mindstudio-skills

一个面向支持 SKILL.md 约定的 AI Agent 的技能仓库，当前重点覆盖 Ascend / MindStudio Profiling 分析，并补充文档体验审查、GitCode PR 审查等通用辅助技能。

这个仓库的目标不是堆积提示词，而是把可复用的诊断经验、明确的 SOP、以及必要的脚本工具收敛到同一个技能目录里，让 Agent 在合适场景下稳定触发、稳定执行、稳定输出。

特点

• 聚焦真实问题场景，而不是抽象能力描述
• 每个 skill 都有清晰的触发条件、边界和输出要求
• 复杂流程优先固化为脚本，减少 Agent 临场发挥带来的不确定性
• 保持轻量目录结构，便于直接复制、组合或迁移到其他 skill 仓库

当前技能

Skill	说明	典型输入	依赖
ascend-profiler-db-explorer	面向 Ascend PyTorch Profiler / msprof 数据库的 SQL 分析技能，把自然语言问题转成安全可执行 SQL，并结合表结构输出诊断结论	ascend_pytorch_profiler*.db / msprof_*.db 路径，或“TopK 算子 / 通信耗时 / 下发分析 / schema 查询”等问题	sqlite3、Python
cluster-fast-slow-rank-detector	面向 Ascend 集群 Profiling 的快慢卡诊断，区分 Host 下发慢、计算慢、通信慢等瓶颈类型	集群 profiling 根目录、慢卡/快卡分析诉求	msprof-analyze-advisor、Python、pandas
document-ux-review	像第一次接触项目的人一样按 README / quick start 真跑一遍，判断新人是否能走通并输出文档体验问题报告	仓库链接或本地仓库路径，以及“按 README 试一下 / 帮我检查文档能不能跑通”这类请求	目标项目所需运行环境、Shell、包管理工具
gitcode-code-reviewer	审查 GitCode PR，结合 PR metadata、diff 和仓库上下文给出深度审查结论，并可按需发布逐行评论	GitCode PR 链接，或“review this PR / 检视这个 PR / 检查 PR”这类请求	Python、git、GITCODE_TOKEN 或 git config --global gitcode.token ...
mindstudio_profiler_data_check	对 MindStudio profiler / msprof 采集结果做前置体检，判断是否可进入后续分析	profiler 结果目录	msprof，离线解析时依赖 torch_npu 或 mindspore
op-mfu-calculator	计算 matmul / GEMM / FlashAttention 等算子的 MFU，并给出推导过程	算子类型、shape、执行时间、峰值算力	无额外脚本依赖
github-raw-fetch	读取 GitHub 仓库中的源码、配置、README、Markdown 与 docs；普通文件自动将 blob 链接转换为 raw，docs 场景会先读取同仓库同 ref 的 agent_router.md 再定位真实路径	GitHub blob / raw 文件链接，或“读取某仓库某篇 docs”这类请求	支持网络抓取的 Agent / 工具，推荐 curl / curl.exe
ascendc-operator-performance-optim	基于 msprof op 性能数据诊断 AscendC 算子性能瓶颈，给出代码优化建议，并参考 AscendC 高阶 API 文档生成优化后的代码	msprof op 性能数据目录、算子源码路径、AscendC API 文档链接	Python3
msot-msopprof-operator-profiler	基于 msprof op 工具深度分析算子性能瓶颈，给出算子信息、关键性能数据、TOP5性能瓶颈、TOP5优化建议与报告总结，提升开发者算子性能优化效率	算子可执行程序、算子msprof op 性能数据目录	Python3

目录结构

.
├── README.md
├── ascend-profiler-db-explorer/
│   ├── SKILL.md
│   ├── references/
│   └── scripts/
├── cluster-fast-slow-rank-detector/
│   ├── SKILL.md
│   └── scripts/
│       ├── compare_api_stats.py
│       ├── compare_op_stats.py
│       └── rank_data_finder.py
├── document-ux-review/
│   └── SKILL.md
├── gitcode-code-reviewer/
│   ├── SKILL.md
│   ├── examples/
│   ├── references/
│   └── scripts/
│       ├── fetch_pr_info.py
│       ├── post_pr_comment.py
│       └── setup_token.py
├── github-raw-fetch/
│   └── SKILL.md
├── mindstudio_profiler_data_check/
│   ├── SKILL.md
│   └── scripts/
│       ├── offline_parse_mindspore.py
│       └── offline_parse_pytorch.py
├── op-mfu-calculator/
│   └── SKILL.md

快速使用

1. 选择一个 skill

每个 skill 都是一个独立目录，至少包含一个 SKILL.md。如果你的 Agent 支持本地 skills 目录，通常可以直接把对应目录复制、软链接，或按仓库方式纳入技能搜索路径。

2. 确保运行环境可用

部分技能除了说明文档，还会调用本地脚本或外部工具：

• Python 3
• pandas
• sqlite3（数据库查询类 skill）
• git
• msprof
• torch_npu 或 mindspore（仅离线解析相关技能需要）
• curl / curl.exe（GitHub raw / docs 抓取类场景）
• GITCODE_TOKEN 或 git config --global gitcode.token <your-token>（仅 gitcode-code-reviewer 需要）

3. 用任务语言触发技能

示例：

• “帮我检查这个 MindStudio profiler 数据是否完整可分析”
• “分析这个 Ascend 集群 profiling 目录里的快慢卡问题”
• “查一下这个 msprof_*.db 里最耗时的 TopK 算子和通信耗时”
• “根据这个 matmul 的 shape 和耗时计算 MFU”
• “按这个仓库 README 真跑一遍，看看新人能不能走通”
• “review 这个 GitCode PR，并把需要修改的问题整理出来”
• “把这个 GitHub 文件页面链接转成 raw content 给我”
• “读取这个仓库里关于 X 的 docs，先按 agent_router.md 找真实路径”

对于 gitcode-code-reviewer：

• 输入可以是 GitCode PR 链接，例如 https://gitcode.com/<owner>/<repo>/pull/<number>
• 技能会先获取 PR 元数据、变更文件和 diff，再结合仓库上下文做“有依据”的审查，而不是只复述 patch
• 如需把结论发布回 PR，需要先配置 GitCode 访问令牌

对于 github-raw-fetch：

• 如果目标是普通文本文件，按 github.com/<owner>/<repo>/blob/<ref>/... 到 raw.githubusercontent.com/<owner>/<repo>/<ref>/... 的规则直接转换并抓取
• 如果目标属于 docs、FAQ、指南、Markdown 文档体系，必须先读取同仓库同 ref 的 agent_router.md，再根据其中的目录映射、别名或入口规则推导真实路径
• 抓取 raw 内容时优先使用 curl；在 PowerShell 环境中优先使用 curl.exe -L

对于 ascendc-operator-performance-optim：

• 输入可以是 msprof op 性能数据目录（包含 ArithmeticUtilization.csv、L2Cache.csv 等文件）
• 技能会自动诊断性能瓶颈（Vector/Scalar 利用率、L2 Cache、流水线、资源冲突等）
• 结合算子源码给出具体的代码优化建议，并参考 AscendC 高阶 API 文档生成优化后的代码

Skill 设计约定

本仓库遵循一种尽量通用的 Agent Skills 组织方式：

• 每个 skill 一个目录
• 必须包含 SKILL.md
• SKILL.md 使用 YAML frontmatter，至少包含：
  • name
  • description
• 可选的 scripts/ 用于承载确定性更强、需要重复执行的辅助工具
• 说明文档优先写清楚触发条件、步骤约束、输出格式，而不是泛泛解释概念

新增 Skill 的建议流程

1. 新建一个 kebab-case 目录，例如 my-new-skill/
2. 添加 SKILL.md，写清楚 name、description、适用场景和 SOP
3. 如果流程里有稳定可执行的步骤，把它放进 scripts/
4. 用一个真实任务做最小验证，确认技能会被正确触发
5. 把新 skill 补充到本 README 的“当前技能”表格中

参考的开源项目

这个 README 的组织方式主要参考了几类业界开源项目的写法：项目定位先行、技能列表可扫读、目录结构明确、快速使用路径清晰、扩展规范单独成节。

• Vercel skills: https://github.com/vercel-labs/skills
• Vercel agent-skills: https://github.com/vercel-labs/agent-skills
• claude-skills-base: https://github.com/Cam10001110101/claude-skills-base

如果后续这个仓库继续扩展，可以再补充：

• CONTRIBUTING.md
• 技能分类目录（如 profiling/、utility/、research/）
• 自动校验脚本（frontmatter、目录结构、脚本可执行性）