菜单
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。
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。
基于 SOC 职业分类
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。
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。
| name | auto-optimization |
| description | 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。 |
auto-optimization
↓
profiling-collection（采集 profiling 数据）
↓
performance-analysis（5 层递进分析 → 方向级建议）
↓
performance-optimization（查 features.md → 选取具体方案 → 实施）
↓
profiling-collection + performance-analysis（复验）
| 下层 skill | 在本闭环中的职责 |
|---|---|
| profiling-collection | Step 1: 采集 profiling 数据；Step 4: 复验时重新采集 |
| performance-analysis | Step 2: 5 层分析，输出方向级建议（P0-P2） |
| performance-optimization | Step 3: 基于分析建议，查 mindiesd-features.md 选具体 API/方案并实施 |
import mindiesd 成功调用 profiling-collection：
python profiling-collection/scripts/collect_profile.py \
--host <IP> --user <用户名> --password <密码> \
--container <容器名> --script wan_infer.py --device-id 0 \
--warmup-steps 10
保障 warmup ≥10 步、profiler capture ≥5 步，采集完成后回传 profile_l1.tar.gz 到本地。
调用 performance-analysis：
python performance-analysis/scripts/analyze_trace.py \
--profile-dir ./profile_l1 --output-dir ./analysis
关键产出：
基于 performance-analysis 输出的方向级建议：
选取优先级：P0（MindIE-SD Pattern）→ P1（算子分类方向）→ P2（通用方案）
重新采集 + 分析，对比前后指标：
# 4.1 重新采集
python profiling-collection/scripts/collect_profile.py ...
# 4.2 重新分析
python performance-analysis/scripts/compare_traces.py \
--baseline ./baseline/profile_l1/kernel_details.csv \
--target ./validation/profile_l1/kernel_details.csv \
--baseline-label "Before" \
--target-label "After"
确认关键指标变化：
差距 < 3% 视为噪声，不宣称有效。
满足任一条件即停止优化循环：
每次优化闭环的最终产物见 references/artifact-layout.md。