菜单
分析 PyPTO 算子的性能指标。当需要分析PyPTO算子的性能指标，从性能数据文件中提取关键指标，计算性能评级，或提供性能瓶颈分析和优化建议时使用此技能。
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
基于 SOC 职业分类
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/ascend-ai-coding/awesome-ascend-skills --skill external-cannbot-ops-pypto-op-perf-tune-perf-analyzer命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
正在显示 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-cannbot-ops-pypto-op-perf-tune-perf-analyzer |
| description | 分析 PyPTO 算子的性能指标。当需要分析PyPTO算子的性能指标，从性能数据文件中提取关键指标，计算性能评级，或提供性能瓶颈分析和优化建议时使用此技能。 |
| original-name | perf-analyzer |
| synced-from | https://gitcode.com/cann/cannbot-skills |
| synced-date | 2026-05-26 |
| synced-commit | ac5bbd2b4cf427d011874e11f8d1e8b1bef66eda |
| license | UNKNOWN |
此技能专注于分析 PyPTO 算子的性能指标，从性能数据文件中提取关键指标，计算性能评级，并提供性能瓶颈分析和优化建议。
当用户需要：
使用技能中的性能分析脚本自动生成报告：
重要提示
性能分析脚本 analyze_perf.py 的位置在 pypto-op-perf-tune/perf-analyzer/scripts/analyze_perf.py
性能数据目录位于算子目录下的 output/ 目录中
示例：
python3 scripts/analyze_perf.py <output_dir>
性能数据文件位于 output/output_*/ 目录下：
bubble_analysis.log - 气泡分析报告merged_swimlane.json - 泳道图数据文件machine_runtime_operator_trace.json - 性能追踪文件查找最新输出目录：
ls -lt output/ | head -n 2
从 bubble_analysis.log 中提取以下指标：
AIC 核心指标（AI Cube核心）：
AIV 核心指标（AI Vector核心）：
算子实际执行时间： 所有核心中 Core Total Work Time 的最大值
AicoreTime(核心实际工作时间)： AicoreTime = 核心总工作时间 - 总等待时间
核心利用率 = AicoreTime / (AicoreTime + 等待总时间) × 100%
气泡率 = 等待调度时间 / (AicoreTime + 等待调度时间) × 100%
平均核心利用率 = 所有核心核心利用率之和 / 核心数量
平均气泡率 = 所有核心气泡率之和 / 核心数量
根据以下标准进行性能评级：
| 评分 | 核心利用率 | 气泡率 | 内存效率 | 控制开销占比 |
|---|---|---|---|---|
| ⭐⭐⭐⭐⭐ | >90% | <2% | >70% | <30% |
| ⭐⭐⭐⭐ | >80% | <5% | >50% | <50% |
| ⭐⭐⭐ | >60% | <10% | >30% | <70% |
| ⭐⭐ | >50% | <20% | >20% | <80% |
| ⭐ | <50% | >20% | <20% | >80% |
高气泡率（>10%）可能原因：
分析要点：
低核心利用率（<50%）可能原因：
分析要点：
分析方法：
分析方法：
性能分析报告模板："templates/performance_report_template.md" 性能分析报告应包含以下内容：
## {算子名称} 性能分析报告
### 1. 核心性能指标
**算子实际执行时间:** {最大工作时间} us
**AIC AicoreTime:**
- AIC_1: {时间} us
- AIC_2: {时间} us
- ...
**AIV AicoreTime:**
- AIV_1: {时间} us
- AIV_2: {时间} us
- ...
### 2. 核心利用率分析
| 核心 | AIcoreTime | 等待时间 | 核心利用率 |
|------|---------|---------|-----------|
| AIC_1 | {时间} | {时间} | {利用率}% |
| ...
**平均核心利用率: {平均利用率}%**
### 3. 气泡分析
| 核心 | 气泡率 | 等待调度时间 |
|------|--------|------------|
| AIC_1 | {气泡率}% | {时间} us |
| ...
**平均气泡率: {平均气泡率}%**
**最大气泡率: {最大气泡率}% ({核心名称})**
### 4. 性能评级
| 指标 | 当前值 | 目标值(⭐⭐⭐⭐⭐) | 评级 |
|------|--------|----------------|------|
| 核心利用率 | {当前值}% | >98% | {星级} |
| 气泡率 | {当前值}% | <2% | {星级} |
**综合评级: {星级} ({评级描述})**
### 5. 性能瓶颈分析
1. **{瓶颈1名称}**
- 描述: {描述}
- 影响: {影响程度}
2. **{瓶颈2名称}**
- 描述: {描述}
- 影响: {影响程度}
### 6. 性能优化建议
**高优先级优化:**
1. **{优化1}**
- 描述: {描述}
- 代码: {代码示例}
**中优先级优化:**
2. **{优化2}**
- 描述: {描述}
- 代码: {代码示例}
### 7. 性能数据文件位置
- 泳道图: {泳道图路径}
- 气泡分析: {气泡分析路径}
- 性能追踪: {性能追踪路径}
可在 https://ui.perfetto.dev/ 上传泳道图文件进行可视化分析。