MosCloud Skills

vLLM Ascend 开发相关的 Claude Code / Cowork skills。

安装

将 .skill 文件放入 ~/.agents/skills/ 目录：

cp <skill-name>/<skill-name>.skill ~/.agents/skills/

重新加载后 skills 自动生效。历史版本可在 archive/ 目录下查看：

git checkout v1.0  # 查看 skills 归档版本

开发

添加新 skill：

mkdir <skill-name>/
# 编写 SKILL.md
# 生成 .skill 打包文件
python3 -m scripts.package_skill <skill-path>

# 提交
git add <skill-name>/
git commit -s -m "feat: add <skill-name> skill"
git push

更新已有 skill：

# 1. 归档当前版本
cp <skill-name>/SKILL.md <skill-name>/archive/v{N}.0_SKILL.md
cp <skill-name>/<skill-name>.skill <skill-name>/archive/v{N}.0.skill

# 2. 修改 SKILL.md

# 3. 更新 HISTORY.md 追加新版本记录

# 4. 提交并打 tag
git add <skill-name>/
git commit -s -m "<module>: bump to v{N+1}.0"
git tag v{N+1}.0
git push origin main --tags

Skills

vllm-profiler

采集 vLLM Ascend 推理服务的 NPU profiling 数据。

功能:

• 环境检查（服务存活、profiler 配置）
• 配置推理请求并确认
• 可选 warmup
• 采集（start → curl → stop）
• 解析全部或指定 rank
• 一键打包 ASCEND_PROFILER_OUTPUT 为 tar.gz

profiling-analysis

分析已解析的 NPU profiling 数据（ascend_pytorch_profiler.db）。

核心原则: 先确认再下结论。算子映射、流角色、时间偏移量都需要和用户确认。

功能:

• 全流扫描与算子分布分析
• 跨流时序重叠分析
• 特定特性验证（双流并行等）
• 性能热点分析

版本归档

skills 使用 git tag 管理版本。每个版本的归档文件在对应 skill 的 archive/ 目录下：

vllm-profiler/
├── SKILL.md                    # 当前版本
├── vllm-profiler.skill
├── HISTORY.md
└── archive/
    ├── v1.0_SKILL.md           # v1.0 归档
    └── v1.0.skill

profiling-analysis/
├── SKILL.md                    # 当前版本
├── profiling-analysis.skill
├── HISTORY.md
└── archive/
    ├── v1.0_SKILL.md
    └── v1.0.skill

开发

添加新 skill：

mkdir <skill-name>/
# 编写 SKILL.md
# 生成 .skill 打包文件
python3 -m scripts.package_skill <skill-path>

# 提交
git add <skill-name>/
git commit -s -m "feat: add <skill-name> skill"
git push