Synthèse automatique
Analyse les traces du profileur PyTorch et de vLLM à l'aide de requêtes SQL Perfetto pour identifier les goulots d'étranglement GPU, CPU et multi-rank, puis produit un rapport structuré.
Points forts
- Workflow en étapes explicites : localiser la trace fusionnée, lancer les requêtes d'aperçu, puis collecter des preuves par zone (synchronisation, hotspots kernel, préfill/decode, déséquilibre de ranks)
- Format de rapport imposé qui sépare les preuves confirmées des hypothèses et signale explicitement les lacunes de données
- Préset de requêtes SQL et runner Python fournis, ce qui évite de manipuler du JSON de trace brut
- Oriente vers les prochaines inspections dans Perfetto/TensorBoard et vers des pistes d'optimisation concrètes
Limites
- Suppose l'existence d'une trace fusionnée de type *-merged_trace.json, produite en amont par vLLM/VAP ; le skill ne décrit pas comment générer la trace
- Spécifique à l'écosystème PyTorch/vLLM et Perfetto, inutilisable pour d'autres profileurs
- La qualité des conclusions dépend entièrement des présets SQL disponibles et de la complétude de la trace
À utiliser lorsqu'on dispose déjà d'une trace du profileur PyTorch ou vLLM et qu'on veut en extraire des preuves de performance et un rapport d'optimisation.
À ne pas utiliser si aucune trace n'a encore été collectée ou s'il s'agit de profiler un runtime non PyTorch.
Analyse de sécurité
SûrSKILL.md is a documentation-oriented workflow for analyzing PyTorch/vLLM profiler traces using Perfetto SQL evidence. It contains no obfuscated payloads, destructive commands, secret exfiltration, or safety-disabling instructions. The only minor caveat is that it references an external runner.py and query presets whose contents are not shown.
- •No execution commands, network calls, credential access, or destructive actions are present in SKILL.md.
- •The skill references external files queries.yaml and runner.py, but those files are not included or invoked by the provided text; their behavior cannot be audited here.
Exemples
Analyze the latest *-merged_trace.json from my vLLM run and tell me whether the bottleneck is in prefill or decode. Back every claim with Perfetto SQL evidence and give me an optimization report.Compare GPU kernel hotspots and idle gaps across ranks in this torch profiler trace — is there rank imbalance? Show the evidence table and separate confirmed findings from hypotheses.Run the trace overview queries on my merged trace, then look at synchronization waits and memory copies to explain why throughput dropped.name: torchprofiler-trace-analysis description: Analyze PyTorch profiler and vLLM trace files with Perfetto SQL evidence. Use when working with torch profiler traces, merged_trace files, vLLM profiling logs, Perfetto trace analysis, GPU kernel hotspots, synchronization waits, rank imbalance, prefill/decode bottlenecks, or optimization reports.
TorchProfiler Trace Analysis
Purpose
Use this skill to analyze PyTorch profiler traces from vLLM/VAP runs. Prefer evidence from Perfetto SQL and structured trace metadata over raw JSON snippets.
Attribution
This project is inspired by the evidence-driven workflow design of:
Gracker/Perfetto-Skills: standard Agent Skill structure, workflow routing, SQL-backed evidence, and report contracts.Gracker/SmartPerfetto: AI-assisted Perfetto analysis, evidence workflows, reports, and trace-processor-backed SQL analysis.
No code or SQL is copied from those projects. The SQL presets and workflows in this project are original and specialized for PyTorch profiler / vLLM traces.
Workflow
- Identify the latest or requested trace.
- Prefer merged traces named like
*-merged_trace.jsonor*-merged_trace.json.gz. - Run trace overview queries first.
- Collect evidence for:
- synchronization waits
- GPU kernel hotspots
- CPU operator hotspots
- rank imbalance
- memory copies
- prefill/decode spans
- idle gaps
- Summarize findings with evidence.
- Separate confirmed evidence from hypotheses.
- Recommend next inspections in Perfetto/TensorBoard.
Report Format
Use this structure:
# TorchProfiler Trace Report
## Executive Summary
Short summary of the most likely bottleneck.
## Trace Metadata
- Trace file:
- Merged trace:
- Event count:
- Time span:
- Ranks:
## Evidence
| Area | Evidence | Interpretation |
|---|---|---|
## Bottleneck Hypotheses
1. Hypothesis with supporting evidence.
## Perfetto Inspection Guide
- Tracks/events to inspect next.
## Optimization Suggestions
- Concrete model/config/benchmark changes to try.
## Evidence Gaps
- Missing data or uncertainty.
Safety
Do not infer causal conclusions from a query that only parsed successfully. Label uncertain conclusions as hypotheses. Do not request raw trace JSON unless a focused preview is necessary.
Utilities
- Query presets: queries.yaml
- Runner: runner.py
- Workflow details: WORKFLOWS.md
Du fichier au premier essai
Le téléchargement contient exactement le contenu affiché sur cette fiche. Cette copie peut différer de la dernière version du dépôt source.
Consulter la source et ses fichiers annexesCe téléchargement contient uniquement SKILL.md. Les scripts, références, modèles et dépendances éventuels ne sont pas inclus. Récupérez les fichiers nécessaires depuis la source en conservant leur arborescence avant de poursuivre.
1. Télécharger le fichier
Télécharger SKILL.mdDepuis la racine d’un projet de test, enregistrez le fichier sous .skill-downloads/torchprofiler-trace-analysis-mrwakfne/SKILL.md, ou utilisez la commande suivante. Ce dossier sert à examiner la skill avant son installation.
Commande pour macOS/Linux ou WSL : un shell POSIX et curl sont nécessaires. Sous Windows sans WSL, utilisez le bouton de téléchargement et créez le dossier manuellement.
mkdir -p '.skill-downloads/torchprofiler-trace-analysis-mrwakfne' && curl --fail --show-error --location 'https://skills-guides.com/api/skills/torchprofiler-trace-analysis-mrwakfne/download' --output '.skill-downloads/torchprofiler-trace-analysis-mrwakfne/SKILL.md.part' && mv '.skill-downloads/torchprofiler-trace-analysis-mrwakfne/SKILL.md.part' '.skill-downloads/torchprofiler-trace-analysis-mrwakfne/SKILL.md'2. Vérifier les prérequis
Lisez SKILL.md avant de l’utiliser. Si le fichier cite des scripts ou services externes, examinez-les et préparez les accès nécessaires dans votre environnement de test.
Aucune section de prérequis reconnue dans ce fichier. Cela ne signifie pas qu’il est autonome : les bibliothèques, outils et accès peuvent être cités ailleurs dans le contenu ou dans le dépôt source.
Les plateformes de la fiche sont des indications du catalogue. Les chemins ci-dessous suivent la documentation des outils ; ils ne prouvent pas que cette skill y a été exécutée. Aucune version minimale de ces outils n’est attestée pour cette fiche.
3. Charger la skill
Après vérification, copiez le dossier complet dans le projet avec l’une des commandes ci-dessous, puis ouvrez une nouvelle session de l’outil. La commande s’arrête si un dossier du même nom existe déjà : comparez les fichiers avant de le remplacer.
Claude Code
test -f '.skill-downloads/torchprofiler-trace-analysis-mrwakfne/SKILL.md' && test -s '.skill-downloads/torchprofiler-trace-analysis-mrwakfne/SKILL.md' && mkdir -p '.claude/skills' && test ! -e '.claude/skills/torchprofiler-trace-analysis' && cp -R '.skill-downloads/torchprofiler-trace-analysis-mrwakfne' '.claude/skills/torchprofiler-trace-analysis'Cursor
test -f '.skill-downloads/torchprofiler-trace-analysis-mrwakfne/SKILL.md' && test -s '.skill-downloads/torchprofiler-trace-analysis-mrwakfne/SKILL.md' && mkdir -p '.cursor/skills' && test ! -e '.cursor/skills/torchprofiler-trace-analysis' && cp -R '.skill-downloads/torchprofiler-trace-analysis-mrwakfne' '.cursor/skills/torchprofiler-trace-analysis'Codex
test -f '.skill-downloads/torchprofiler-trace-analysis-mrwakfne/SKILL.md' && test -s '.skill-downloads/torchprofiler-trace-analysis-mrwakfne/SKILL.md' && mkdir -p '.agents/skills' && test ! -e '.agents/skills/torchprofiler-trace-analysis' && cp -R '.skill-downloads/torchprofiler-trace-analysis-mrwakfne' '.agents/skills/torchprofiler-trace-analysis'OpenSkills
OpenSkills doit déjà être installé. La procédure locale install/read est contrôlée avec OpenSkills 1.5.0, qui exige Node.js ≥ 20.6.0. Aucun slug du catalogue n’est résolu automatiquement.
Installation officielle d’OpenSkillsopenskills install './.skill-downloads/torchprofiler-trace-analysis-mrwakfne'openskills read 'torchprofiler-trace-analysis-mrwakfne'La lecture doit afficher le contenu du fichier installé et son dossier de base. Elle ne lance ni la skill ni ses dépendances.
Pour un agent qui lit AGENTS.md, synchronisez ensuite l’index. Cette commande modifie AGENTS.md : relisez le diff avant de l’utiliser.
openskills syncMode manuel ou autre outil : joignez SKILL.md à une conversation, ou ouvrez-le dans un agent capable de lire les fichiers. Ajoutez les ressources annexes nécessaires. Il n’existe pas de dossier universel reconnu par tous les outils.
4. Faire un premier essai
Utilisez une entrée courte et fictive : un endpoint d’API, un petit document ou un brief d’interface. Dans une nouvelle conversation, joignez le fichier ou donnez son chemin à l’agent, puis adaptez cette demande :
Lis .skill-downloads/torchprofiler-trace-analysis-mrwakfne/SKILL.md et applique ses instructions à cet exemple : [décrire une entrée de test]. Indique les fichiers, dépendances ou accès qui manquent. Produis le résultat demandé par la skill sans inventer de données ni exécuter de script non examiné.Résultat attendu : une sortie correspondant aux instructions de la skill, ou une liste précise des prérequis manquants. Une simple confirmation de lecture ne valide pas le premier usage. Si une ressource externe est indisponible, ce parcours reste à tester.
Créer des cartes interactives avec kepler.gl
Data & IA
Création de cartes interactives et export HTML autonome avec le package Python keplergl, à partir de données géospatiales (DataFrame, GeoJSON, CSV).
Optimisation de paramètres par agent
Data & IA
Guide d'optimisation de systèmes configurables avec objectif mesurable, via des essais bornés et une recommandation fondée sur des preuves.
Relance des visiteurs ICP
Data & IA
Identifiez les utilisateurs inscrits correspondant au profil client idéal mais qui n'ont pas activé, et rédigez des messages de relance personnalisés pour les réengager.