Ascend/msagent / skills/profiler/memory-analysis
memory-analysis
Verified对 msMemScope 显存数据做全链路处理:根据用户的显存问题诉求(OOM、显存泄漏、显存占比拆解、Step 间对比等),指导并帮助用户以最合适的 msMemScope 采集配置完成显存数据采集(支持命令行、Python 接口、mstx 打点三种采集方式,覆盖训练、推理 vLLM-Ascend、FSDP、强化学习 verl 等场景);对已采集的 memscope_dump_*.csv/db 数据做系统性解读与问题诊断(整体显存曲线趋势分析、显存使用大头按模块/组件拆解分析、显存峰值点各模块与流程占比分析,以及对显存泄漏、OOM 等典型问题的根因定位与原因分析)。
| File | Kind | Size |
|---|---|---|
| SKILL.md | skill md | 48.1 KB |
| assets/collection_template.py | script | 2.1 KB |
| references/hccl_memory_detail.md | markdown | 14.4 KB |
| references/leak_diagnosis_guide.md | markdown | 11.7 KB |
| references/msmemscope_data.md | markdown | 20.5 KB |
| references/msmemscope_usage.md | markdown | 18.3 KB |
| references/oom_diagnosis_guide.md | markdown | 5.6 KB |
| references/pta_memory_management.md | markdown | 16.8 KB |
| references/vllm_ascend_memory_management.md | markdown | 10.3 KB |
| scripts/aggregate_dump.py | script | 78.1 KB |
| scripts/convert_dump.py | script | 15.6 KB |
references/msmemscope_data.md
View on GitHub# msMemScope 采集数据理解与通用解读(字段 / 口径 / 解读方法)
> 本文档对工具采集的数据做**通用的理解和解释**(粗粒度分析):数据文件与字段口径(§1~§3)、曲线/大头/峰值等通用解读方法(§4~§9)。
> **下一篇**:具体问题(OOM/泄漏)的诊断步骤见 `{scenario}_diagnosis_guide.md`(`oom_diagnosis_guide.md` / `leak_diagnosis_guide.md`);框架/组件内存逻辑见 `{framework}_memory_management.md`(`pta_memory_management.md` / `vllm_ascend_memory_management.md`)与 `{component}_memory_detail.md`(`hccl_memory_detail.md`)。
> 与 msMemScope 官方《输出文件说明》对齐。字段以实际落盘数据为准(版本演进可能调整)。
## 1. 数据文件与列结构
### 1.1 输出文件总览
| 文件 | 内容 |
| --- | --- |
| `memscope_dump_{ts}.csv` / `.db` | 内存事件数据(列结构见 §1.2,字段口径见 §2/§3) |
| `memory_compare_{ts}.csv` | Step 间对比结果(字段见 §1.4) |
| `python_trace_{TID}_{ts}.csv` | Python Trace 数据(字段见 §1.5) |
| `config.json` | 采集配置信息(如 start/stop 时间记录,shadow 判别用) |
### 1.2 memscope_dump_{timestamp}.csv 列结构
```
ID,Event,Event Type,Name,Timestamp(ns),Process Id,Thread Id,Device Id,Ptr,Attr,Call Stack(Python),Call Stack(C)
```
| 列 | 说明 |
| --- | --- |
| ID | 事件 ID |
| Event | 事件类型(见下) |
| Event Type | 事件子类型 |
| Name | 与 Event 相关:ACCESS 为算子名/ID、OP_LAUNCH 为算子名、KERNEL_LAUNCH 为 kernel 名、MSTX 为打点名、OOM_DETAIL 为 OOM_Trigger/OOM_RecentAlloc/OOM_TopAlloc,其余为 N/A |
| Timestamp(ns) | 事件时间(纳秒) |
| Process Id / Thread Id | 进程号 / 线程号 |
| Device Id | 设备:数值为 NPU 卡序号,"cpu" 为 CPU |
| Ptr | 内存地址,标识内存块:同一 ptr 从 malloc 到下一次 free 为一个生命周期 |
| Attr | 事件属性(JSON 风格键值,见 §2) |
| Call Stack(Python) | Python 调用栈(可选,需采集时配置 call_stack) |
| Call Stack(C) | C 调用栈(可选) |
### 1.3 Event 类型
| Event | 说明 |
| --- | --- |
| SYSTEM | 系统级事件(Event Type:ACL_INIT / ACL_FINI) |
| MALLOC | 内存申请 |
| FREE | 内存释放 |
| ACCESS | 内存访问(Event Type:READ / WRITE / UNKNOWN) |
| OP_LAUNCH | 算子执行(Event Type:ATEN_START / ATEN_END / ATB_START / ATB_END) |
| KERNEL_LAUNCH | kernel 执行(Event Type:KERNEL_LAUNCH / KERNEL_START / KERNEL_END) |
| MSTX | 打点(Event Type:Mark / Range_start / Range_end) |
| SNAPSHOT | 内存快照数据 |
| OOM_DETAIL | OOM 详细分析数据 |
### 1.4 memory_compare_{timestamp}.csv 字段
| 字段 | 说明 |
| --- | --- |
| Event | OP_LAUNCH / KERNEL_LAUNCH |
| Name | kernel 名称 |
| Device Id | 设备类型、卡号 |
| Base | input 第一个文件路径中的数据 |
| Compare | input 第二个文件路径中的数据 |
| Allocated Memory(byte) | kernel 调用前后的内存变化(N/A 表示不存在该 kernel) |
| Diff Memory(byte) | Base 与 Compare 的内存相对变化(0 表示无差异) |
### 1.5 python_trace_{TID}_{timestamp}.csv 字段
| 字段 | 说明 |
| --- | --- |
| FuncInfo | 函数名 |
| StartTime(ns) / EndTime(ns) | 起止时间戳(与 memscope_dump 时间轴一致) |
| Thread Id / Process Id | 线程 / 进程 ID |
## 2. Attr 键说明(memscope_dump)
> **Attr 格式**:`{k:v,k2:v2}` 自定义格式——**键无引号**(如 `{allocation_id:1,addr:0x123,used:4096}`),值可能为 hex 数字或字符串,**不是合法 JSON,不能用 `json.loads` 解析**;分析用脚本(`scripts/aggregate_dump.py`、`scripts/convert_dump.py`)内置 `parse_attr` 已兼容(先剥花括号再按逗号拆分),复用脚本即可,勿手写正则解析。
### 2.1 MALLOC / FREE(内存池类型)
| 键 | 说明 |
| --- | --- |
| allocation_id | 相同 allocation_id 属于同一块内存的操作 |
| addr | 地址 |
| size | 本次申请/释放的大小(字节) |
| owner | 内存块所有者(多级分类 `{A}@{B}@{C}...`),**仅 MALLOC** 存在;仅开启 decompose 时含显存类别与组件名称 |
| total | 内存池总大小(仅 Event Type 为 PTA/MindSpore/ATB 时存在)。PTA 池 total = 池向驱动申请的**段总量**(reserved 视角,各流池段的总和;PTA 池事件**无 stream 字段**,按 device 聚合上报) |
| used | 内存池二次分配累计大小(仅池类型事件)。PTA 池 used = 池内**活跃块累计**(allocated 视角,块级事件累加) |
| process_used | 本进程显存使用量(池事件 = HAL 累计) |
| device_used | 整卡显存用量(与 npu-smi 同源;环境不支持时为 -1/省略) |
| page_type | HAL 类型:normal / huge / giant(仅 Event Type 为 HAL) |
| alloc_type | HAL 分配类型:alloc / create(仅 Event Type 为 HAL)。`alloc` = 普通段申请(`halMemAlloc`,对应 `aclrtMallocAlign32` 等);`create` = expandable 模式物理页申请(`halMemCreate`,对应 `AclrtMallocPhysical`+`AclrtMapMem`)——看到 create 即说明框架开启 expandable_segments 模式 |
| shadow | 幽灵释放标记(仅 FREE 存在):`true` 表示该释放事件为幽灵释放,有两类来源——非采集期正常释放与进程退出时统一释放,判别方法见 [[leak_diagnosis_guide]] §1/§4。⚠️ **幽灵机制使 dump 中每条 MALLOC 必有配对 FREE(真实或 shadow)——配对不能证明无泄漏** |
**内存池类型(Event Type)语义**:`HAL` 为 host 侧经驱动接口(`aclrtMemAlloc` 等,下层调用 hal 层接口)申请的内存,其总量是各框架池总量的**父集**;`PTA`(PyTorch-for-Ascend)、`MindSpore`、`ATB` 均由框架向驱动申请内存池后自行维护——模型触发申请时从池中分配、释放时回收到池、池空间不足时扩容(再次调 `aclrtMemAlloc` 等),**扩容失败会抛出 OOM**(池模型细节与分析入手顺序见 §5)。
### 2.2 ACCESS / OP_LAUNCH / KERNEL_LAUNCH
**ACCESS 事件**:`dtype`、`shape`、`size`、`format`、`type`(内存池类型)、`allocation_id`(PTA 时存在)。
**OP_LAUNCH(ATB_START/ATB_END)**:`path`(算子在模型中的位置,含 pid/模块名/算子名)、`workspace ptr`、`workspace size`。
**KERNEL_LAUNCH**:`path`(kernel 位置,仅 KERNEL_START/KERNEL_END 存在)、`streamId`、`taskId`。
### 2.3 SNAPSHOT(内存快照)
| 键 | 说明 |
| --- | --- |
| total_mem | 设备总内存 |
| free_mem | 设备总空闲内存 |
| reserved | torch 框架预留总内存 |
| peak_reserved | torch 框架预留内存峰值 |
| allocated | torch 框架使用内存 |
| peak_allocated | torch 框架使用内存峰值 |
| device_utilization | 设备内存使用率 |
| pt_utilization | torch 预留内存使用率 |
> `reserved`/`allocated` 即 torch memory_stats 的同视角值,`peak_*` 为**事件驱动**更新(段申请/块下发时更新,释放/empty_cache 不降 peak)。
### 2.4 MALLOC/FREE(HOST_PINNED)
`addr`、`size`、`pinned`(是否锁页)、`used`(本进程已使用 HOST 物理内存)。
### 2.5 OOM_DETAIL
| Event Type | 键 | 说明 |
| --- | --- | --- |
| OOM_TRIGGER | func | 触发 OOM 的函数名 |
| | req_size | 申请内存大小 |
| | flag | 申请标志位 |
| | ret | 驱动返回码 |
| OOM_RECENT_ALLOC | pool | 内存池类型 |
| | ptr | 内存地址 |
| | size | 分配大小 |
| | timestamp | 分配时间戳 |
| | step | 所属 Step 编号 |
| | kernel | 所属 kernel 编号 |
| | client | 客户端进程 ID |
| | (Call Stack(Python)/(C)) | 调用栈 |
| OOM_TOP_ALLOC | 同 OOM_RECENT_ALLOC | 按大小排序的最大 K 条 |
> 脚本汇总:`--oom [--detail N]` 将三类记录分表输出,并依据附近 SNAPSHOT `free_mem` 自动给出量化推断提示(判定规则见 `oom_diagnosis_guide.md` §2)。
## 3. 统计键口径(曲线分析用)
| 键 | 含义 | 使用建议 |
| --- | --- | --- |
| `used` | 进程内显存使用量(HAL 事件 = HAL 申请累计,段级,含各框架池向驱动申请的池内存;池事件 = 池二次分配累计,块级) | 绘制"本进程使用曲线";**区分层级**:池 used 反映框架当前活跃块,HAL used 反映已从驱动申请总量,两者不可直接对比 |
| `device_used` | 整卡物理显存占用总量(dcmi 查询,与 npu-smi 的 HBM-Usage 一致) | 对照 npu-smi;环境不支持时为 -1 |
| `process_used` | 本进程显存占用总量(池事件 = HAL 累计;HOST 事件 = VmRSS;与 npu-smi 的 Process memory 一致) | 对比本进程 vs 整卡差值 |
| `total` | 内存池容量(仅 PTA/MindSpore/ATB 等池事件),即池向驱动申请的内存大小。PTA 池 total = 各流池段总和(按 device 聚合,无 stream 字段) | 池预留水位;total 变大 = 扩容(伴随 HAL 事件,`alloc_type` 见 §2.1) |
**口径说明**:
- **事件时刻之后的值**:`used`/`device_used` 等统计量为**事件时刻之后**的值——MALLOC 事件显示申请后的用量,FREE 事件显示释放后的用量。
- **层级关系**:`device_used`(整卡)≥ `process_used`(本进程)≥ HAL `used`(本进程 HAL 申请)。工具运行在 host 侧,只能感知 host 侧代码直接/间接调用驱动接口申请的显存。
- `device_used` 构成:NPU 片上 RTOS 占用 + 片上程序申请 + AICPU 算子申请(可能有)+ 业务进程占用(主要);`process_used` 构成:框架内存池(主要)+ CANN 各组件 host 侧申请 + 三方库/自定义代码调 acl 接口申请。
- HAL `used` 与 `process_used` 的差值一般为 HCCP 占用。
- `device_used` 查询失败(环境无卡/CANN 不支持)时字段为 `-1` 或省略,此时用 `used`/`process_used`。
- **池事件语义速记**(PTA 为例,其余框架池同构):池 `used` = 池内活跃块累计(allocated 视角,张量级);池 `total` = 池向驱动申请的段总量(reserved 视角,只增不减——释放不归还驱动,仅 empty_cache / OOM 自动回收 / GC 阈值 / expandable unmap 时回落)。详见 [[pta_memory_management]]。
## 4. 曲线趋势解读
曲线为**事件驱动**:仅 HAL/内存池 MALLOC/FREE 事件时刻有点,两事件之间为阶梯保持,不是轮询采样(各键口径见 §3)。
### 4.1 曲线形态识别决策树
```
提取 used / device_used 序列(--curve)
│
├─ 持续攀升且不回落 ────► 泄漏/缓存累积嫌疑 → 进入泄漏诊断(leak_diagnosis_guide.md)
├─ 阶梯上升 ────────────► 内存池按需预留(看 total 是否同步增长)
│ ├─ total 同步增长且池使用率低 → 池预留策略问题(碎片/预留过大)
│ └─ total 稳定、used 阶梯 → 峰值申请(如大中间量)瞬态
├─ 平台期稳定 ───────────► 正常
├─ 锯齿(申请-释放循环)──► 正常动态分配,关注振幅是否过大
└─ 峰值后回落 ───────────► 瞬时峰值 → 峰值占比分析(§7)
```
### 4.2 与 npu-smi 对照
- `device_used` 曲线与同期 `npu-smi info` 整卡用量应一致(同源接口)。
- 若工具曲线系统性低于 npu-smi:属正常现象(工具可见范围 = host 侧申请),向用户说明差值来源(片上侧、其他进程)。
- 若用户想定位"进程释放后整卡未回落":对比 `process_used`(回落)与 `device_used`(残留)两条曲线。
## 5. 内存池模型(曲线与大头分析的基础)
- **内存池层级**:`HAL` 是 host 侧经驱动接口(`aclrtMemAlloc` 等,下层调用 hal 层接口)申请的内存,其总量是各框架池总量的**父集**;`PTA`/`MindSpore`/`ATB` 均由框架向驱动申请内存池后自行维护——模型触发申请时从池中分配(释放时回收到池),池空间不足时扩容(再次调 `aclrtMemAlloc` 等),**扩容失败则框架抛 OOM**(见 [[oom_diagnosis_guide]])。
- **分析入手顺序**:先从一个内存池类型入手(pytorch 用户优先分析 `PTA` 池),初步分析后再进行联动分析(HAL 等);框架内存池是显存分析的重点对象,可优先过滤框架池事件分析。
- **扩容判定与池效率**:同一池的连续两条池事件中,后一条 `total` 变大 = 发生扩容;两条池事件之间一般伴随一条 HAL 申请事件(即扩容申请)。扩容前 `used/total` 为该池的**有效使用率**,使用率偏低提示池预留过大或存在内存碎片。
## 6. 显存大头(owner 聚合)
### 6.1 前提与维度约束
只有开启 `analysis=decompose` 时,MALLOC 事件 Attr 才含 `owner` 字段(显存类别与组件名称)。未开启时只能降级分析:
| 数据可用度 | 可做的分析 |
| --- | --- |
| 有 owner | **指定维度(内存池)**后按 owner 聚合(模块/组件/自定义标签维度) |
| 无 owner | 按 Event Type(HAL/PTA/MindSpore/ATB/HOST_PINNED)与 pool 维度分析 |
| 无 owner 且无 call stack | 只能看总量曲线与事件分布,明确告知用户信息缺失 |
**维度与层级关系(重要)**:
- **HAL 事件 = 驱动层全集**:HAL 事件由 hook 驱动接口(`halMemAlloc` 等)产生、无过滤,**包含 PTA/ATB/MindSpore 等框架池向驱动申请的大段**(这些段在 HAL 事件中 owner=`CANN@APP`);HAL 事件活跃总量 ≈ 进程驱动显存(与 `process_used` 同源量级)。
- **池事件 = 池内子视图**:PTA/ATB/MindSpore 池事件是同一物理内存的库层视图(同地址同时出现在 HAL 与池事件中,dump 实测同尺寸双记)。**两类数值嵌套、不可相加**(`device_used ≥ process_used ≥ HAL used ≥ 池 total ≥ 池 used`),不存在"池并列汇总"。
- **拆解是级联单维度操作**:默认从驱动层全集(HAL)拆出组件(HCCL/APP/GE/RUNTIME…,owner=`CANN@<组件>`)→ `CANN@APP` 即框架池段 → 再下钻池内用途(weight/optimizer_state/fsdp2…)。注意 **HCCL 没有独立池**:通信内存分配在 HAL 维度的 `CANN@HCCL` owner 下。
- **HOST(锁页/主机侧)当前暂不纳入显存拆解分析**(其走 `aclrtHostRegisterV2` 通道,非 NPU 显存池事件)。
### 6.2 owner 分类解读
owner 为多级分类,`@` 分隔(框架@组件@流程@细化@…,空段跳过、**同一维度内深度天然不一致**):
- **首段(FRAMEWORK 级)= 分配器来源名,不是池名也不是分析归口**:PTA 池 → `PTA`;HAL 池 → `CANN@<组件>`(非 `HAL@`!如 `CANN@HCCL`/`CANN@APP`/`CANN@GE`/`CANN@RUNTIME`/`CANN@UNKNOWN`);ATB → `ATB`;MindSpore → `MINDSPORE`;少量直标块无首段(如 `weight@ops`)
- **维度内一级归口 = 丢弃框架段后的首段**:PTA 池 → `weight`(权重)、`gradient`(梯度)、`optimizer_state`(优化器状态)、`fsdp2`、`aten`(算子中间量;需 PyTorch ≥ 2.3.1 且 level=op);HAL 池 → `HCCL`(通信内存)、`APP`、`GE`、`RUNTIME`(驱动侧组件),聚合脚本用该归口(`--at-timestamp --pool <池>` / `--group-by owner --pool <池>` / `--leak-candidates --pool <池>`)
- **推理(vLLM-Ascend 11.0)**:`vllm@weights@lora|drafter`、`vllm@kv_cache@attn|mamba|hidden_state`、`vllm@profile|serve|warmup`
- **FSDP**:`fsdp2@all_gather_output@ops`(组件@流程/细化@ops)、分片权重、激活值、梯度等
- **自定义标签**:用户 `describe` 接口添加(默认落在 USER_DEFINED 槽,如 `PTA@my_label`)
### 6.3 聚合方法
- 先定层级再聚合:驱动层全集默认拆 `--pool HAL`;池内用途 `--pool PTA`(池事件与 HAL 数值嵌套不可相加)。
- 峰值口径:同一 owner 在活跃状态下的最大占用(`--metric peak`)。
- 聚合时注意:MALLOC 事件为申请后值,FREE 事件为释放后值,统计"占用"应以**申请事件**(MALLOC)为准累加,或直接使用 used 序列在各 owner 间的分解(若 owner 未覆盖全部,差值归入未知)。
- 占比 = 该 owner 峰值占用 / 总体峰值(或指定时刻总占用),报告标注口径(池内占比应标明分母为该池总量)。
## 7. 峰值点定位与占比
### 7.1 峰值定位
| 途径 | 方法 |
| --- | --- |
| 事件曲线 | `used`(或 `device_used`)序列最大值对应时间戳——脚本 `--peak [--key used\|device_used\|process_used]` 自动定位(输出时间戳可直接衔接 `--at-timestamp`) |
| SNAPSHOT | `peak_allocated`/`peak_reserved` 字段给出 torch 视角的峰值;`device_utilization` 给出整卡水位 |
### 7.2 峰值时刻占比
```bash
# 默认拆驱动层全集(HAL 事件,含框架池段 CANN@APP;一级归口 + 层级树,占比默认输出)
python3 scripts/aggregate_dump.py <dump.csv> --at-timestamp <ns>
python3 scripts/aggregate_dump.py <dump.csv> --at-timestamp <ns> --pool PTA # HAL 之下第二层:池内用途
```
- 峰值时刻 = 曲线最大值时间戳附近(取事件时刻)。
- 拆解是**级联单维度操作**(见 §6):HAL 为驱动层全集(≈process_used,含框架池段),池事件是嵌套子视图,**两类数值不可相加**,无"池并列汇总";HOST 暂不分析。
- 若 dump 无 decompose,降级为按 Event Type 占比(HAL vs 池,仅作层次参考)。
### 7.3 峰值成因
- 结合峰值时间戳前后的 OP_LAUNCH / KERNEL_LAUNCH 事件与 Call Stack,识别峰值由哪类算子/流程引起(如大 batch 前向、梯度同步、KV cache 增长)。
- 结合 python_trace(若采集)定位峰值对应代码段。
## 8. 常见数据口径陷阱
| 陷阱 | 说明 |
| --- | --- |
| 第一 Step 波动 | 第一个 Step 内存尚未稳定,波动不可作为泄漏证据(在线泄漏分析从第二 Step 起) |
| 存量显存 | start() 前已分配未释放的显存块仅记录(总量统计用),**不参与**泄漏/拆解等分析 |
| 事件驱动曲线 | 曲线仅事件时刻有点,不做中间态推断 |
| device_used 缺失 | 环境不支持时为 -1/省略,分析中不应引用 |
| alloc/free 不成对 | 采集时 events 未同时含 alloc/free 会导致配对信息缺失,泄漏分析不准确——解读前先核对 config |
| 幽灵释放一概当未释放 | attr 含 `shadow:true` 有两类:非采集期正常释放(工具 stop 状态期间的真实释放行为)与进程退出时统一释放(未释放内存,工具补齐);按采集状态(config.json 的 start/stop 记录)与时间戳判别(见 [[leak_diagnosis_guide]] §1/§4),只有进程退出时统一释放才是泄漏分析关注对象。**反向误区同样存在:MALLOC/FREE 必然配对(幽灵机制补发 shadow FREE),"有配对"不能证明无泄漏** |
## 9. 碎片分析口径
### 9.1 碎片率定义与阈值
- **池碎片率** =(池 `total` − 池 `used`)/ 池 `total` × 100%——用**同一条池事件**的 total/used(保证同一时刻)。
- **torch 视角碎片率** = 1 − `pt_utilization` =(`reserved` − `allocated`)/ `reserved`(SNAPSHOT 字段)。
- **阈值分级**(借鉴 Ascend NPU Snapshot Analyzer 口径,与其 `(total_size − allocated_size)/total_size` 定义一致):<5% 正常;5%~15% 偏高(关注);>15% 严重(碎片是主要矛盾)。
- **一键画像脚本**:`--fragmentation [--pool <池>]` 直接输出池扩容清单(时间戳/扩容前后 total/增量/**扩容前 used/total 有效使用率**/伴随 HAL 段)、碎片率统计(当前/峰值/均值/最差时刻)与有效使用率最低 TOP5。
### 9.2 观测边界(分析前务必明确)
- **msmemscope 无段级/块级存量视图**:不能做逐段碎片率、块状态分布(`active_allocated`/`active_pending_free`/`inactive`)、假性碎片判定(pending 占比 >50%)。这些需引用 **ascend-npu-snapshot-analyzer** skill(补采 `torch_npu.npu.memory._record_memory_history` + `_dump_snapshot()` 后分析)。
- **⚠️ 池 `used` 在框架 free_requested 时点扣减**:跨流延迟释放(pending)的块空间被计入"碎片"部分但无法识别——多流场景(HCCL、多线程推理)碎片率可能虚高,存在三种候选解释(真碎片 / 流池残留 / 跨流延迟假性碎片),msmemscope 无法区分,需 snapshot 块状态确认。
- **池 total 只增不减为框架正常行为**(释放≠归还,见 `pta_memory_management.md` §2.2):"total 高、used 低"本身不是异常,需结合使用率(扩容前 `used/total`)与增长趋势判断;total 回落(HAL 归还/empty_cache/GC)才是回收行为。Related skills
| Skill | Stars | Updated | Works with | Status | Install |
|---|---|---|---|---|---|
| deprecation-and-migrationaddyosmani/agent-skillsManages deprecation and migration. Use when removing old systems, APIs, or features. Use when migrating users from one implementation to another. Use when migrating a database schema in production, such as renaming or dropping a column without downtime (expand/contract). Use when deciding whether to maintain or sunset existing code. | Stars: 118k | Updated | Claude CodeCodex | Verified | Install |
| performance-optimizationaddyosmani/agent-skillsOptimizes application performance across frontend, backend, queries, and databases. Use when performance requirements exist, when you suspect performance regressions, when Core Web Vitals or load times need improvement, when N+1 query patterns need fixing, or when profiling reveals bottlenecks. | Stars: 118k | Updated | Claude CodeCodex | Verified | Install |
| Agent Cost Reportthedotmack/claude-memBelievable agent cost report for any period, default the last 7 full days PT, not counting today. Measured tokens from Claude Code transcripts priced at OpenRouter list prices (ESTIMATED), measured provider spend when a sanctioned source exists, note-taker cost separate, Timing-style HTML/PDF plus report.json, line-items.csv, evidence.json. | Stars: 118k | Updated | Claude CodeCodex | Verified | Install |
| Agent Cost Reportthedotmack/claude-memBelievable agent cost report for any period, default the last 7 full days PT, not counting today. Measured tokens from Claude Code transcripts priced at OpenRouter list prices (ESTIMATED), measured provider spend when a sanctioned source exists, note-taker cost separate, Timing-style HTML/PDF plus report.json, line-items.csv, evidence.json. | Stars: 118k | Updated | Claude CodeCodex | Verified | Install |