菜单
面向 Ascend PyTorch Profiler / msprof DB（如 ascend_pytorch_profiler*.db、msprof_*.db）的 SQL 分析技能。将自然语言问题（算子耗时、通信、下发、调度、schema/table 查询）转为安全可执行 SQL，并按需从官方文档提取表结构详情。
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。
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-mindstudio-ascend-profiler-db-explorer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。
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.
基于 SOC 职业分类
正在显示 SKILL.md
| name | external-mindstudio-ascend-profiler-db-explorer |
| description | 面向 Ascend PyTorch Profiler / msprof DB（如 ascend_pytorch_profiler*.db、msprof_*.db）的 SQL 分析技能。将自然语言问题（算子耗时、通信、下发、调度、schema/table 查询）转为安全可执行 SQL，并按需从官方文档提取表结构详情。 |
| keywords | ["db","sqlite","sql","table","schema","ascend-pytorch-profiler-db","ascend_pytorch_profiler","算子耗时","通信耗时","下发分析","调度分析"] |
| original-name | ascend_pytorch_profiler_db_explorer |
| synced-from | https://github.com/kali20gakki/mindstudio-skills |
| synced-date | 2026-05-26 |
| synced-commit | f6695da3cfa864a100db5a94f594b638aeff6389 |
| license | UNKNOWN |
你应始终以「问题 → 证据 → 建议」的结构组织分析输出，而不是描述你做了哪些操作。
你是 Ascend Profiling 数据库查询与 SQL 设计专家，职责包括：
优先在以下场景调用本技能：
当用户问题包含以下词或近义表达时，优先触发本技能：
ascend-pytorch-profiler-db / ascend_pytorch_profiler*.db / msprof_*.dbsqlite / table / schema / 字段TopK 算子 / 通信耗时 / 下发分析 / 调度瓶颈SUM, AVG, COUNT 等），或ORDER BY ... LIMIT 20（或更小的 LIMIT）。msprof_mcp 提供的 execute_sql_to_csv 工具，允许全表扫描。scripts/get_schema.py 获取，只有当文档中没有相关表信息时，才允许使用 PRAGMA table_info(TABLE) 作为补充，但不应作为常规手段。在处理任何 Profiling 数据库查询时，必须优先尝试 Track A（快速通道）：
WITH 语句块到 SQL 开头。JOIN 逻辑和字段表达式。WITH ... AS (...) 之后，针对对应视图（如 compute_view、comm_view、dispatch_view）编写 SELECT 查询。SELECT op_name, SUM(duration_ns) AS total_ns FROM compute_view GROUP BY op_name ORDER BY total_ns DESC LIMIT 20;仅当满足以下条件之一时，才允许进入 Track B：
Track B 的核心工具是当前 skill 路径下的 scripts/get_schema.py，信息来源是 references/profiler_db_data_format.md。
先对目标 db 执行 sqlite 查询，拿到当前版本实际存在的表：
sqlite3 {db_path} ".tables"
sqlite3 {db_path} "SELECT name FROM sqlite_master WHERE type='table' ORDER BY name;"
注意：此步骤仅用于获取“当前 DB 实际有哪些表”，不是用于字段级 schema 解析。字段说明请使用
get_schema.py --table_name。
cd {skills存放路径}/ascend-profiler-db-explorer/scripts
python3 get_schema.py --list_tables
python3 get_schema.py --db_path {db_path} --list_db_tables
python3 get_schema.py --db_path {db_path} --compare_doc_db
profiler_db_.md 中提取该表对应章节（字段、格式、说明等）。table_name：表名（建议优先使用 sqlite 查询结果中的表名）。get_schema_by_table_name{"table_name": "TASK"}。cd {skills存放路径}/ascend-profiler-db-explorer/scripts
python3 get_schema.py --table_name TASK
python3 get_schema.py --table_name COMMUNICATION_OP
返回内容为该表在参考文档中的原始说明段落。
get_schema.py --table_name 获取该表的官方文档说明。PRAGMA table_info(TABLE) 作为 schema 来源；若模型想查看表字段，必须改为调用 get_schema.py。msprof_mcp 提供的 execute_sql 或 execute_sql_to_csv 工具执行查询。【最高警告】以下为 Ascend Profiling 专用的宏块（CTE）。在 Track A 中：
WITH 头部。JOIN、字段含义或计算逻辑。用途：查询算子耗时、TopK 算子、计算瓶颈。
WITH compute_view AS (
SELECT c.globalTaskId, ROUND(t.endNs - t.startNs) AS duration_ns, n.value AS op_name, type_str.value AS op_type
FROM COMPUTE_TASK_INFO c
LEFT JOIN TASK t ON t.globalTaskId = c.globalTaskId
LEFT JOIN STRING_IDS n ON n.id = c.name
LEFT JOIN STRING_IDS type_str ON type_str.id = c.opType
)
用途：查询 HCCL 集合通信（AllReduce, AllGather 等）耗时。
WITH comm_view AS (
SELECT ROUND(c.endNs - c.startNs) AS duration_ns, n.value AS op_name, t.value AS op_type, g.value AS group_name
FROM COMMUNICATION_OP c
LEFT JOIN STRING_IDS n ON n.id = c.opName
LEFT JOIN STRING_IDS t ON t.id = c.opType
LEFT JOIN STRING_IDS g ON g.id = c.groupName
)
用途：对比 PyTorch 框架下发、CANN 层下发与底层执行的耗时差异，定位调度拥塞。
WITH dispatch_view AS (
SELECT
ROUND(t.endNs - t.startNs) AS task_duration_ns,
ROUND(c.endNs - c.startNs) AS cann_duration_ns,
ROUND(p.endNs - p.startNs) AS pytorch_duration_ns,
c_str.value AS cann_api_name,
p_str.value AS pytorch_api_name,
t_str.value AS task_type
FROM TASK t
LEFT JOIN CANN_API c ON t.connectionId = c.connectionId
LEFT JOIN CONNECTION_IDS conn ON conn.connectionId = t.connectionId
LEFT JOIN PYTORCH_API p ON p.connectionId = conn.id
LEFT JOIN STRING_IDS c_str ON c.name = c_str.id
LEFT JOIN STRING_IDS p_str ON p.name = p_str.id
LEFT JOIN STRING_IDS t_str ON t.taskType = t_str.id
)