kali20gakki/msAgent / skills/host-cpu/msagent-perf-cpu-config-audit
msagent-perf-cpu-config-audit
Verified昇腾训练/推理主机的环境配置体检:对 NUMA 亲和、大页/THP、governor 频率、cgroup 限流、IRQ smp_affinity、环境变量等 8 个配置域做单点快照审计,输出分级 Finding 与可回滚修改建议,不改动运行状态。触发:检查环境、配置体检、新机器开箱、换容器、 大页没配、governor 不对、cgroup 限流、中断亲和配置、NUMA 配置检查、绑核没生效。 不用于:训练变慢/step 抖动/利用率低的根因归因(→ perf-cpu-perf-triage); 产出绑核方案(→ perf-cpu-bind-tune);运行期实际落核观测(→ perf-cpu-tracing)。
msagent-perf-cpu-config-audit — 主机配置审计
对 Host CPU 侧的配置参数与运行时环境变量做只读预检(8 域检查项),输出审计报告、 Finding[]/Action[]、配置基线与 suspect_items。全程只读,不执行任何修改动作。
使用方式
# 最简:全自动(自动发现框架/NPU/业务进程),快检
python3 scripts/audit.py
# 全量深检(配置侧 + 现状侧)
python3 scripts/audit.py --full
# 可选:显式指定框架与期望卡集(校验"申请 vs 实际"是否一致)
python3 scripts/audit.py --framework vllm --npu-cards 0-7
# 事中模式:指定目标进程
python3 scripts/audit.py --pid 12345
# 聚焦域 + 基线对比
python3 scripts/audit.py --focus numa,hugepage --baseline <上轮目录>/hostcpu-baseline.json
参数
| 参数 | 必选 | 说明 | 缺省 |
|---|---|---|---|
| --framework | 否 | 辅助进程发现(缩小候选范围) | 自动发现 |
| --npu-cards | 否 | 期望卡集(H1 卡数校验,按封装口径;如 0-7) | 按实际发现,不校验期望 |
| --pid | 否 | 目标进程(事中模式,启用现状侧检查) | 自动取首个发现目标 |
| --quick / --full | 否 | 快检 / 深检 | quick |
| --focus | 否 | 聚焦域(numa,bind,hugepage,freq,irq,cgroup,env,npu) | 全量 |
| --baseline | 否 | 上一轮 hostcpu-baseline.json(对比输入) | 无 |
| --expected | 否 | 用户覆盖期望值(JSON;用 --dump-thresholds 导模板后改数值) | 无 |
| --dump-thresholds | 否 | 导出当前生效阈值模板(含逐键说明)后退出 | 不导出 |
| --output | 否 | 输出目录 | <cwd>/hostcpu_audit_<host>_<时间戳>/ |
工作空间与输出
- skill 安装位置由部署决定,skill 自身不感知、不引用安装路径
- 运行产物默认落在当前工作目录:
<cwd>/hostcpu_audit_<host>_<时间戳>/(skill 目录不写运行产物) --output显式指定输出目录;HOSTCPU_WORKSPACE环境变量可覆盖产物根目录(编排场景使用)- 远端执行:skill 拷贝位置与 cwd 由远程执行插件控制,skill 只按 cwd/参数落盘
输出产物
| 产物 | 用途 |
|---|---|
| static-snapshot.json | 配置事实快照(归档与复检对比,非跨 skill 契约) |
| findings.json | Finding[]/Action[](供 perf-triage 复用) |
| hostcpu-baseline.json | 配置原始值存档(复检对比 + 回滚依据) |
| hostcpu_config_report__.html | HTML 分节报告(主交付物;--stamp 可显式指定时间戳) |
| suspect_items.json | 建议后续观测项(供 os-observe 承接) |
职责边界
- 只做单点快照 + 配置项判定,不做差分/时序采样(持续确认 → os-observe);
- 不做 PMU 定量(→ perf-collect)、不做运行中异常归因(→ perf-triage);
- 绑核诊断输出 Finding + suggested_cpuset,方案归 bind-tune;
- NUMA 亲和偏差判定归 bind-tune(本 skill 的 A5/A6/A7 仅输出拓扑 FACT);
- NPU 形态事实交接:双 die 机型输出同封装 die 分组
npu_die_groups(绑核不可跨 node 拆分), 并输出 fabric 与亲和可得性npu_affinity_available;UB/HCCS_SW 等距机型 「无 NPU 亲和」属合法形态(A5 不告警、不建议标定),R001 仅给均衡切片示例并降置信。
判定口径
- 阈值三级覆盖:
references/check-items.md默认表 → 机型 profile → 用户--expected; - 机型 profile 按
match.cpu/npu与本机身份(/proc/cpuinfo、DMI、npu-smi 型号)前缀匹配, 多个命中时最长匹配优先(精确机型优先于家族通用),未命中走默认表; - 判定态 OK/WARN/CRIT;无期望值时 FACT(仅报事实);
- 工具缺失只降级(等价 /proc、/sys 读取)并标注
view_limited,不跳过。
阈值自定义(--expected)
用户不需要预先知道阈值键名——先导出模板,改数值后传回:
# 1. 导出当前生效阈值模板(默认 + 机型 profile 合并结果,含逐键说明)
python3 scripts/audit.py --dump-thresholds my_thresholds.json
# 2. 编辑模板中的数值(下划线开头的说明键会被忽略),然后审计时传入
python3 scripts/audit.py --expected my_thresholds.json
- 模板内
expected_affinity可填期望绑核核集(如0-79,留空不判); - 机型 profile(
references/profiles/)同样只写差异项,npu_numa_override(NPU→NUMA 标定映射,topo 无 Affinity 列的机型使用)与snc_expected为机型级扩展键。
Related skills
| Skill | Stars | Updated | Works with | Status | Install |
|---|---|---|---|---|---|
| rea-analysis-optimizationmorluto/reaOptimize REA providers and shared analysis workflows for agent context, latency, CPU, and memory while preserving correctness and Evidence. Use for analysis bottlenecks and cache or query design; CI/test-suite optimization belongs to rea-ci-tests-audit. | Stars: 469k | Updated | Claude CodeCodex | Verified | Install |
| rea-ci-tests-auditmorluto/reaAudit REA CI and test suites for correctness, fixture drift, false passes, and measured performance; use for suite or workflow investigations and efficiency changes, rather than ordinary feature testing or a single test failure. | Stars: 469k | Updated | Claude CodeCodex | Verified | Install |
| rea-tool-designmorluto/reaAudit, investigate, design, or change REA investigation tools, CLI/MCP contracts, provider capabilities, and Evidence semantics. | Stars: 469k | Updated | Claude CodeCodex | Verified | Install |
| ponytail-auditDietrichGebert/ponytailQuality audit of the whole repo: bugs, security, real load, missing tests, speed, and what to delete. Most important first. | Stars: 194k | Updated | Claude CodeCodex | Verified | Install |