当用户需要部署 msmodeling optix 服务化自动寻优工具时使用。负责安装与验证。
インストールする前に、エージェントに与えられる指示の中身を確認できます。
本 skill 负责将工具装好并验证能用。
其他内容由对应 skill 负责：
msmodeling-env-installerconfig.toml 配置：msmodeling-optix-param-recommend寻优工具仅支持以下昇腾推理产品：
| 产品类型 | 是否支持 |
|---|---|
| Atlas A3系列产品 | √ |
| Atlas A2系列产品 | √ |
| Atlas 200I/500 A2推理产品 | √ |
| Atlas 200/300/500推理产品 | √ |
| Atlas训练系列产品 | x |
- 目标运行环境不支持 Windows
- 昇腾的训练系列产品不支持，请确认使用的是推理系列产品
用户说"安装""部署"时，直接执行以下步骤，不要只给命令。
为减少安装等待时间，默认优先使用阿里云镜像：
https://mirrors.aliyun.com/pypi/simple/
注意：不要写成
PYPI_MIRROR=... python -m pip install -i "$PYPI_MIRROR" ...。 这种写法里"$PYPI_MIRROR"会在临时环境变量生效前被 shell 展开，结果可能变成空字符串，导致 pip 实际拿到空的 index URL。优先直接把镜像地址写进
-i参数；如果确实要用环境变量，必须先单独export，再在后续命令里使用。
若用户已有公司内网镜像、离线源或明确指定其他源，则尊重用户配置，不强制改成阿里云镜像。
寻优工具已集成在 msmodeling 项目中。检查安装入口与默认配置：
ls pyproject.toml optix/config.toml
若仓库不存在，直接克隆：
git clone https://gitcode.com/Ascend/msmodeling.git
cd msmodeling
msmodeling 仓库结构：
msmodeling/ ← 仓库根目录
├── pyproject.toml ← optix 安装入口
└── optix/
├── config.toml ← 寻优工具默认配置
└── ... ← 寻优工具源码（optimizer 代码等）
安装时不要依赖上一次 shell 的 cd 状态。应优先使用单条命令，把切目录和安装写在一起，避免误在其他目录执行 pip install -e .。
推荐安装命令如下：
cd msmodeling && python -m pip install -i https://mirrors.aliyun.com/pypi/simple/ -e .
若用户明确要求使用其他镜像，把上面的 URL 替换成用户指定源即可。
注意：当前仓库中
msmodelingCLI 由仓库根目录的pyproject.toml提供，安装时应进入msmodeling/仓库根目录，而不是在optix/子目录或其他位置执行pip install -e .。
msmodeling optix --help
告诉用户安装是否成功。若失败，给出具体缺失项和修复建议；并给下一步建议：运行环境检查、配置 config.toml 或开始参数推荐。
卸载前说明会移除 Python 包，征得同意后执行：
python -m pip uninstall optix
まだレビューはありません。使ってみた感想をお寄せください。
概要と使いどころ
当用户直接要求进行数据集压缩测评，或在量化调优过程中需要使用 AISBench 评测工具输出数据集精度等场景时使用。 本 Skill 负责：使用 AISBench 数据集压缩代码、用 RBF Kernel Herding 算法生成压缩后的数据子集（coreset），并按用户目标交付两种产物之一： ① 接入量化调优主流程：产出独立的 coreset 数据集配置（不覆盖原始数据），回传「全集 config_name + coreset config_name」给编排层，供 evaluation.yaml 切换； ② 仅数据集压缩测评（不做量化调优）：基于 example 模板生成「全集测试脚本」和「子集测试脚本」两份 shell 脚本。 暂时支持 AIME 2025 和 GPQA，其他数据集需要再结合 aisbench tools目录下 herding_coreset_selector 源码进行分析。
日本語の概要は準備中です。原文の説明を表示しています。
Ascend cluster comparison tool. Invoke when user asks to compare two cluster datasets (DB or TEXT), or to generate cluster_analysis_output from raw profiling data via msprof-analyze and then compare.
日本語の概要は準備中です。原文の説明を表示しています。
专门用于 Ascend 集群 Profiling 性能数据的“快慢卡”诊断专家技能。当用户提供【集群性能数据目录/路径】并要求分析【快慢卡】、【慢节点】、【负载不均衡】或【集群瓶颈】时，必须触发此技能。该技能会自动接收集群路径，调度相关工具输出快慢卡的宏观定性与微观根因（如 Host 下发瓶颈、算子计算劣化）。
日本語の概要は準備中です。原文の説明を表示しています。
Analyze Ascend NPU collective communication profiling data with a DB-first workflow. Use when the user provides `cluster_analysis_output/cluster_analysis.db`, rank-level `analysis.db`, rank-level `ascend_pytorch_profiler_{rank_id}.db`, together with `profiler_info.json`, and asks about HCCL or hcom communication cost, collective communication TOP ops, wait time, slow rank/straggler, Notify Wait, bandwidth, retry, relay, SDMA/RDMA/HCCS links, communication matrix, or Ascend communication fault patterns.
日本語の概要は準備中です。原文の説明を表示しています。
Analyze Ascend NPU computation-side profiling data for single-card runs or a selected rank from multi-card runs. Use this skill when the user asks to diagnose computation bottlenecks, AI Core / AI Vector / AICPU hotspots, dynamic shape overhead, block dim issues, redundant TransData/Transpose/Cast, cross-stream waits, frequency/runtime-state issues, or fusion opportunities.
日本語の概要は準備中です。原文の説明を表示しています。
针对昇腾 NPU 上的 PyTorch 模型，识别可做融合算子替换的代码段、替换为 torch_npu 融合算子并做性能/精度验证。当用户提到融合算子、NPU 算子替换、RMSNorm/SwiGLU/RoPE/Attention 融合、torch_npu 亲和算子等关键词是，使用本 Skill。
日本語の概要は準備中です。原文の説明を表示しています。