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 类型算子的详细统计数据。	"查看 /path/to/op_statistic.csv 中所有 'AI_CORE' 类型的算子统计。"
search_csv_by_field	通用 CSV 字段搜索工具，支持按列值过滤。	"在 /path/to/file.csv 的 'Name' 列中搜索包含 'Conv' 的行。"

4. 通信性能分析 (JSON)

工具名称	描述	示例 Prompt
analyze_communication	分析 communication_matrix.json，识别 P2P/集合通信瓶颈及慢链路。	"分析 /path/to/communication_matrix.json，找出带宽利用率低的链路。"
analyze_communication_trace	分析 communication.json，提供通信操作的时间分解（Transit, Wait）和带宽详情。	"分析 /path/to/communication.json，查看通信操作的等待时间分布。"

5. 配置信息查询

工具名称	描述	示例 Prompt
get_profiler_config	获取 profiler_info.json 中的配置信息（版本、软硬件环境）。	"读取 /path/to/profiler_info.json，查看 Profiler 配置版本。"

6. SQL执行

工具名称	描述	示例 Prompt
execute_sql	执行只读 SQL 并返回结果，当结果行数/返回字符数超阈值时会返回失败并提示收敛查询。	"对 /path/to/ascend_pytorch_profiler.db 执行 SQL：SELECT name, SUM(total_time) AS total FROM COMPUTE_TASK_INFO GROUP BY name LIMIT 20。"
execute_sql_to_csv	执行只读 SQL 并将全量结果保存为 CSV，只返回导出状态、路径和行数，不返回查询结果内容。	"将 /path/to/ascend_pytorch_profiler.db 中 SELECT * FROM TASK WHERE taskType='AI_CORE' 的结果导出到 /tmp/op_statistic_ai_core.csv。"

快速开始

方式一：直接运行 (PyPI)

如果您已安装 uv，可以直接运行以下命令启动服务：

uvx msprof-mcp

方式二：本地开发运行

# 1. 克隆代码仓库
git clone <repository_url>
cd msprof_mcp

# 2. 运行服务
uv run msprof-mcp

集成方法

集成到 Cherry Studio / Claude Desktop

在 MCP 配置 JSON 中添加如下配置。建议优先使用 PyPI 版本。

1. 使用 PyPI 版本 (推荐)

{
  "mcpServers": {
    "msprof-mcp": {
      "name": "msprof_mcp",
      "description": "msprof mcp server",
      "command": "uvx",
      "args": [
        "msprof-mcp"
      ],
      "env": {},
      "isActive": true,
      "type": "stdio"
    }
  }
}

2. 使用本地源码 (开发调试)

{
  "mcpServers": {
    "msprof-mcp-local": {
      "name": "msprof_mcp_local",
      "description": "msprof mcp server (local)",
      "command": "uv",
      "args": [
        "run",
        "msprof-mcp"
      ],
      "cwd": "/absolute/path/to/msprof_mcp", 
      "env": {},
      "isActive": true,
      "type": "stdio"
    }
  }
}

注意：使用本地源码时，请将 cwd 修改为您的实际项目路径。

日志说明

msprof-mcp 默认使用 WARNING 日志级别，避免在 stdio 集成场景下把 mcp.server.lowlevel.server 的请求级 INFO 日志打印到 Agent CLI/Cherry Studio/Claude Desktop 终端中。

如果需要排查问题，可以在 MCP 配置的 env 中显式开启更详细日志，例如：

{
  "MSPROF_MCP_LOG_LEVEL": "INFO"
}

可选值包括 DEBUG、INFO、WARNING、ERROR。