CC perf-optimize
Запускает и управляет рабочим процессом perf-optimize этого репозитория, который итеративно ПРИМЕНЯЕТ оптимизации обслуживания TensorRT-LLM — базовый бенчмарк при одной параллельности или Парето-кривую из них (ток/с/пользователь против ток/с/GPU), аналитический прогноз SOL по умолчанию (через внутренний навык perf-sol-analysis), определяющий предел, который преследует кампания, дорожную карту, ранжированную по профилю (nsys + ncu покомпонентный анализ через навык perf-nsight-compute-analysis), фиксированный бюджет раундов, применяющих элементы по одному, с ограничением по измеренному выигрышу (кривой режим использует Парето-ограничение; оценщик принимает, отклоняет или возвращает каждую попытку, а nsys профилирует каждый принятый), финальную проверку качества QA, отчет об ожидаемых и измеренных результатах с результатами Парето-улучшения. Используйте, когда пользователь хочет оптимизировать / улучшить / ускорить развертывание trtllm-serve (пропускную способность, TTFT, TPOT, ITL, сквозную задержку) или говорит «run perf-optimize». Для диагностики БЕЗ внесения изменений используйте вместо этого рабочий процесс perf-analyze.
машинный переводПоказать оригиналСкрыть оригинал«Launch and operate this repo's perf-optimize workflow, which iterative…»
Launch and operate this repo's perf-optimize workflow, which iteratively APPLIES TensorRT-LLM serving optimizations — baseline benchmark at one concurrency or a Pareto curve of them (tok/s/user vs tok/s/gpu), analytical SOL projection on by default (via the internal-perf-sol-analysis skill) sizing the headroom the campaign chases, profile-ranked roadmap.yaml (nsys + ncu per-kernel analysis via the perf-nsight-compute-analysis skill), a fixed budget of rounds applying items one at a time gated on measured gain (curve mode uses a Pareto gate; the evaluator accepts, rejects, or pushes back each attempt and nsys-profiles every accept), one final-verification QA benchmark, expected-vs-measured report with Pareto improvement results. Use when the user wants to optimize / improve / speed up a trtllm-serve deployment (throughput, TTFT, TPOT, ITL, e2e latency) or says "run perf-optimize". For diagnosis WITHOUT applying changes, use the perf-analyze workflow instead.
Скилл запускает workflow оптимизации TensorRT-LLM: бенчмарк на базовой конфигурации, построение кривой Парето (пропускная способность на юзера vs на GPU), аналитический расчёт потолка производительности, профилирование ядер через nsys и ncu, итеративное применение оптимизаций с проверкой прироста на каждом шаге. Обещает автоматизировать поиск узких мест и валидировать результаты.
Проблема: одна папка вместо полного набора файлов, качество кода 66 из 100, процесс 54 из 100. Отсутствуют скрипты и конкретные примеры запуска. На моделях скилл не проверялся. Без полного контекста workflow и зависимостей между шагами оптимизации риск наткнуться на битые ссылки и незакрытые требования высок.
Ставить не стоит: недостаточно файлов и реальных прогонов, чтобы понять, работает ли это в боевых условиях.
Запускает и управляет рабочим процессом perf-optimize этого репозитория, который итеративно ПРИМЕНЯЕТ оптимизации обслуживания TensorRT-LLM — базовый бенчмарк…
Как процесс C 54/100 · Есть пробелы — Скилл ссылается на файлы, которых нет в архиве: examples/disaggregated/slurm/benchmark/submit.py
Как улучшить
- Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
- В тексте есть ссылки на отсутствующие файлы: добавьте файлы или уберите ссылки.
- 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 · 0
✓ Критических и высоких находок нет
Просканировано файлов: 1. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
body-longтело SKILL.md ≈ 5127 токенов (рекомендуется < 5000); вынесите детали в references/ - предупреждение
missing-refссылка на отсутствующий файл: examples/disaggregated/slurm/benchmark/submit.py
Процессный рейтинг: все десять параметров 54/100
- 0Инструменты и файлы. Не хватает 1 файла(ов): examples/disaggregated/slurm/benchmark/submit.py
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 30Повторный запуск. Изменяющих операций: 9, без проверки текущего состояния
- 40Результат и критерий готовности. Не сказано, что считать результатом
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 70Стоимость исполнения. Тело инструкции 5127 токенов
- 100Шаги. Шагов: 36
- 100Ошибки и развилки. Развилок: 6, есть раздел про ошибки
- 100Согласованность. Имя и обязательные поля на месте
- 100Отчётность по ходу. Скилл сообщает о ходе работы
- medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
- low Ответ описан самодельной разметкой (9 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)
- +3Длина description 971: рекомендуется 120–800 символов
- +3Формат ответа не описан: модель каждый раз решает сама
- +2Инструкции на одном языке
- +4Структура: 8 заголовков
- +3Пошаговые инструкции: 36 пунктов
- +4Есть примеры (1 блоков кода)
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 66.