app-tuner

Plugin app-tuner from marketplace kpbot-marketplace in openeuler-mirror/KPBot. Commands read from the repo's manifest — today.

Skills (38)

• kpbot-app-tuner

  使用该 skill 构建和执行服务器应用优化 Agent 的自顶向下优化流程，覆盖用户场景输入、Agent 可选操作确认、基线数据确认、环境诊断与备份、磁盘/网卡/内存/CPU/GPU/NPU/硬件规格瓶颈识别、基线后按进程火焰图/热点函数/热点 so/topdown L1 icache miss/L3 cache miss/线程切换等性能信息采集、根据采集信息生成候选优化 skill 列表、按候选列表依次执行 CPU 亲和性、网络参数、性能库、应用配置、BIOS、OS、编译和 Other 等优化 skill、候选完成后覆盖执行未命中 skill、分轮收益统计、review 与环境还原、案例归

• cubesandbox-bench-protocol

  工作场景：CubeSandbox（microVM 沙箱，类 Firecracker 架构）生命周期性能的基准测量 工程协议——创建/恢复吞吐与延迟的标准化场景、纪元纪律（跨重启数字不可比）、多轮 连跑防冷窗口、轮间清理清单、结果文件判读（轮内分布形态分类）。适用于"优化有没有 效果"的验证、版本/环境对比、容量评估。配套脚本 analyze_bench_results.py 对 cube-bench 的 JSON 报告做形态判读。不适用：沙箱内业务负载的性能测试；CubeSandbox 单次创建的时间线分解（用 sandbox-timeline-profile）；其他沙箱产品（协议中的纪律 可

• cubesandbox-deployment

  在有网络、有 Agent 的 x86_64 或 aarch64 Linux 主机上，一键在线部署单机 CubeSandbox（Cube Sandbox）all-in-one 环境。适用于“安装/部署 CubeSandbox”、 “配置 CubeSandbox 单机环境”、“选择 amd64/arm64 安装包”、“CubeSandbox 部署预检和 安装故障处理”。自动选择官方架构匹配资产、优先校验 Release SHA-256、执行官方 安装器并保留服务健康 quickcheck；涉及节点 IP、PVM、网络 CIDR、代理或私有镜像变量时先询问 用户。不适用于离线部署、多机集群、PVM

• accelerator-optimization

  分析 GPU、NPU 或其他计算卡相关瓶颈，检查设备利用率、显存/内存、host-device 拷贝、batch size、并发流、算子 fallback 和 CPU feed 能力，作为服务器应用优化 Agent 候选优化 skill 列表中的 GPU/NPU 等计算卡优化 skill 使用。

• application-config-optimization

  综合瓶颈分析结果输出线程数、队列、批量、缓存、连接等应用层最佳性能配置建议，作为 kpbot-app-tuner 的子 skill 使用。

• bios-optimization

  分析和调优 BIOS/固件层性能参数，覆盖 Power Profile、SMT、NUMA/Node Interleaving、C-State、Turbo、DDR Speed、Hardware Prefetcher、PCIe ASPM。支持独立运行（自带证据采集）和作为 kpbot-app-tuner 子 skill 两种模式。适用于鲲鹏（916/920/930/950）+ 昆仑 BIOS/AMI Aptio/InsydeH2O 平台。当用户需要检查或优化 BIOS 配置、固件参数、BMC/Redfish 设置时触发。BIOS 变更不直接执行，只生成操作手册；standalone 模式下经用户逐

• compiler-optimization

  根据热点函数、topdown/PMU、构建日志、二进制反汇编和源码可变更边界，分析编译器版本、架构参数、LTO、PGO/AutoFDO、代码布局、向量化、原子/CRC 指令和源码配套优化，作为 kpbot-app-tuner 的子 skill 使用。也覆盖 A+K 场景（昇腾 NPU + 鲲鹏 CPU）的编译优化，包括毕昇编译器选型、Python/PyTorch/torch_npu 的 LTO/PGO 编译优化，以及 BRBE/CSSPGO 采样式 PGO 备选路径（免插桩，perf+llvm-profgen 采集）。

• cpu-affinity-optimization

  在确认瓶颈主要位于 CPU 侧后，基于线程、NUMA 和中断分布进行绑核、绑内存与中断亲和性优化，作为 kpbot-app-tuner 的子 skill 使用。也覆盖鲲鹏 CCL/SCCL/Die 的 L3 Cluster 拓扑分析与同域绑核、PTA 热点线程分级，以及 hostbound 训练场景的 NPU 设备-NUMA 对齐与 L3 Cluster 宽松池绑核（禁止下发主线程单核独占）。

• database-workload-analysis

  用于数据库或数据库驱动型工作负载的专项分析子 skill，当前提供数据库通用框架与 MySQL/InnoDB 示例，帮助判断数据库内部状态是否足以解释当前瓶颈。

• hardware-upgrade-analysis

  当瓶颈证据显示当前 CPU 核数、内存容量、内存带宽、磁盘 IOPS、网卡带宽、GPU/NPU 规格或其他硬件能力不足时，输出更换高规格硬件或资源规格调整建议，作为服务器应用优化 Agent 候选优化 skill 列表中的硬件规格分析 skill 使用。

• io-memory-network-bottleneck-analysis

  多指标瓶颈预筛子 skill，基于 iostat、vmstat、sar、perf 等工具采集的 CPU、iowait、磁盘利用率、网络带宽、内存压力和内存带宽代理指标，输出架构图所需的瓶颈分类。已实现真实采集逻辑（配套 detect_bottleneck.sh），工具缺失时保守回退。

• network-optimization

  在识别到网络侧瓶颈或次级网络瓶颈时，分析网卡、IRQ、队列、RSS/RPS/XPS、协议栈、丢包和远程压测网络影响，输出可验证、可回退的网络优化候选动作，作为 kpbot-app-tuner 的子 skill 使用。

• os-optimization

  分析和调优操作系统层性能参数，覆盖 governor、THP、HugePages、numa_balancing、irqbalance、sysctl、ulimit、I/O scheduler、tuned/A-Tune、GRUB 调度参数和容器边界。支持独立运行（自带证据采集）和作为 kpbot-app-tuner 子 skill 两种模式。适用于鲲鹏（916/920/930/950）+ openEuler（22.03/24.03）平台。当用户需要检查或优化 OS 内核参数、系统配置、大页、中断、调度器等 OS 层性能时触发。也覆盖大页内存优化（malloc 使用大页、GLIBC_TUNABLES

• other-optimization

  承接无法归类到 CPU 亲和性、网络、性能库、应用配置、BIOS、OS、编译、GPU/NPU 或硬件升级的服务器应用优化问题，输出需要人工专项分析或新增 skill 的候选方向，作为服务器应用优化 Agent 候选优化 skill 列表中的 Other 优化 skill 使用。

• performance-library-selection

  kpbot-app-tuner 的统一高性能库选型入口。基于热点证据（perf 采样 + 库依赖分析）结合场景经验推荐高性能库或替代实现（malloc/memcpy/压缩/加密等），输出候选方案与验证流程设计供主框架执行阶段落地。

• vllm-ascend-profiling

  用于自动化 vllm-ascend / vLLM Ascend NPU 的 profiling 数据采集与报告生成。触发关键词如 vllm-ascend、profiling、profile、trace_view.json、start_profile、stop_profile、VLLM_TORCH_PROFILER_DIR、NPU 性能报告、Top-N kernels、NPU 利用率、TTFT。仅用于 vllm-ascend（Ascend NPU）profiling 工作流。

• kptools-agentenv-tuning

  AgentENV 沙箱的 openEuler/ARM 内核适配与性能调优入口。当用户提到 AgentENV、ublk 功能使能、沙箱并发恢复、ARM Pvspinlock、CONFIG_HZ、DVMBM/TLBI 广播范围或 UnixBench 并发线性度时使用。收集 Host/Guest 环境证据，按问题选择已安装的专项 Skill，在项目实际负载下验证。

• agentenv-cluster-tlbi

  评估 AgentENV 的 ARM TLBI/DVMBM 广播范围优化。适用于 kvm-arm.dvmbm_enabled 使能、UnixBench Process Creation 并发线性度下降、vCPU 绑核或迁移驱动位图更新验证；核对硬件/内核实现，准备可复用离线负载，分别验证开关、布局和位图策略的正确性与性能。

• agentenv-pvspinlock

  分析 AgentENV 在 ARM 虚拟化环境中的自旋锁争用和 vCPU 无效自旋。适用于 Guest 锁热点、锁持有者被抢占或 vCPU 超分场景；核实 Host/Guest/VMM 配套实现，按当前项目负载进行启用与禁用对照，验证收益及退化。

• kptools-ascend-hccn

  使用 hccn_tool 采集昇腾 NPU 集群网络状态：RoCE 网卡 IP、网口 link 状态、 收发包统计、错包计数、实时带宽速率、网络健康状态，以及 RoCE 带宽时延 主动测试。当用户需要 NPU 集群网络诊断、RoCE 网络检查、NPU 网口状态、 集合通信慢排查、allreduce 慢、HCCL 通信瓶颈、NPU 网卡 IP 查询、 RoCE 带宽测试、RoCE 时延测试、NPU 网口带宽、错包统计、网络闪断排查、 hccn_tool 命令时触发。 skill_type: tool_assisted category: profiling domain: performance

• kptools-ascend-pd-env

  采集并对比 vLLM-Ascend P/D 容器环境：系统内核、cgroup 配额、CPU/NUMA 拓扑、 CANN 与驱动版本、npu-smi 快照、进程命令行与环境变量、Python 包清单。一个容器 出单环境报告，多个容器或搭配已有采集包则自动对比并标差异。当用户需要排查 P/D 两侧环境不一致、CANN/驱动/torch_npu/vLLM 版本漂移、HCCL 或 ASCEND 变量 不同、cpuset/cgroup 配额不同、升级前后或跨机跨时间比环境快照、容器环境存档 时触发；实时监测、进程级与算子级分析、网络诊断不在范围内。 skill_type: tool_assisted c

• kptools-ascend-profiling-analysis-nostack

  分析 torch_npu/Ascend profiler 的无栈 trace（trace_view.json 中无 python_function）。 能力：在 trace 没有 ProfilerStep#N 的情况下识别 step 边界与每步时间；用设备内核 + host 算子 + vllm/vllm-ascend 源码知识近似重建 P1/P2/P3、模型结构和 Free 去向。 当用户提供无栈 trace、询问 step 切分、Free 时间去哪了、host 在干什么， 或 trace 的 with_stack=false、没有 python_function 事件时使用。 有栈 trac

• kptools-ascend-profiling-analysis

  分析 torch_npu/Ascend profiler 的有栈 trace（trace_view.json 含 python_function，LLM/vLLM 推理场景）。 能力：① 任意时间段或任意函数时段的 Computing/Communication/Free 精确占比 ② 函数定位、消歧与跨层调用链重建 ③ host bound 归因分析 ④ 版本源码对照解读（vllm-src 子 skill）。 当用户提供 profiling 数据、询问某函数/时间段占比、free 过高原因、host bound、 卡间通信等待时使用。 无栈 trace（无 python_function /

• ascend-vllm-src

  vllm / vllm-ascend 源码解读子 skill（kptools-ascend-profiling-analysis 的配套）。 用途：用户给出版本号 → 定位对应源码 → 结合 profiling trace 中的 python 帧做 语义解读（函数在做什么、为什么走这条路径、行号映射）。主 skill 负责 trace 分析，本 skill 负责把 trace 帧映射到源码语义。

• kptools-ascend-profiling

  采集 NPU 算子级与服务框架级性能数据：算子执行时间、kernel 数据、HCCL 通信 分析、CPU-NPU 异构 trace、训练迭代分解、请求生命周期/KVCache/Batch 调度。 当用户需要分析 torch_npu 算子热点、HCCL 通信耗时、vLLM 服务性能剖析、 训练 step 耗时分解、Ascend PyTorch Profiler、MS Service Profiler、 MindStudio Insight 数据采集、NPU 算子 profiling 时触发。 skill_type: tool_assisted category: profiling domain

• kptools-ascend-smi

  使用 npu-smi 采集昇腾 NPU 设备状态：健康状态、功耗、温度、HBM/AICore 利用率、内存带宽、轮询监测、芯片映射、拓扑结构和 HCCS 链路信息。 当用户需要 NPU 状态检查、昇腾设备健康检查、NPU 利用率、AICore 占用率、 HBM 使用率、NPU 温度、NPU 功耗、NPU 内存带宽、昇腾芯片监测、NPU 拓扑、 HCCS 链路、NPU 亲和性、device 权限检查、npu-smi 命令时触发。 skill_type: tool_assisted category: profiling domain: performance_collection version

• kptools-bios-collector

  采集 BIOS/固件配置与状态：Power Profile、SMT、C-State、Turbo、 NUMA Interleaving、DDR 内存频率、PCIe ASPM、Hardware Prefetcher、 BMC Redfish BIOS 属性。当用户需要检查 BIOS 配置、确认高性能模式、 SMT/C-State/Turbo 状态、内存频率、ASPM、Prefetcher、获取 BIOS 优化证据、Redfish 采集时触发。 skill_type: tool_assisted category: profiling domain: bios_firmware version: "

• kptools-devkit

  使用华为鲲鹏 DevKit 采集 CPU core/uncore 频率、topdown 微架构指标 和 NUMA 访存分析。当用户需要 topdown 分析、微架构瓶颈定位、CPU 频率采集、 core 频率、uncore 频率、流水线瓶颈分析、NUMA 访存分析、NUMA 跨节点访问、 内存亲和性分析、功耗监控、CPU 功耗、Socket 功耗、温度监控、热点函数、 火焰图、调用栈、Cache Miss、TLB Miss、远端访问、长延迟 Load、内存带宽、 Cache 命中率、DDR 带宽、Java 火焰图、Java 热点、Java 性能分析、JVM profiling、 Java 内存

• kptools-dpdk-tuning

  DPDK 应用性能调优 Skill：双模式工作流。诊断模式 — 现象驱动（PPS 低于预期、时延高、丢包、 CPU 打满但吞吐不涨、EAL 启动内存报错），按排查树自底向上定位瓶颈；顾问模式 — 硬件+场景驱动， 输出分层推荐配置（BIOS / 内核启动参数 / EAL / mbuf 内存池 / PMD 网卡 / 转发应用配置 / 功耗低时延），不修改业务源码。内容以 DPDK 官方文档（doc.dpdk.org guides，版本溯源见 references/UPSTREAM.md）为准；目标工作区若为 dpdk 源码仓，其 doc/guides/ 为版本精确来源， 优先引用。面向鲲鹏/AR

• kptools-network-collector

  采集网络与中断性能数据：网络带宽、丢包、TCP 重传、socket 队列（Recv-Q/Send-Q）、 网卡队列数/中断聚合/ring buffer/offload、RSS/RPS/XPS 多队列配置、IRQ 亲和性、 中断分布与不均衡度、网卡 NUMA 拓扑、softirq 分布。当用户需要排查网络丢包、 重传率、socket 堆积、网卡多队列配置、中断绑核是否合理、网卡在哪个 NUMA、 网络吞吐采集时触发。 skill_type: tool_assisted category: profiling domain: network version: "1.0.0

• kptools-nmon

  采集系统性能数据（CPU 利用率、内存、磁盘 IO、网络等）。 当用户需要采集系统性能指标、CPU 利用率、内存使用、磁盘 IO 统计、 网络吞吐采集、nmon 数据采集时触发。 skill_type: tool_assisted category: profiling domain: system_resources version: "1.0.0

• kptools-node-profiler

  采集 Node.js 进程 CPU 性能数据：V8 火焰图（--prof/--cpu-prof 注入）、 isolate 日志解析、prof-process 热点汇总、0x 火焰图。 当用户需要分析 Node.js 服务 CPU 热点、网关/代理性能、V8 火焰图、 Node CPU profiling、Node.js 进程卡顿归因时触发。 skill_type: tool_assisted category: profiling domain: node_profiling version: "1.0.0

• kptools-os-collector

  采集 OS/内核级配置与状态：内核版本、GRUB 启动参数、sysctl 内核参数、 THP/HugePages、ulimit、tuned/A-Tune profile、irqbalance、I/O scheduler、 numa_balancing、虚拟化/容器检测、cgroup 资源边界、perf/PMU 能力。 当用户需要检查 OS 配置、内核参数、大页、系统服务、容器资源边界、 perf 可用性、环境诊断基线时触发。 skill_type: tool_assisted category: profiling domain: os_kernel version: "1.0.0

• kptools-proc-collector

  采集进程/线程级性能数据：线程-CPU 分布、线程均衡性、上下文切换、CPU 迁移、 CPU 亲和性掩码、进程内存映射与 DSO 依赖、进程 NUMA 归属、cgroup 资源限制、 二进制 ISA 架构、线程池环境变量（OMP/MKL_NUM_THREADS）。当用户需要分析线程绑核、 线程在哪些核上运行、上下文切换率、线程迁移、taskset 亲和性、进程加载了哪些库、 容器 cgroup 限制、可执行文件架构信息、OMP 线程数是否过提交时触发。 skill_type: tool_assisted category: profiling domain: process_thread ve

• kptools-py-spy

  采集 Python 进程级性能数据：Python 函数级火焰图、热点函数排名、GIL 竞争、 子进程采样（torchrun 多 rank）、线程状态与 idle 分析（off-CPU 近似）、 线程栈快照。当用户需要分析 Python 进程瓶颈、Python 火焰图、GIL 竞争、 训练推理（PyTorch/torch_npu/vLLM）进程的函数级热点、torchrun 子进程采样、 py-spy、Python 线程栈快照时触发。 skill_type: tool_assisted category: profiling domain: python_profiling version: "

• nginx-optimization

  Nginx 场景专属性能优化技能（鲲鹏/ARM 平台）。当识别到用户应用场景使用 nginx（Web 服务器、静态内容分发、HTTPS/TLS 网关、反向代理、负载均衡、容器/Docker 内 nginx 服务），或用户提出 nginx 性能优化、压测调优、QPS/RPS/吞吐提升、SSL 握手性能等需求时，使用本技能。提供场景识别、分层优化（L1 环境层 / L2 配置层 / L3 鲲鹏加速库层）、基线建立、火焰图热点分析与回归验证的完整方法，所有命令与配置模板自包含、可直接套用。

• sandbox-timeline-profile

  沙箱创建时序图采集与分析——在并发创建沙箱的基准测试过程中，通过对 Cubelet/CubeShim/CubeMaster/CubeAPI 各组件日志做前后偏移切割提取增量，解析每个沙箱创建请求在各子阶段（Create API latency、cubebox-service、sandbox-start、sandbox-create、CreatePodSandbox、LaunchVmm、RestoreVm、ResetVm、CreateSandbox、CreateContainer、sandbox-probe 等）的耗时，建立阶段父子拓扑与顺序关系，最终绘制 Gantt 风格嵌套时序图（SVG）和

• vllm-fastokens-segment-cache-migration

  评估 vLLM 部署将分词后端切换为 fastokens 官方最新发行版并启用段缓存（segment cache）的可行性：以合成多轮会话对比基线组与段缓存开启组，验证 token ID 一致性与并发稳定性，测量分词耗时与内存占用，并生成迁移前快照与回退说明。适用于 vLLM 分词后端的评估与切换、fastokens 的启用或升级、VLLM_USE_FASTOKENS 与 FASTOKENS_SEGMENT_CACHE 的配置，以及多轮对话或智能体流量下的分词耗时分析。

Similar plugins