К основному содержанию
скилл CX Codex

tracelens-analysis-orchestrator — скилл для Claude Code: разбор

Скилл ведёт агентный разбор трейсов PyTorch Profiler через TraceLens: готовит отчёты, запускает субагентов и собирает analysis.md.

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add amd/skills --skill tracelens-analysis-orchestrator -a claude-code
Открыть на GitHub

Что делает tracelens-analysis-orchestrator

Скилл описывает полный конвейер анализа: сначала спрашивает платформу, путь к трейсу, режим (обучение или инференс) и настройку окружения, затем генерирует отчёт о производительности и проходит проверку качества трейса. Если трейс не проходит, есть детерминированный запасной разбор. Дальше готовятся данные по категориям: загрузка GPU, топ-операции, дерево вызовов, мультиядерные данные.

Анализ разнесён на два потока, которые идут параллельно. Системный уровень смотрит на CPU и простой, слияние ядер, коллективные операции и memcpy, результат складывается в system_findings/. Отдельные субагенты разбирают вычислительные ядра — GEMM, SDPA, поэлементные операции — и пишут в category_findings/. Оркестратор сам делает всё остальное, включая агрегацию находок в priority_data.json.

Субагентов запускает только там, где это прописано: Task в Claude и Cursor, spawn_agent в Codex. Шаги 7, 8 и 10 — единственные места, где нужен примитив субагента, остальное идёт через префикс команды из <output_dir>/cache/cmd_prefix.txt. Итог — <output_dir>/analysis.md с расстановкой приоритетов для заинтересованных сторон.

Какие задачи решает

  • разобрать один трейс PyTorch Profiler и получить отчёт с приоритетами
  • сравнить два трейса между собой
  • отделить проблемы системного уровня от медленных вычислительных ядер
  • проверить качество трейса и не строить выводы на битых данных
  • собрать находки субагентов в один файл analysis.md

Примеры запросов агенту

  • проанализируй трейс profile.pt.trace.json по оркестратору анализа
  • сравни два трейса: run_a.json и run_b.json, режим обучения
  • запусти агентный разбор трейса и собери analysis.md

Как установить tracelens-analysis-orchestrator

1Через Skills CLI (Vercel)

npx skills add amd/skills --skill tracelens-analysis-orchestrator -a claude-code

2Вручную: положить файлы

~/.claude/skills/tracelens-analysis-orchestrator/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/tracelens-analysis-orchestrator/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о tracelens-analysis-orchestrator

Как установить tracelens-analysis-orchestrator в Claude?

Выполните npx skills add amd/skills --skill tracelens-analysis-orchestrator -a claude-code. Скилл окажется в ~/.claude/skills/tracelens-analysis-orchestrator/SKILL.md.

Что делает tracelens-analysis-orchestrator?

Ведёт разбор трейсов PyTorch Profiler через TraceLens: генерирует отчёт о производительности, готовит данные по категориям, запускает системный и вычислительный анализ параллельно и пишет analysis.md.

Какие инструменты нужны для запуска субагентов?

Примитив субагента вашего раннера: Task в Claude и Cursor, spawn_agent в Codex. Он нужен только на шагах 7, 8 и 10, остальные шаги оркестратор выполняет сам.

Исходный текст

SKILL.md · MIT
---
name: tracelens-analysis-orchestrator
description: >-
  Orchestrates modular PyTorch profiler trace analysis with TraceLens: generates perf
  reports, prepares category data, runs system-level and compute-kernel subagents in
  parallel, validates outputs, and writes a prioritized stakeholder report (analysis.md).
  Use when the user asks to follow the analysis orchestrator, run the agentic analysis
  workflow, analyze a trace, compare two traces, or mentions standalone or comparative
  TraceLens analysis.
license: MIT
---

<!--
Copyright (c) 2026 Advanced Micro Devices, Inc. All rights reserved.

See LICENSE for license information.
-->

# Analysis orchestrator

Coordinate **system-level** analysis (CPU/idle, kernel fusion, multi-kernel / comm / memcpy) and **compute-kernel** analysis (GEMM, SDPA, elementwise, etc.): one trace load, shared prep, parallel subagents, then aggregation into `analysis.md`.

## Full procedure

Follow **[reference.md](reference.md)** for every step (user prompts, `<prefix>` / `{CMD}` usage, CLI commands, subagent launch text, validation, report `tee` order, plot embedding, and trace diagnostics).

## Workflow index

```
0. Query User Inputs (Platform, Trace Path(s), Analysis Mode, Environment Setup)
1. Generate Performance Report (branches on analysis mode: training vs inference then, comparison scope)
2. Trace-Quality Gate → Deterministic fallback analysis
3-6. Prepare Category Data (GPU Util, Top Ops, Tree Data, Multi-Kernel Data, Category Filtering)
7. System-Level Analysis (PARALLEL) → system_findings/
8. Compute Kernel Subagents (PARALLEL) → category_findings/
  8.5. Aggregate → priority_data.json::findings[]
9. Validate Subagent Outputs
10. load_findings + Model Identification (subagent) → metadata/model_info.json
11. Render performance PNG if agent_extension.py is absent
12. Generate analysis.md (orchestrator writes via <prefix> tee), optional extension, embed PNG
```

## Rules

- **Subagents:** Use your runner's subagent primitive (the Task tool in Claude Code or Cursor, `spawn_agent` under Codex) **only** where reference.md says “subagent” (Steps **7**, **8**, **10**). The orchestrator runs everything else, including Step 8.5, using the command prefix from `<output_dir>/cache/cmd_prefix.txt` (`{CMD}` substitution).
- **Language:** Prefer vendor-agnostic terms (GPU kernels, collective communication, vendor GEMM library, DNN primitives, GPU graph). When quoting trace data, real kernel names are fine.
- **Subagent prompts:** Point each subagent at the checked-in agent file under `TraceLens/Agent/Analysis/skills/analysis-orchestrator/agents/<name>.md` (see reference.md for exact paths and prompt shells).

## Primary outputs

- **Deliverable:** `<output_dir>/analysis.md`
- **Internals:** `system_findings/`, `category_findings/`, `category_data/`, `metadata/`, `perf_report*.xlsx`, CSV folders — see package README for layout.

## Agent layout

Project subagents ship with this skill: `TraceLens/Agent/Analysis/skills/analysis-orchestrator/agents/*.md`.

© amd · MIT · amd/skills

Похожие скиллы

Всё по теме «ИИ и ML» →
measure-survey-analysis product-on-purpose Разбирает результаты опросов в выводы для продакт-менеджера: сегменты, темы в открытых ответах, проверка гипотез и честные пометки о том, чего данные не показывают. CX Codex +1 634установок results-analysis Galaxy-Dawn Собирает доказательный разбор ML-экспериментов: статистика, графики, отчёт. Пригодится, когда нужно проверить значимость, а не написать текст статьи. CX Codex +1 542установок runpod-templates runpod Скилл находит официальные шаблоны Runpod Pod, подсказывает порты и автозапуск и чинит метаданные моделей в воркфлоу ComfyUI. CX Codex +1 10 100установок dali-dynamic-mode DALI Team Скилл ведёт агента по императивному режиму NVIDIA DALI: пишет вызовы ndd вместо графов пайплайнов и помогает переносить существующие пайплайны. CX Codex +1 2 100установок nemo-automodel-distributed-training NVIDIA Подсказывает, какую стратегию распределённого обучения выбрать в NeMo AutoModel и какие поля YAML выставить. Пригодится, когда модель не влезает в одну GPU. CX Codex +1 2 000установок analysis microchipgnu Скилл собирает разбор ситуации: где скрытая ставка, в чём настоящее расхождение и кто в итоге платит. Для новостей, конфликтов и решений, где нужен не пересказ, а суждение. CX Codex +1 1 400установок

Из того же набора10

local-ai-use Мета-скилл перенастраивает агента так, чтобы генерация изображений, озвучка и расшифровка аудио шли через локальный Lemonade Server, а не через платный API. CX Codex +1 1 100установок local-ai-app-integration Переводит клиентские запросы из облачных API в локальный процесс Embeddable Lemonade. Пригодится, когда нужно встроить автономные модели в готовое приложение на Windows или Linux. CX Codex +1 895установок serving-llms-on-instinct Разворачивает vLLM-эндпоинт на GPU AMD Instinct: определяет железо, проверяет окружение, собирает Docker-команду и запускает модель. CX Codex +1 876установок serving-llms-on-epyc Разворачивает эндпоинт vLLM с бэкендом zentorch на процессорах AMD EPYC в Docker, Podman или conda. Пригодится для инференса LLM на серверных CPU без привязки к GPU. CX Codex +1 817установок lemonade-router-builder Скилл превращает словесные инструкции в валидный JSON-конфиг collection.router для Lemonade. Он нужен для распределения запросов между локальными и облачными моделями. CX Codex +1 807установок hyperloom-workload-optimizer Ставит Hyperloom на хост с AMD Instinct и запускает многоагентную оптимизацию пропускной способности LLM. Нужен, когда модель на MI300X, MI325X или MI355X должна отдавать больше токенов в секунду. CX Codex +1 783установок quark-install Ставит и проверяет AMD Quark в выбранном окружении Python, подбирая PyTorch под имеющийся ускоритель. Пригодится, когда импорт quark падает или ядро не компилируется. CX Codex +1 526установок quark-torch-llm-ptq Ведёт модель на PyTorch или Hugging Face через посттренировочное квантование в AMD Quark: анализ, план, манифест, запуск. CX Codex +1 524установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой