code-optimizer

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

Skills (80)

• adversarial-review

  对抗性优化审核员 — 对优化结果的所有判断声明进行挑战，不仅挑战失败的"做不到"，也挑战成功的"能否更好"。追问放弃的方案、展开因子、寄存器利用率、被忽略的互补策略。运行时机：ApplyOptimization 之后作为独立阶段，对所有优化点运行（编译失败 bypass）。

• analyze-caller-context

  分析热点函数的调用上下文，从调用者视角发现函数体内部不可见的优化机会。适用于 analyze-hotspot 完成后，作为函数级分析的补充阶段。

• analyze-hotspot

  对单个函数进行动静态分析，发现多个优化机会，输出优化点列表。适用于 decompose-tasks 完成后，作为函数级子任务的分析阶段。

• analyze-testcase

  测试用例分析——从测试代码中提取性能画像（规模/并发/访存模式/缓存场景），检测预热偏差和用例冲突，指导后续优化策略选择。在 DecomposeTasks 之后、AnalyzeHotspot 之前执行。

• apply-optimization

  执行优化策略，调用具体优化 Skill 生成代码变更。适用于 decide-optimization 完成后。

• apply-vectorization

  将 C/C++ 或 AArch64 汇编中的循环评估并改写为 ARM NEON、SVE 或 SME 向量化方案，输出规范化 JSON 结果。适用于实现或评审 apply-vectorization 及旧版 vectorize-loop 流程、把候选循环转换为 NEON intrinsics、inline asm、standalone assembly、SVE 谓词化循环、sum/dot reduction 或 SME streaming / ZA-gated 代码，判断循环是否可安全向量化，或生成“主向量循环 + 尾处理” 的 ARM 优化代码草案。适用于 Codex、Claude Code、

• arm-instructions-query

  查询 ARM NEON/SVE/SME 指令集详细信息及 ACLE（Arm C Language Extensions）内联函数。 当用户进行 ARM C 语言 intrinsic 编程或 Rust `std::arch::aarch64` 向量化编程时触发， 包括：使用 svadd、vaddq、__dmb 等 intrinsic；使用 Rust 的 vld1q_f32、vaddq_f32、 svcntw 等 std::arch::aarch64 内联函数；查指令详情、确认某架构有没有某指令、 NEON/SVE/SME 指令对比、指令功能分析；查询 intrinsic 原型、类型系统、特性检测

• batch-drive-optimize-pipeline

  Batch-drive real Claude Code sessions through the KunpengAccelerationLibOptimization /kpbot-code-optimizer workflow. Use when the user wants unattended batch evaluation of optimization skills across many C/C++ libraries, operators, functions, or test cases, with original repos left untouched, worker

• compiler-flag-tuning

  调优编译选项以充分利用鲲鹏硬件能力，包括 -march、-ffast-math、LTO、PGO、strip 二进制优化等。适用于 apply-optimization 调用。

• decide-optimization

  对单个优化点进行确认/跳过门控，设定架构和风险参数。适用于 analyze-hotspot 完成后，优化点子循环中调用。

• decompose-tasks

  分解优化任务，逐用例执行动态 profiling，跨用例综合排序热点函数，生成函数级子任务列表。适用于 prepare-project 完成后。

• drive-claude-optimize-pipeline

  Drive Claude Code through the KunpengAccelerationLibOptimization /kpbot-code-optimizer workflow as a strict interaction proxy. Use when the user wants Codex or another Claude agent to enter, spawn, or supervise a Claude terminal session, especially when the user gives only a project or incomplete op

• evolve-skill

  持续进化优化知识库。接收用户描述的优化手段（新检测规则、策略改进、全新策略），自动定位受影响文件和变更位置，生成精确 diff，经用户确认后应用到现有 skill 文件中。适用于流水线运行后总结经验、手动发现新优化模式时。

• fix-code

  代码语法和功能修复专家。当 verify-optimization 报告编译失败或功能测试失败且无法快速修复时触发。适用于优化后的代码需要迭代修复的场景。

• gather-context

  收集优化目标信息，与用户交互确定优化类型、代码路径、测试用例，自动探测项目用例并支持复选框选择。适用于 kpbot-code-optimizer 的首个阶段。

• interactive-optimizer

  交互式鲲鹏性能优化助手。以对话驱动方式分析热点函数、发现优化机会、展示策略证据（管线分析+指令查询）、由用户选择策略后逐项实施并实测验证。适用于 C/C++/汇编项目的逐函数交互式调优。

• kpbot-code-optimizer-workflow

  鲲鹏性能优化流水线（Workflow 版）— 与 kpbot-code-optimizer 功能等价。Claude Code 环境下优化核心循环委托给 Workflow 工具执行（确定性编排、结构化输出验证、并行执行）；OpenCode 环境下自动使用 task() subagent 模式（功能等价）；也是场景专项优化（TF 推理、ORT attention、llama.cpp、搜推 DAG、VSAG、BRGEMM、哈希表、embedding 去重、OpenZL 压缩）的统一路由入口。当用户想要优化 C/C++ 项目性能时触发。

• kpbot-code-optimizer

  鲲鹏性能优化流水线 - Subagent 编排器，也是场景专项优化的统一路由入口。当用户想要优化 C/C++ 项目性能、分析热点函数、应用向量化、运行完整性能优化流程，或提到 Faiss IVFPQ/FastScan/HNSW/RaBitQ/TurboQuant、TF 推理优化、ONNX Runtime attention、llama.cpp、搜推 DAG、VSAG 向量检索、BRGEMM/GEMM、哈希表、embedding lookup 去重、OpenZL 压缩内核等场景优化需求时触发。

• operation-fusion

  融合通用 producer-consumer、map+reduce、scale+add、copy+transform、normalize/update 等相邻操作，减少中间 buffer、重复遍历、函数调用和 load/store。适用于 apply-optimization 调用。语言无关：C/C++ 与 Rust 源码均适用，输出与原源码同语言的改写。

• parse-intent

  解析用户优化意图，从用户选择、函数名语义、用例名语义中推断优化目标、风险容忍度、平台约束和性能目标。适用于 gather-context 完成后，为下游阶段注入用户偏好信号。

• precision-transform

  对通用热点函数进行受控精度变换，包括升精度累加、低精度计算、宽窄转换融合、denormal/subnormal 规避。必须有误差边界或测试容差。适用于 apply-optimization 调用。语言无关：C/C++ 与 Rust 源码均适用，输出与原源码同语言的改写。

• prepare-project

  验证项目状态、定位优化目标函数、建立性能基线。适用于用户请求优化某个项目/模块时，作为流水线第一步。

• scalar-vector-hybrid

  标矢量混合决策 Skill。决定函数内标量/矢量的最优边界，将 V 管线上的串行依赖链迁移到空闲的 ALU 管线，释放 V 管线资源给并行计算。适用于 analyze-hotspot 发现管线争用（V 饱和 + ALU 空闲 + 串行链在 V 管线上）的场景。

• special-case-optimization

  为通用热点函数生成特殊情况快路径、局部特化和局部等价改写，包括边界快路径、固定约束专用路径、形式替换、硬件契约路径和数值域候选。适用于 apply-optimization 调用。语言无关：C/C++ 与 Rust 源码均适用，输出与原源码同语言的改写。

• verify-optimization

  验证优化结果的正确性和性能提升，生成完整验收证据。适用于 apply-optimization 完成后。

• allocation-path-optimization

  优化热点路径上的分配与释放成本——最小分配上限与尺寸类通胀、仅元数据对象的过大申请、短生命周期对象的分配抖动、以及由分配器与内核回收（brk/systrim/页回收）主导的开销。适用于"每操作都在申请/释放、CPU 侧工作很少"的函数；可被直接调用，也可由编排器按实测分配形态调用。语言无关：C/C++ 与 Rust 源码均适用，输出与原源码同语言的改写。

• analyze-architecture

  代码仓库架构分析——产出 ARCHITECTURE.md 持久化文件，记录项目结构、数据结构、头文件依赖、现有优化位置、架构特征等客观事实。在 PrepareProject 之后执行一次，跨轮复用。

• apply-generic-optimization

  通用优化执行（兜底 Skill）— 当 apply-optimization 路由到无专用 Skill 的策略时调用。 处理 bulk-memory-opt（memset/memcpy 替换）、code_hoisting（循环不变量提升）、 lock_contention（锁竞争优化）、caller-context（调用者上下文优化）等策略。 触发：当优化策略没有专用 Skill 时使用此兜底方案。

• arm-spe-analysis

  Use when needing ARM SPE (Statistical Profiling Extension) sampling on aarch64 — arm_spe keyword mentioned, traditional perf record precision insufficient, instruction-level latency or cache behavior analysis needed, microarchitecture bottleneck suspected (high latency, cache miss, branch mispredict

• asm-optimization

  ARM 汇编指令级优化，支持 LDP/STP 合并、后索引寻址、冗余 mov 消除、循环展开、流式成对加载展开、预取增强、循环计数器优化、指令惯用法优化、多向量合并测零和宏融合适配。适用于 .s/.S 纯汇编文件和 C/C++ 内联 asm 块。SVE 相关优化由 apply-vectorization 和 loop-unrolling 处理。

• benchmark-visualization

  将已有 CSV/TSV/JSON 性能数据绘制为可配置的散点、折线、柱状、箱线、分布和热力图。适用于自定义时间、吞吐、资源及微架构指标，多版本/配置/维度比较、重复实验波动展示，以及修改图型、坐标范围、分组和样式后重新出图。

• branch-elimination

  将循环体内不可预测分支改写为 ARM 条件选择指令，消除分支预测失败开销。适用于 apply-optimization 调用。

• brgemm-optimization

  工作场景：鲲鹏/ARM 上 BRGEMM MatMul/Gemm 的性能调查、PackB/PrePack 与 blocked layout、 scratch、parallel-K、blocking、JIT 缓存和推理框架集成优化。适用阶段：阶段 1-8 全流程或其中任一阶段，适用于 oneDNN adapter、ONNX Runtime EP 和自研 runtime。 不适用的反例：BLAS 库内部 microkernel 微架构开发、GPU kernel、非 MatMul/Gemm 工作负载或脱离真实 shape 的通用参数调优。

• cross-version-patch-porter

  跨软件版本移植补丁文件，通过理解语义意图而非机械应用差异来完成移植。当用户提到移植补丁、回移、前移、适配补丁到不同版本或分支，或补丁因上下文不匹配而无法应用时使用。也适用于：'将补丁应用到不同版本'、'在版本间迁移变更'、'将差异翻译到另一个代码库'、'补丁无法干净应用'、'适配差异到分支'、'跨版本回合'、'补丁回合'、'回合补丁'。在 git am/apply 会失败的跨版本场景中必不可少。不适用于同一版本的简单补丁应用或从零创建新补丁。

• cubesandbox-agent-preconnect

  诊断并优化 CubeSandbox 快照恢复中的 Guest agent 预连接、监控连接复用与 restore runtime 复用。适用于 RestoreVm 后串行握手、重复建连或重复构造 Tokio runtime；独立 Guest RPC 并行化不属于本技能。

• dpdk-optimization

  DPDK 数据面业务代码性能优化标准流程 — 按"口径确认与线速预算 → 基线冻结 → 热点定位与 瓶颈建模 → 杠杆实施 → A/B 验证与记账"五阶段优化 DPDK 应用转发/收发包热路径代码， 基于 worker 核 PMU（top-down/SPE/cycles per packet）判定计算、访存延迟、带宽、同步与 系统开销四类瓶颈，查 DPDK 代码杠杆知识库（热路径纪律、批处理与双循环预取、per-lcore 化 与 cache line 对齐、查表结构与解析去重、协议分支热冷分离、NEON 向量化、无锁统计与 SP/SC 环、mbuf 复用与零拷贝）实施并交错 A/B 验证，无

• faiss-algorithm-optimization

  为 Faiss 算法优化选择领域技能，并将实测热点转为有适用条件、成本解释和回退方式的候选。适用于跨算法方法选择和候选评估。

• faiss-benchmark-baseline

  建立和核对 Faiss 性能实验基线，冻结源码、构建、数据、索引、查询参数和运行条件。适用于实现对照前的基线准备、复用检查与参数漂移排查。

• faiss-build

  构建 Faiss 基线、当前检出采样版本或特性开关候选，并记录编译命令、实际宏、链接依赖和产物身份。适用于可复现 CPU 库构建及构建差异核对。

• faiss-hnsw-optimization

  分析和优化 Faiss HNSW 的图遍历、距离计算、visited 状态和候选容器。适用于 IndexHNSW 系列的参数与源码调查、查询或构建热点定位，以及保持图搜索语义的候选设计。

• faiss-ivfpq-optimization

  分析和优化 Faiss IndexIVFPQ 的倒排扫描、PQ 查表、候选选择与可选精排。适用于参数和布局解释、查询热点定位及等价实现候选设计；FastScan 使用 faiss-ivfpqfs-optimization。

• faiss-ivfpqfs-optimization

  分析和优化 Faiss IndexIVFPQFastScan 的打包码字、量化 LUT、块扫描和结果处理。适用于 bbs/qbs/implem 解释、SIMD 查表热点定位及候选设计；普通 IVFPQ 使用 faiss-ivfpq-optimization。

• faiss-optimize

  组织 Faiss 性能优化任务：识别索引类型，编排源码分析、基线、采样、候选实现、正确性验证和性能验收。适用于完整优化流程；参数解释或单独源码调查按需调用对应技能。

• faiss-perf-profile

  采集 Faiss CPU 查询的性能计数与调用图，将热点映射到实际内核、源码和汇编。适用于基线建立后的扫描、距离、量化、候选容器、调度或访存瓶颈调查。

• faiss-rabitq-optimization

  分析和优化 Faiss RaBitQ 索引的查询预处理、量化码字、距离估计和扫描路径。适用于 IndexRaBitQ/IndexIVFRaBitQ 及其 FastScan 变体的源码调查、热点归因与候选设计。

• faiss-simd-optimization

  根据采样、内核分派和数值约束评估 Faiss AArch64 的 NEON/SVE/SVE2 优化。适用于距离、查表、解码或归约内核的 SIMD 选型、尾部与回退验证。

• faiss-source-analysis

  从当前 Faiss 检出追踪索引训练、add、search、数据布局和内核分派，给出可定位的源码证据。适用于调用链、版本能力、模板选择和实际后端调查。

• faiss-sra-test

  构建和运行 sra_test 的 Faiss 测试适配器，核对算法注册、配置映射、加载库及 QPS/Recall 口径。适用于已有 sra_test 工程的测试集成和故障定位。

• faiss-turboquant-optimization

  分析和优化目标 Faiss 实现中的 TurboQuant 距离估计、量化查表及查询预处理。适用于相关量化器、MSE/QJL 路径的源码调查、参数解释和性能候选设计；使用前确认目标源码支持这些类型。

• gemm-abi-std-testing

  标准符合性测试框架搭建方法论：官方标准条款驱动判定 + 双槽对照（slotA 参照库 / DUT 被测库）+ 确定性 seed 派生 + 多通道判定 + 变异测试度量套件完整性 + 多平台一键 CI 与基线 CSV 回归判定。已在 GEMM/FFT 两类数值计算模块完整实证。 当用户提到以下场景时触发： - 为某模块/库/算子搭建符合性测试、标准符合性测试框架、conformance test - 标准获取、标准条文存档、条款数据库、clause 驱动判定 - 测试框架方案设计（双槽对照、后端抽象、套件自注册、seed 派生） - 多平台执行结果对比、基线回归判定

• go-pprof-analysis

  Go 语言 pprof 性能分析。当用户需要对 Go 程序做 CPU/内存/协程/阻塞/锁竞争 profiling，提到 pprof、goroutine 泄漏、heap profile、go tool trace、Go 服务性能瓶颈定位，或需要接入 net/http/pprof、生成/解读火焰图时触发。覆盖采集接入、HTTP 端点抓取、go tool pprof 分析、指标判读与优化建议输出。

• hashmap-optimization

  哈希表性能优化标准流程 — 按"识别调用链路 → 瓶颈建模 → 仿真测试 → 杠杆实施"四阶段优化 hashmap，基于 PMU/top-down/SPE 数据判定访存延迟、计算、带宽三类瓶颈，查杠杆知识库 （预取流水线/锁行写意图预取/SoA 布局/SeqLock 无锁读/owner 分片/NEON SIMD/value 压缩） 实施并 A/B 交错验证，负结果回滚记账。适用于 cuckoo/swiss/F14/自研哈希表在鲲鹏 AArch64 平台的查询与插入热路径调优。 场景入口类触发：哈希表优化、hashmap 性能、哈希表查询慢、query 吞吐、 cuckoo/swiss/F14

• hot-library-version-gap

  工作场景：perf 热点落在系统库（libcrypto/libz 等）函数里时，先核对进程实际加载的库 与版本是否落后于已知包含优化的版本，排除"优化已存在、只是没用上"，再决定动手优化 还是升级验证。只读诊断：解析 /proc/<pid>/maps 或离线 maps 文件确认实际加载对象， 通过 soname/realpath 链提取版本，对照带出处的版本证据表输出差距结论。 不适用：换一个不同的库（用 performance-library-selection）；执行升级动作； 承诺升级收益（需另跑 A/B）。

• hot-path-overhead-elimination

  消除热点路径上与算法无关的机制性开销——主导结果位于廉价早退时的调用边界开销、叶子入口拆分、按实测值分布的特化分派、观察者缺失时被丢弃的记账，以及拷贝后的别名重载。适用于"函数算法已足够短、热点成本来自调用与分派机制本身"的函数；可被直接调用，也可由编排器按实测分布调用。语言无关：C/C++ 与 Rust 源码均适用，输出与原源码同语言的改写。

• kernel-paired-benchmark

  为可重复执行的短内核设计和分析同进程配对基准，使用共享输入输出、AA/BB 自对照和平衡测量顺序检查噪声。适用于 SIMD、编解码、校验和等实现优化的局部性能验证，尤其是跨进程结果漂移、全参数扫描或小幅收益难以判断时。

• kunpeng-llama-cpp-tuning

  工作场景：在 Kunpeng/Linux AArch64 CPU 上优化 llama.cpp 本地 Embedding 性能，通过接入新的 CPU 算子库、优化 ggml 后端接入/路由层，或优化 llama.cpp/ggml 的 C/C++ 实现，降低端到端延迟或提高吞吐量， 并保证 Embedding 正确性。适用于 native、KDNN、KleidiAI、OpenBLAS 及其他 CPU 算子实现的选型、接入和优化。 不适用的反例：GPU 调优、非 llama.cpp 应用、只要求理论建议或只允许配置调参的任务。

• kunpeng-microarch

  Kunpeng-0xd01/0xd03/0xd06 微架构知识库 — 提供流水线结构、缓存层级、指令延迟/吞吐、 功能单元分布、分支预测、SIMD 执行宽度等参考数据。当优化 C/C++ 代码需要了解 Kunpeng 微架构特性时使用此 Skill。触发：提到 Kunpeng 微架构、鲲鹏微架构、 Kunpeng-0xd01/0xd03/0xd06、0xd01/0xd03/0xd06、pipeline structure、 cache hierarchy、instruction latency 等关键词。

• llvm-mca-analysis

  基于 LLVM MCA 的 ARM64 静态性能瓶颈分析器。对汇编指令序列或函数做流水线级仿真，输出 IPC、Block RThroughput、逐资源端口压力、bottleneck 归因（资源压力 vs 数据依赖）和关键依赖序列，支持鲲鹏 hip08/0xd01、hip09/0xd02、hip10/0xd03、hip11/0xd22、hip12/0xd06 微架构。输入可为汇编文本/.s、C/C++ 源码+函数名、或二进制+函数名。当用户想分析某段汇编或函数的性能瓶颈、想知道 IPC 为什么受限、想知道哪个执行端口/资源饱和或哪条指令构成依赖链瓶颈、提到 llvm-mca / MCA / 瓶

• loop-unrolling

  对标量和 SIMD 代码执行循环展开优化，自行计算最优展开系数，提升流水线吞吐率。支持 C/C++ 和 ARM64 汇编（纯汇编 .s/.S 及内联 asm 块）。适用于 apply-optimization 调用。

• memory-access-optimization

  优化访存模式（AoS→SoA、缓存行对齐、矩阵分块、循环重排），改善缓存利用率。适用于 apply-optimization 调用。

• openzl-bench-protocol

  工作场景：为 OpenZL 建立可复现的性能基线与调优证据——unitBench 构建与运行、自定义场景注册 （KV Cache / 新 codec / kernel 与 graph 两类）、熵模式切换、真实数据准备（torch .pt → raw .bin 附分布统计）、绑核与测量口径、多机部署复测、topdown TMA 采集。配套脚本 bench_kv.sh、 td_loop.sh、prepare_kvdata.py。不适用：非 OpenZL 项目的基准测试；只解释 benchmark 代码不运行。

• openzl-compression-tuning

  工作场景：在鲲鹏/ARM CPU（含 x86 跨架构复测）上优化 OpenZL 压缩框架的 codec 内核与场景层吞吐—— 熵编码（Huffman/FSE）、位拆包、float deconstruct、直方图统计等 C 内核，以及 codec binding 与 benchmark wrapper 层。核心能力：性能画像归因（指令数 vs 访存 vs 前端）、熵内核优化技术 （根表、循环携带移位、位流快写、打包查表）、熵 codec 选型、无损正确性门禁（逐字节 round-trip）。 不适用：GPU 压缩路径、只要求理论建议或仅配置调参、非 OpenZL 项目。

• ort-kdnn-attention-opt
• parallel-unique-pytorch
• prefetch-optimization
• register-pressure-analysis
• source-transform-autovec
• sra-dag-tuning
• tf-benchmark
• tf-env-verify
• tf-graph-optimize
• tf-inference-opt
• tf-inference-optimizer
• tf-kernel-optimize
• tf-profile-collector
• tf-result-verify
• use-analysis
• vector-experiment-methodology
• vector-ut-st-validation
• vsag-rabitq-optimization

Similar plugins