BC trtllm-moe-develop
Просматривайте, проектируйте и рефакторите код TensorRT-LLM PyTorch MoE для соответствия архитектуре, чистоты кода, поддерживаемости и тестируемости. Всегда используйте для любых модификаций, обзоров, рефакторинга или планирования проектирования, которые затрагивают модули MoE, включая tensorrt_llm/_torch/moe/fused_moe, ConfigurableMoE, бэкенды MoE, MoEScheduler/moe_scheduler.py, выполнение прямого прохода/разделение на части, стратегии связи, EPLB, квантование/обработку весов, маршрутизацию, фабрики, документацию MoE или тесты MoE. Также используйте, когда пользователь спрашивает, соответствует ли дизайн MoE текущей архитектуре или является ли рефакторинг MoE разумным.
машинный переводПоказать оригиналСкрыть оригинал«Review, design, and refactor TensorRT-LLM PyTorch MoE code for archite…»
Review, design, and refactor TensorRT-LLM PyTorch MoE code for architecture fit, clean code, maintainability, and testability. Always use for any modification, review, refactor, or design planning that touches MoE modules, including tensorrt_llm/_torch/moe/fused_moe, ConfigurableMoE, MoE backends, MoEScheduler/moe_scheduler.py, forward execution/chunking, communication strategies, EPLB, quantization/weight handling, routing, factories, MoE docs, or MoE tests. Also use when the user asks whether a MoE design follows the current architecture or whether a MoE refactor is reasonable.
Скилл для разбора и рефакторинга MoE-кода в TensorRT-LLM. Обещает анализировать архитектуру, чистоту кода и тестируемость модулей смешивания экспертов — от fused_moe до scheduler'а и квантизации.
В файлах два модуля с 8285 токенами описания. Оценка B: качество 79 баллов, но процесс только 51 — инструкция полная, но без примеров запуска или песочницы. Одна находка среднего уровня, критических нет. Скилл нацелен узко: срабатывает только если в запросе упомянуть MoE-модули, scheduler или конкретные пути в коде.
Ставить, если вы пишете MoE-логику в TensorRT-LLM или проверяете чужой код на соответствие их архитектуре. Для общего рефакторинга или других компонентов будет молчать.
Просматривайте, проектируйте и рефакторите код TensorRT-LLM PyTorch MoE для соответствия архитектуре, чистоты кода, поддерживаемости и тестируемости.
Как процесс C 51/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, стоимость исполнения
Как улучшить
- Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
- Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
- spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.
Находки guard · 1
✓ Критических и высоких находок нет
Средние и низкие: 1
-
низкая Секреты в коде
secret-high-entropy-tokenreferences/moe-canonical-code-examples.md:171Строка, похожая на токен (может быть id, хеш или секрет) (определение детектора / чёрного списка; тестовый файл / пример)- `Deep…hod`: FP8 block-scale loading and scale
детектортестовый файл
Просканировано файлов: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
body-longтело SKILL.md ≈ 8285 токенов (рекомендуется < 5000); вынесите детали в references/ - заметка
edit-residueв тексте есть пометки об устаревшем (строки 85, 91, 92, 210, 252, 568): проверьте, не остались ли старые правила рядом с новыми — полная проверка читает текст на противоречия
Процессный рейтинг: все десять параметров 51/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 40Стоимость исполнения. Тело инструкции 8285 токенов: вытесняет саму задачу из окна
- 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
- 60Инструменты и файлы. Используются инструменты (web, node), но во frontmatter они не объявлены
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 85Шаги. Шагов: 180, расплывчатых формулировок: 1
- 100Согласованность. Имя и обязательные поля на месте
- 100Повторный запуск. Изменяющие операции проверяют текущее состояние
- low Ответ описан самодельной разметкой (4 тегов): типизированный вызов надёжнее
Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.
Сигналы качества
- +5В description нет примеров фраз, по которым скилл должен срабатывать
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Формат ответа не описан: модель каждый раз решает сама
- +2Инструкции на одном языке
- +3Длина description 586 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 20 заголовков
- +3Пошаговые инструкции: 180 пунктов
- +4Есть примеры (2 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (1 из 1)
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 79.