msprof-mcp

# msprof mcp ## 简介 msprof mcp 是一个基于 Model Context Protocol (MCP) 的服务器，旨在为大语言模型 (LLM) 提供分析 Ascend PyTorch Profiler 采集性能数据的能力。通过一系列内置工具，它可以帮助用户快速定位性能瓶颈、分析算子耗时、查看通信开销以及进行 Trace 数据的深度查询。 ## 目录结构 ``` msprof_mcp/ ├── pyproject.toml # 项目配置文件 (build-system, dependencies) ├── src/ │ └── msprof_mcp/ │ ├── __init__.py │ ├── server.py # MCP 服务器入口 │ └── tools/ # 工具包 │ ├── msprof_analyze_cmd.py │ ├── csv_analyze.py │ ├── json_analyze.py │ └── trace_view/ └── README.md ``` ## MCP 能力说明 本服务提供以下核心能力，支持多维度性能数据分析。您可以直接在对话中使用自然语言（如示例 Prompt）来调用这些工具。 ### 1. 总体分析 （msprof-analyze） | 工具名称 | 描述 | 示例 Prompt | | :--- | :--- | :--- | | `msprof_analyze_advisor` | 调用 `msprof-analyze advisor` 提供全方位性能建议（计算/调度瓶颈）。 | "分析 `/path/to/data` 目录下的性能数据，找出主要瓶颈。" | ### 2. TimeLine 分析 (trace_view) | 工具名称 | 描述 | 示例 Prompt | | :--- | :--- | :--- | | `analyze_overlap` | 分析计算、通信与调度的重叠情况，判断负载特征（计算/通信密集型）。 | "分析 `/path/to/trace_view.json` 的计算和通信重叠情况。" | | `find_slices` | 搜索 Trace 中的特定 Slice（算子/函数），支持模糊匹配和时间范围过滤。 | "在 `/path/to/trace_view.json` 中查找所有 'MatMul' 算子。" | | `get_flow_data` | 根据时间范围获取 Flow 关联的 CPU/NPU 算子明细，支持按 `cpu_op` 或 `npu_op` 入口查询；结果过大时可通过 `result_output_path` 导出 CSV。 | "获取 `/path/to/trace_view.json` 中 1000000000 到 2000000000 时间范围内的 NPU 算子关联 Flow 数据，并导出到 `/tmp/flow_data.csv`。" | | `execute_sql_query` | 执行自定义 SQL 查询，支持 Slice/Thread/Process 等表的深度分析。 | "对 `/path/to/trace_view.json` 执行 SQL 查询，统计耗时超过 1ms 的 Slice 数量。" | ### 3. 算子性能分析 (CSV) | 工具名称 | 描述 | 示例 Prompt | | :--- | :--- | :--- | | `analyze_kernel_details` | 分析 `kernel_details.csv`，提供耗时分布、Top N 算子、设备分布等。 | "分析 `/path/to/kernel_details.csv`，列出耗时最长的 10 个算子。" | | `get_operator_details` | 查询特定算子（按名称或类型）的详细执行信息。 | "从 `/path/to/kernel_details.csv` 中获取 'FlashAttention' 算子的详细信息。" | | `analyze_op_statistic` | 分析 `op_statistic.csv`，提供调用次数、总耗时及 Core 类型分布。 | "统计 `/path/to/op_statistic.csv` 中的算子调用次数和总耗时。" | | `get_op_type_details` | 查询特定类型算子或 Core 类…