量的场景。
分析 host 侧捕获异常后的堆栈信息，通过地址到源码行映射和符号解析，定位问题代码位置。支持 Python traceback、C++ stack trace 和混合堆栈的自动识别与分析。支持编译Debug版本PyPTO包并定位具体代码行。Triggers："堆栈分析"、"堆栈反汇编"、"分析堆栈信息"、"地址到源码行"、"stack trace"、"backtrace"
PyPTO MACHINE 内存重叠检测与修复技能。通过系统化流程检测和修复 workspace 内存重叠、内存管理策略问题导致的精度异常。当怀疑精度问题由内存重叠、workspace 不足、内存管理异常引起时使用此技能。触发词：内存重叠、内存重叠检测、workspace问题、内存管理异常、内存复用错误。
PyPTO Pass 模块错误诊断技能。包含错误定位、原因分析和提供问题修复建议，提供从问题定位到修复建议的完整工作流程。当遇到 PyPTO Pass 模块抛出错误时使用此技能。触发词：定位 pass 错误、pass 模块异常、pass 报错、pass 失败、pass 异常。
| name | pypto-pass-perf-optimizer |
| description | PyPTO Pass 编译性能优化技能。用于分析和优化 Pass 模块的编译性能，当 Pass 编译耗时过长需要优化时使用此技能。 |
本技能用于分析和优化 PyPTO Pass 模块的编译性能，帮助识别性能瓶颈并提供优化建议。
🛑 严禁跳过任何关键步骤！以下步骤必须严格执行：
步骤1-5（环境准备+性能测量）
↓
步骤6（编译Debug版本） ⚠️ 强制，不可跳过
↓
步骤7（perf分析） ⚠️ 强制，不可跳过
↓
步骤8（内存分析，可选）
↓
步骤9（理解Pass功能）
↓
步骤10-13（性能分析） ⚠️ 强制，必须基于perf数据
↓
步骤14-18（优化实施）
↓
步骤19（UT验证） ⚠️ 强制，不可跳过
↓
步骤20-22（验证与迭代）
↓
步骤23（优化总结报告） ⚠️ 强制，不可跳过
❌ 严禁跳过步骤6-7：Debug编译和perf分析是优化的数据依据 ❌ 严禁跳过步骤10-13：必须基于perf数据进行优化决策，禁止凭猜测优化 ❌ 严禁在未完成perf分析前修改代码：这是盲目优化，可能导致错误的方向 ❌ 严禁在UT未通过前进行性能验证：功能正确性优先于性能优化
优化前的准备工作：
只有完成以上准备工作后，才能进入步骤14进行代码优化。
优化后的验证工作：
错误 1：跳过perf分析直接优化
步骤1-5 → ❌跳过步骤6-7 → 步骤14修改代码
后果：缺乏数据支撑，优化方向可能错误
错误 2：仅凭代码审查进行优化
步骤1-5 → ❌跳过步骤6-13 → 步骤14修改代码
后果：无法识别真正的性能瓶颈，浪费时间
错误 3：UT未通过就进行性能验证
步骤14修改代码 → ❌跳过步骤19 → 步骤20性能验证
后果：可能引入功能bug，性能优化无效
为什么要使用perf分析？
为什么要编译Debug版本？
为什么必须运行UT？
基准目标：
关键术语定义：
目标时间计算公式：
目标平均耗时 = (实际Op数量 / 200,000) × 20s
示例：
性能判断标准：
当用户提到以下关键词时触发:
本 skill 自带工具脚本在 pypto-pass-perf-optimizer/scripts/，即本 SKILL.md 同级目录下，不在 PyPTO 仓库根目录的 scripts/。
执行前先设置 PASS_PERF_SCRIPTS_DIR=<本 SKILL.md 所在目录>/scripts，后续 helper script 都用 $PASS_PERF_SCRIPTS_DIR/... 调用，业务命令仍在 PyPTO 仓库根目录执行。
用户需要指定要执行的算子脚本（用于触发 Pass 编译流程）：
# 开启 info 级别日志
export ASCEND_GLOBAL_LOG_LEVEL=1
# 设置日志落盘路径（默认为算子脚本同目录下的 logs 文件夹）
export ASCEND_PROCESS_LOG_PATH=$(dirname {user_specified_script})/logs
# 创建日志目录
mkdir -p $ASCEND_PROCESS_LOG_PATH
# 日志文件将落盘到：$ASCEND_PROCESS_LOG_PATH/debug/plog/pypto-log-{pid}-{timestamp}.log
# 注意：单个日志文件超过 20M 会自动拆分为多个文件
# 拆分文件命名：每个文件都有独立的时间戳（pypto-log-{pid}-{timestamp}.log）
# 同一次执行的所有拆分文件具有相同的 pid，可通过 pid 识别
⚠️ 重要：确保使用最新编译的 Release 版本进行性能测试
# 编译 Python 包（Release 版本，用于性能测试）
python3 build_ci.py -f=python3 --build_type Release --disable_auto_execute
# 安装到 Python 环境
pip install ./build_out/pypto-*.whl --force-reinstall
# 执行用户指定的算子脚本（日志自动落盘）
# 使用超时控制，默认 5 分钟，超时后自动中断并继续后续步骤
bash "$PASS_PERF_SCRIPTS_DIR/run_with_timeout.sh" 300 python3 {user_specified_script}.py
# 自定义超时时间（例如 10 分钟）
# bash "$PASS_PERF_SCRIPTS_DIR/run_with_timeout.sh" 600 python3 {user_specified_script}.py
# 不使用超时控制直接执行（不推荐，可能长时间等待）
# python3 {user_specified_script}.py
# 日志文件位置：$ASCEND_PROCESS_LOG_PATH/debug/plog/pypto-log-*.log
# 注意：单个日志文件超过 20M 会自动拆分为多个文件
# 同一次执行的所有文件具有相同的 pid
# 解析日志文件，生成 Pass 耗时排序报告
# 日志文件位于：$ASCEND_PROCESS_LOG_PATH/debug/plog/pypto-log-*.log
# 注意：脚本会自动处理拆分的日志文件（同 pid 的所有文件）
# 查找最新的日志文件
latest_log=$(find $ASCEND_PROCESS_LOG_PATH/debug/plog -name "pypto-log-*.log" -type f -printf '%T@ %p\n' | sort -n | tail -1 | cut -d' ' -f2-)
echo "使用日志文件: $latest_log"
python3 "$PASS_PERF_SCRIPTS_DIR/parse_pass_perf.py" -l $latest_log
⚠️ 重要：perf 采样需要 Debug 版本才能正确显示函数名和调用栈
# 编译 Python 包（Debug 版本带完整调试符号，用于 perf 采样）
python3 build_ci.py -f=python3 --build_type Debug
# 安装到 Python 环境
pip install ./build_out/pypto-*.whl --force-reinstall
⚠️ 重要：perf 能够正确分析当前代码的性能优化点
火焰图提供了直观的可视化视图，更容易识别性能热点。
生成火焰图：
# 生成火焰图（默认 5 分钟超时）
# 参数：超时时间(秒) 输出目录 命令...
bash "$PASS_PERF_SCRIPTS_DIR/generate_flamegraph.sh" \
300 ./flamegraphs python3 {user_specified_script}.py
# 火焰图将保存到 ./flamegraphs/flamegraph_{timestamp}.svg
# 同时生成折叠数据文件 folded_{timestamp}.txt（用于后续对比）
# 使用浏览器打开查看
firefox ./flamegraphs/flamegraph_*.svg
# 或
google-chrome ./flamegraphs/flamegraph_*.svg
🔥 火焰图解读指南：
1. 结构说明
2. 识别热点函数
| 图形特征 | 含义 | 行动建议 |
|---|---|---|
| 宽平台 | 顶部宽大的函数块 | 这是性能热点，优先优化 |
| 高塔尖 | 调用栈很深 | 检查是否存在过度封装或递归 |
| 反复出现 | 同一函数多处出现 | 函数被频繁调用，考虑缓存或批处理 |
| 细长条 | 调用栈很窄但很深 | 可能是单线程瓶颈 |
3. 交互操作（浏览器中）
Ctrl+F 搜索特定函数名4. 常见热点模式及优化方向
| 热点函数 | 问题类型 | 优化方向 |
|---|---|---|
_malloc / _free | 频繁内存分配 | 预分配内存、使用对象池 |
std::unordered_map::find | 哈希表查找 | 优化哈希函数、预分配bucket |
std::vector 扩容 | 动态扩容 | 使用 reserve() 预分配 |
memcpy / memmove | 大量数据拷贝 | 减少拷贝、使用引用 |
| 字符串操作 | 字符串拼接/转换 | 使用 std::string_view、预分配 |
| 循环内函数调用 | 过度循环 | 循环展开、提前计算 |
5. 火焰图示例解读
┌─────────────────────┐
│ hot_function() 15% │ ← 宽平台：性能热点
└─────────────────────┘
┌────────────────────────────────┐
│ process_data() 35% │ ← 宽块：主要耗时函数
└────────────────────────────────┘
┌──────────────────────────────────────────┐
│ main_loop() 50% │ ← 入口函数
└──────────────────────────────────────────┘
hot_function() 占 15% CPU，宽度较宽，是优化重点process_data() 占 35%，是主要耗时函数hot_function() 可以查看其内部调用栈如果火焰图工具不可用，可以使用传统方式：
# 使用 perf 采样
bash "$PASS_PERF_SCRIPTS_DIR/run_with_timeout.sh" 300 \
perf record -g -e cycles,instructions,cache-misses -- python3 {user_specified_script}.py
# 查看报告
perf report
perf report 快捷键：
+：展开调用栈-：折叠调用栈Enter：进入函数详情/：搜索函数名完成火焰图分析后，记录以下信息：
## 性能分析记录
### 热点函数 Top 5（从火焰图识别）
| 排名 | 函数名 | CPU占比 | 所属模块 | 可能原因 |
|-----|--------|---------|---------|---------|
| 1 | | | | |
| 2 | | | | |
| 3 | | | | |
| 4 | | | | |
| 5 | | | | |
### 性能瓶颈类型
- [ ] 计算密集型
- [ ] 内存密集型
- [ ] IO密集型
### 优化方向
1. ...
2. ...
# 使用超时控制执行内存分析，默认 5 分钟
bash "$PASS_PERF_SCRIPTS_DIR/run_with_timeout.sh" 300 \
valgrind --tool=massif -- python3 {user_specified_script}.py
massif-visualizer massif.out.*
⚠️ 重要：优化前必须充分理解 Pass 的功能和业务逻辑
调用 pypto-pass-module-analyzer skill 来深入理解目标 Pass：
分析 Pass 模块 {PassName} 的功能和业务逻辑
需要了解的内容：
理解 Pass 功能的好处：
从 perf report 中识别：
检查以下问题：
| 瓶颈类型 | 症状描述 | 典型原因 |
|---|---|---|
| 计算密集型 | CPU 利用率高，cycles 占比高 | 算法复杂度过高、重复计算 |
| 内存密集型 | cache miss 多，内存访问频繁 | 数据结构不合理、缓存不友好 |
| IO 密集型 | 文件读写、日志输出多 | 过多的日志、文件操作 |
根据性能分析结果修改 Pass 代码，实施优化。
在优化过程中，为 Pass 内部关键步骤添加耗时统计：
#include <chrono>
// 在 Pass 的 RunOnFunction 或关键函数中添加
auto stepStart = std::chrono::high_resolution_clock::now();
// ... 关键步骤代码 ...
auto stepEnd = std::chrono::high_resolution_clock::now();
auto stepDuration = std::chrono::duration_cast<std::chrono::microseconds>(stepEnd - stepStart);
PASS_LOGI("[{PassName}] Step {step_name} cost %ld us", stepDuration.count());
建议添加耗时统计的场景：
常见优化方法：
优化示例：
// 优化前：O(n²) 查找
for (auto& op1 : operations) {
for (auto& op2 : operations) {
if (op1.id == op2.parentId) { ... }
}
}
// 优化后：O(n) 使用哈希表
std::unordered_map<int, Operation*> idToOp;
for (auto& op : operations) {
idToOp[op.id] = &op;
}
for (auto& op : operations) {
auto it = idToOp.find(op.parentId);
if (it != idToOp.end()) { ... }
}
容器选择指南：
| 场景 | 推荐容器 | 原因 |
|---|---|---|
| 顺序访问 | std::vector | 连续内存，缓存友好 |
| 频繁查找 | std::unordered_map | O(1) 查找 |
| 需要排序 | std::set / std::map | 自动排序 |
| 频繁插入删除 | std::list | O(1) 插入删除 |
内存优化：
// 预分配内存
std::vector<Operation*> ops;
ops.reserve(expected_size); // 避免多次重新分配
// 使用引用避免拷贝
for (const auto& op : operations) { ... } // 而不是 for (auto op : ...)
// 使用 emplace_back 避免临时对象
ops.emplace_back(newOp); // 而不是 ops.push_back(newOp)
// 使用 std::move 转移所有权
auto result = std::move(tempVector);
// 改善数据局部性
struct OpInfo {
int id;
int parentId;
Operation* op;
};
std::vector<OpInfo> opInfos; // 连续内存，缓存友好
// 避免"指针追逐"
// 优化前：多层指针
for (auto& op : ops) {
for (auto& consumer : op->consumers) {
for (auto& child : consumer->children) { ... }
}
}
// 优化后：预计算索引
std::vector<std::vector<int>> opToChildren; // 直接索引访问
⚠️ 重要：优化后必须验证目标 Pass 的 UT 通过
# 查找 Pass 相关 UT 测试文件
# 路径：framework/tests/ut/passes/src/test_{pass_name}.cpp
# 运行指定 Pass 的所有 UT
python3 build_ci.py -f=cpp -u="{PassName}Test.*" -j=24
# 示例：运行 AssignMemoryType 的 UT
python3 build_ci.py -f=cpp -u="AssignMemoryTypeTest.*" -j=24
# 运行单个测试用例
python3 build_ci.py -f=cpp -u="AssignMemoryTypeTest.AddReshape" -j=24
# 如果 UT 失败：
# 1. 检查优化代码是否引入 bug
# 2. 必要时回退修改
# 3. 重新优化
注意：UT 测试是 C++ 测试，必须使用 -f=cpp 参数
⚠️ 重要：最终性能验证必须使用 Release 版本，确保性能数据准确
# 编译 Python 包（Release 版本，用于最终性能验证）
python3 build_ci.py -f=python3 --build_type Release
# 安装到 Python 环境
pip install ./build_out/pypto-*.whl --force-reinstall
⚠️ 重要：优化后需要对比验证优化效果
# 重新采集性能数据（日志自动落盘）
# 使用超时控制，默认 5 分钟
bash "$PASS_PERF_SCRIPTS_DIR/run_with_timeout.sh" 300 python3 {user_specified_script}.py
# 日志文件位置：$ASCEND_PROCESS_LOG_PATH/debug/plog/pypto-log-*.log
# 注意：每次运行会生成新的日志文件，可通过时间戳区分
# 查找最新的日志文件
latest_log=$(find $ASCEND_PROCESS_LOG_PATH/debug/plog -name "pypto-log-*.log" -type f -printf '%T@ %p\n' | sort -n | tail -1 | cut -d' ' -f2-)
echo "最新日志文件: $latest_log"
# 运行 Python 脚本对比
python3 "$PASS_PERF_SCRIPTS_DIR/parse_pass_perf.py" \
-l $latest_log
# 生成优化后的火焰图和折叠数据
bash "$PASS_PERF_SCRIPTS_DIR/generate_flamegraph.sh" \
300 ./flamegraphs python3 {user_specified_script}.py
# 这会生成新的文件，例如：
# - folded_20260313_143022.txt (优化前，步骤7生成)
# - folded_20260313_150335.txt (优化后，刚刚生成)
# 对比优化前后的火焰图
bash "$PASS_PERF_SCRIPTS_DIR/compare_flamegraphs.sh" \
./flamegraphs/folded_20260313_143022.txt \
./flamegraphs/folded_20260313_150335.txt
# 差异火焰图将保存到 ./flamegraphs/diff_flamegraph_{timestamp}.svg
差异火焰图颜色说明：
| 颜色 | 含义 | 解读 |
|---|---|---|
| 🔴 红色/橙色 | 优化后增加的热点 | ⚠️ 需要关注，可能是新引入的性能问题 |
| 🔵 蓝色/青色 | 优化后减少的热点 | ✅ 优化有效，这些函数耗时减少 |
| ⚪ 灰色 | 基本不变 | 优化对该函数影响不大 |
对比分析要点：
如果性能未达标：
⚠️ 重要：重新生成火焰图进行性能瓶颈分析，不要盲目优化 重复步骤 6-21 直到达标
⚠️ 重要：性能达标后必须生成优化总结报告，记录所有优化措施及其性能影响
在生成报告前，收集以下数据：
# 1. 查看所有代码变更
git diff --stat HEAD~{n} # n 为优化过程中的 commit 数量
git log --oneline HEAD~{n}..HEAD
# 2. 查找优化前后的日志文件
# 优化前日志（步骤5采集）
ls -lh $ASCEND_PROCESS_LOG_PATH/debug/plog/pypto-log-*.log | head -5
# 优化后日志（步骤21采集）
ls -lh $ASCEND_PROCESS_LOG_PATH/debug/plog/pypto-log-*.log | tail -5
# 3. 查找火焰图文件
ls -lh ./flamegraphs/*.svg ./flamegraphs/*.txt
基于模板文件生成优化总结报告，并保存到 $ASCEND_PROCESS_LOG_PATH/perf_optimization_report.md：
template_path="$PASS_PERF_SCRIPTS_DIR/../templates/perf_optimization_report.md"
report_path="$ASCEND_PROCESS_LOG_PATH/perf_optimization_report.md"
cp "$template_path" "$report_path"
模板文件：templates/perf_optimization_report.md
生成报告时需要替换模板中的占位符，并保留以下必填章节：
## 基本信息## 优化概览## 优化详情## 性能数据汇总## 经验总结## 附录# 报告保存路径
report_path="$ASCEND_PROCESS_LOG_PATH/perf_optimization_report.md"
# 验证报告完整性（检查必填章节）
grep -q "## 基本信息" "$report_path" && \
grep -q "## 优化概览" "$report_path" && \
grep -q "## 优化详情" "$report_path" && \
grep -q "## 性能数据汇总" "$report_path" && \
grep -q "## 经验总结" "$report_path" && \
echo "✅ 报告结构完整" || echo "❌ 报告缺少必填章节"
# 查看报告
cat "$report_path"
生成报告后，逐项确认：
$PASS_PERF_SCRIPTS_DIR/parse_pass_perf.py
# 基本用法：分析单个日志文件
# 日志文件位置：$ASCEND_PROCESS_LOG_PATH/debug/plog/pypto-log-*.log
# 查找最新日志文件
latest_log=$(find $ASCEND_PROCESS_LOG_PATH/debug/plog -name "pypto-log-*.log" -type f -printf '%T@ %p\n' | sort -n | tail -1 | cut -d' ' -f2-)
python3 "$PASS_PERF_SCRIPTS_DIR/parse_pass_perf.py" -l $latest_log
# 或者直接指定日志文件路径
python3 "$PASS_PERF_SCRIPTS_DIR/parse_pass_perf.py" -l /path/to/pypto-log-*.log
# 对比两个日志文件
python3 "$PASS_PERF_SCRIPTS_DIR/parse_pass_perf.py" -l pypto-log-after.log --compare pypto-log-before.log
# 指定 Op 数量阈值（默认 200000）
python3 "$PASS_PERF_SCRIPTS_DIR/parse_pass_perf.py" -l pypto-log-*.log --ops-threshold 200000
# 指定时间阈值（默认 20s）
python3 "$PASS_PERF_SCRIPTS_DIR/parse_pass_perf.py" -l pypto-log-*.log --time-threshold 20
某些算子在运行阶段可能执行很长时间（超过 1 小时），但对于 Pass 编译性能分析而言：
# 设置超时时间为 10 分钟（600 秒）
bash "$PASS_PERF_SCRIPTS_DIR/run_with_timeout.sh" 600 python3 test.py
# 设置超时时间为 15 分钟（900 秒）
bash "$PASS_PERF_SCRIPTS_DIR/run_with_timeout.sh" 900 python3 test.py
# 设置超时时间为 2 分钟（120 秒）
bash "$PASS_PERF_SCRIPTS_DIR/run_with_timeout.sh" 120 python3 test.py
超时控制适用于所有需要执行算子的步骤：
当算子执行超时被中断后，脚本会返回退出码 0，允许继续执行后续步骤：
如果算子执行因其他原因失败（非超时中断），脚本会返回非零退出码，停止后续执行。
脚本位置: $PASS_PERF_SCRIPTS_DIR/run_with_timeout.sh
参数说明:
bash "$PASS_PERF_SCRIPTS_DIR/run_with_timeout.sh" <超时秒数> <命令> [命令参数...]
退出码:
0 - 成功完成或超时中断（允许继续后续步骤）非 0 - 执行失败（停止后续步骤）技术细节:
⚠️ 重要：优化后必须验证目标 Pass 的 UT 通过
# 运行目标 Pass 的 UT
python3 build_ci.py -f=cpp -u=Test{PassName}.* -j=24
# 如果 UT 失败：
# - 检查优化代码是否引入 bug
# - 使用 git diff 查看修改
# - 必要时回退修改
# - 重新优化
# 只有 UT 全部通过才能接受优化
| 类别 | 文件路径 |
|---|---|
| Pass 日志机制 | framework/src/passes/pass_mgr/pass_manager.cpp |
| 耗时统计函数 | LogPassRuntime() |
| Op 数量日志 | expand_function.cpp 中的 Operations().size() |
| 日志配置 | ASCEND_MODULE_LOG_LEVEL=PASS=1 |
| perf 使用 | perf record -g, perf report |
| valgrind 使用 | valgrind --tool=massif |
# 方法 1：使用 find 命令查找最新日志文件
latest_log=$(find $ASCEND_PROCESS_LOG_PATH/debug/plog -name "pypto-log-*.log" -type f -printf '%T@ %p\n' | sort -n | tail -1 | cut -d' ' -f2-)
echo "最新日志文件: $latest_log"
# 方法 2：使用 ls 按时间排序查找
latest_log=$(find $ASCEND_PROCESS_LOG_PATH/debug/plog -name "pypto-log-*.log" -type f | xargs ls -t | head -1)
echo "最新日志文件: $latest_log"
# 直接使用最新日志文件进行分析
python3 "$PASS_PERF_SCRIPTS_DIR/parse_pass_perf.py" -l $latest_log
# 日志文件拆分规则：单个文件超过 20M 自动拆分
# 拆分文件命名：
# - pypto-log-{pid}-{timestamp1}.log
# - pypto-log-{pid}-{timestamp2}.log
# - pypto-log-{pid}-{timestamp3}.log
# - ...
# 同一次执行的所有文件具有相同的 pid
# 查看同一次执行产生的所有拆分日志文件
# 方法 1：手动提取 pid 查找
log_file="pypto-log-1051473-20260312202107387.log"
pid=$(echo $log_file | sed 's/pypto-log-\([0-9]*\)-.*/\1/')
ls -lh pypto-log-${pid}-*.log
# 方法 2：自动分析（推荐）
# parse_pass_perf.py 会自动检测并处理所有拆分文件
python3 "$PASS_PERF_SCRIPTS_DIR/parse_pass_perf.py" -l pypto-log-1051473-20260312202107387.log
# 查看所有日志文件（按时间排序）
find $ASCEND_PROCESS_LOG_PATH/debug/plog -name "pypto-log-*.log" -type f | xargs ls -lht
# 查看所有日志文件（按大小排序）
find $ASCEND_PROCESS_LOG_PATH/debug/plog -name "pypto-log-*.log" -type f -exec ls -lh {} \; | sort -k5 -h
# 列出所有拆分的日志文件组（按 pid 分组）
find $ASCEND_PROCESS_LOG_PATH/debug/plog -name "pypto-log-*.log" -type f | xargs ls -t | head -20
# 查找特定进程ID的所有日志文件
pid="1051473"
find $ASCEND_PROCESS_LOG_PATH/debug/plog -name "pypto-log-${pid}-*.log" -type f
# 查找特定时间段的所有日志文件（2026年3月12日 20:21）
find $ASCEND_PROCESS_LOG_PATH/debug/plog -name "pypto-log-*-202603122021*.log" -type f
# 查找特定日期的日志文件（2026年3月12日）
find $ASCEND_PROCESS_LOG_PATH/debug/plog -name "pypto-log-*-20260312*.log" -type f
# 统计每次执行产生的日志文件数量
find $ASCEND_PROCESS_LOG_PATH/debug/plog -name "pypto-log-*.log" -type f | \
sed 's/pypto-log-\([0-9]*\)-.*/\1/' | sort | uniq -c
以下是已完成的 Pass 编译性能优化案例，可作为优化参考。
Commit: 6002c12d
优化方法:
auto& 替代 autobreak 终止遍历Commit: 1303180c
优化方法:
tensorToOrderIndex 索引映射，将 O(n²) 降为 O(1) 查找Commit: 0f653952
优化方法:
map<pair<K1,K2>, V>Commit: 22f7d2aa
优化方法:
Commit: 18046c2b
优化方法:
shared_ptr 实现数据共享，仅在修改时触发深拷贝，降低内存与时间开销通用优化模式总结:
| 模式 | 适用场景 | 示例案例 |
|---|---|---|
| 提前终止 | 条件检查类遍历 | 案例1 |
| 避免拷贝 | 遍历容器时 | 案例1 |
| 预计算索引 | 重复遍历同一数据 | 案例2 |
| 添加缓存 | 重复计算相同结果 | 案例3 |
| 数据结构简化 | 多层嵌套容器 | 案例3 |
| 避免临时对象 | 频繁创建销毁对象 | 案例4 |
| Copy-on-Write | 大数据频繁复制 | 案例5 |