菜单
针对 performance-analysis 发现的性能瓶颈，从 mindiesd-features.md（唯一真相源）
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。
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。
| name | performance-optimization |
| description | 针对 performance-analysis 发现的性能瓶颈，从 mindiesd-features.md（唯一真相源） |
建立基线 → 瓶颈分析 → 根因定位 → 保守修补 → 复验
↑ │
└──────────────────────────────────────────────┘
使用 performance-evaluation 建立基线，记录模型 / 分辨率 / 帧数 / 精度 / NPU 数等配置。
从 performance-analysis 的 5 层分析报告中获取：
分析报告给出的是优化方向（如"量化方向"、"通信掩盖方向"），具体方案在本 Step 选取。
基于分析报告的优化方向，查 mindiesd-features.md 确定具体 API 和参数：
正例: "分析报告显示 MatMul 占 DiT 58%，优化方向→量化。
查 mindiesd-features.md §MatMul量化，选取 W8A8_MXFP8"
反例: "感觉矩阵乘法比较慢，试试量化"
选择时需考虑：
优化方案从 mindiesd-features.md 中选取，详见 references/optimization-dimensions.md 的决策树。
| ✅ 允许 | ❌ 禁止 |
|---|---|
| 启用已有的、经验证的 kernel | 削弱输出正确性（cosine similarity 下降） |
| 修复遗漏的 fast path | 改变测试负载后宣称优化有效 |
| 减少不必要的同步/warmup | 仅为单框架/单硬件优化而破坏兼容性 |
| 添加有证据支撑的启发式配置 | 从单一 trace 数据得出普适结论 |
→ references/optimization-dimensions.md（决策树） → references/mindiesd-features.md（API/算法映射表，唯一真相源）
当性能优化过程中发现以下信号时，需检查 mindiesd-features.md 是否需要更新：
更新方式：
python scripts/refresh_features.py \
--docs-dir <path/to/MindIE-SD/docs/zh/features> \
--output references/mindiesd-features.md
满足任一条件即停止优化循环：
references/optimization-dimensions.md — 加载时机: 选择优化方向和决策逻辑时references/mindiesd-features.md — 加载时机: 确定具体 API/算法/硬件约束时（唯一真相源）scripts/refresh_features.py — 从 MindIE-SD docs 自动生成 mindiesd-features.md当新的优化维度经验证有效、硬件平台升级或发现新的优化模式时， 按 dev-workflow 的复盘流程更新本 skill。