Agent Skills › redai-infra/Relax › perf-doctor

perf-doctor

GitHub

诊断 Relax 训练启动脚本，识别影响性能（耗时/MFU）或显存占用的不合理配置。通过解析参数、对照规则与基线，生成包含严重性等级及具体修复建议的 Markdown 报告，辅助优化分布式训练资源分配。

skills/perf-doctor/SKILL.md redai-infra/Relax

Trigger Scenarios

用户请求审查或审计训练脚本提及 perf doctor 或怀疑配置导致慢/OOM 发布前进行配置合理性检查

Install

npx skills add redai-infra/Relax --skill perf-doctor -g -y

More Options

Use without installing

npx skills use redai-infra/Relax@perf-doctor

指定 Agent (Claude Code)

npx skills add redai-infra/Relax --skill perf-doctor -a claude-code -g -y

安装 repo 全部 skill

npx skills add redai-infra/Relax --all -g -y

预览 repo 内 skill

npx skills add redai-infra/Relax --list

SKILL.md

Frontmatter

{
    "name": "perf-doctor",
    "description": "Diagnose Relax training launch scripts for misconfigured flags that hurt performance (time\/MFU) or waste GPU memory (cards needed). Use when user asks to review\/audit\/check a training script, mentions \"perf doctor\", suspects a config is slow or OOM-prone, or wants a sanity check before launching. Produces a two-section markdown report (Performance + Memory) with cited flags, severity, and concrete fixes.",
    "argument-hint": "<path-to-launch-script>"
}

perf-doctor

诊断 Relax 训练启动脚本（scripts/training/**/*.sh），找出影响 执行性能（耗时 / MFU） 或 显存占用（所需卡量） 的不合理配置。

使用方式

/perf-doctor scripts/training/text/run-qwen36-35B-A3B-8xgpu.sh

参数：单个启动脚本绝对或相对路径。

执行步骤

读取脚本 — 收集 *_ARGS=( ... ) 数组与 ray job submit ... train 行里的所有 --flag value。同时 follow source ${MODEL_CONFIG_DIR}/... 拿模型架构（dense / MoE、是否 multimodal）。
抽取 context —
- 文件名解析：run-<model>-<size>-<NxgpuY>(-async|-image|-video)?.sh → 总 GPU 数、节点数、模式、模态
- flag 解析：TP/PP/CP/EP/ETP、--colocate vs --fully-async、--rollout-max-response-len、--max-tokens-per-gpu、--resource、--num-iters-per-train-update、--max-staleness、--num-data-storage-units
- 默认 GPU 假设：H20 96GB，除非用户在 prompt 里给出别的（A100 80G / H100 80G 等）
加载规则 — 读 references/rules.md，逐条判断 applies / borderline / not-applicable
对照 baseline — 读 references/baselines.md，若用户脚本与某条 baseline 同模型 + 同 GPU 数量级，把 baseline 的并行 / batch / mem 配置作为合理区间锚点；偏离 ≥ 2 档时把 baseline 数值写进对应 finding 的 Cost 一栏佐证
输出报告 — 严格按下方输出模板渲染

触发判断原则

不要机械触发：CPU offload 三件套在 35B-A3B 4×H20 这种边界 case 是必需的；规则 Skip when 节里写了什么时候它就是对的，要尊重
不要 false positive：脚本里如果有 # NOTE(...) 注释解释为什么开 / 关某个 flag，把它当作有效理由，降级到 info 或跳过
借助推理而非穷举：references/rules.md 是知识库不是判定表 — 模型大小 × dtype 估算显存预算、TP×CP×PP 是否合理、async 资源比是否平衡，都要 case-by-case 算

输出模板

# perf-doctor: <script-name>

**Context:** model=<X> (<dense|MoE>, <text|mm|video>) · GPUs=<N> (<nodes>×<g/n>) · mode=<colocate|fully-async> · TP<x>/PP<x>/CP<x>/EP<x>/ETP<x> · max-resp-len=<X> · GPU=H20 96GB (assumed)

---

## 🚀 Performance findings

### [WARN] R-P0X — <short title>
- **Setting:** `--flag value`（脚本行号或所在 ARGS 组）
- **Cost:** <估算的 MFU / 耗时影响>
- **Fix:** <可直接照抄的 flag 修改>
- **Skip if:** <什么情况下当前设置反而是对的>

(more findings...)

## 💾 Memory findings

### [WARN] R-M0X — <short title>
- **Setting:** `--flag value`
- **Cost:** <显存影响 / 卡量影响>
- **Fix:** <修改建议>
- **Skip if:** <justified condition>

(more findings...)

---

## Summary
- Critical: N · Warn: N · Info: N
- **Top action:** <一句话最该改的>