MindIE-SD

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。

MindIE-SD 仓库 Markdown 格式 lint 规则。当编写、修改或审查 Markdown 文件（README、文档、 变更日志等）、或 CI 门禁报出 markdownlint 违规时使用此 skill。 即使用户只提到"格式问题"或"MD040报错"而未说 markdownlint，也应触发。 通常由 dev-workflow 和 code-standards 在编码/审查阶段指引加载。

Handle MindIE-SD documentation, governance, contributor workflow, commit or PR conventions, history cleanup, template changes, and version-policy updates with minimal context, fixed review steps, and deterministic output.

在 NPU 上验证模型推理的正确性和兼容性。 §A Dummy Run：使用随机权重快速验证新模型架构兼容性（无需真实权重）。 §B 部署验证：验证已部署模型的推理正确性（依赖 ascend-deploy 完成部署）。 产出粗粒度时序数据可传递给 performance-analysis 或 profiling-collection。 当用户需要确认模型能否跑通、评估参数量和显存占用、 查验各组件构造耗时分布时使用此 skill。 即使用户只提到"帮我试试这个模型能不能跑"而未说 dummy run，也应触发。 由 dev-workflow 的验证阶段触发。

[WIP] 大模型分布式并行策略选型参考。当前提供策略分类概览（TP/USP/RSP/CFG），

针对真实 NPU 设备的 profiling 数据（trace.json / kernel_details.csv）， 分析模型性能分布，定位算子级耗时与显存热点，输出瓶颈诊断和改进建议。 当用户有实际 profiling 产出、需要理解"模型为什么慢"或查找具体瓶颈时使用此 skill。 即使用户只提到"这个模型为什么慢"或"帮我看看瓶颈在哪"，也应触发。 由 dev-workflow 的分析阶段触发。

使用 msmodeling 评估模型推理性能，支持多硬件平台和多模态模型。 无 NPU 时在 CPU 上模拟各类 NPU/GPU 性能，完成初步评估； 有 NPU 时可通过 profiling-collection 采集真实数据，对接 performance-analysis 做深度分析。 当用户需要模拟或实测模型推理性能、对比不同硬件平台、建立性能基线时使用此 skill。 即使用户只提到"测一下这个模型的速度"而未说 msmodeling，也应触发。 用户必须明确指定模型规格、分辨率、设备类型和量化方式。评估过程中必须记录完整日志，评估结果按规范路径保存。

针对 performance-analysis 发现的性能瓶颈，从 mindiesd-features.md（唯一真相源）