msprof-mcp 0.1.0__tar.gz

msprof_mcp-0.1.0/.gitignore

@@ -0,0 +1,12 @@
+# Python-generated files
+__pycache__/
+*.py[oc]
+build/
+dist/
+wheels/
+*.egg-info
+
+# Virtual environments
+.venv
+
+log/

msprof_mcp-0.1.0/.python-version

@@ -0,0 +1 @@
+3.13

msprof_mcp-0.1.0/PKG-INFO

@@ -0,0 +1,101 @@
+Metadata-Version: 2.4
+Name: msprof-mcp
+Version: 0.1.0
+Summary: MCP server for Ascend Profiler (msprof) analysis
+Author-email: Wei Zhang <example@example.com>
+Requires-Python: >=3.10
+Requires-Dist: mcp[cli]>=1.26.0
+Requires-Dist: msprof-analyze>=8.2.0
+Requires-Dist: pandas>=2.0.0
+Requires-Dist: perfetto>=0.16.0
+Description-Content-Type: text/markdown
+
+# 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/
+├── server.py                 # MCP 服务器入口，负责注册和分发工具调用
+├── tools/
+│   ├── msprof_analyze_cmd.py # 封装 msprof-analyze 命令行工具
+│   ├── csv_analyze.py        # CSV 格式性能数据分析工具 (Kernel Details, Op Statistic)
+│   ├── json_analyze.py       # JSON 格式性能数据分析工具 (Profiler Info, Communication)
+│   └── trace_view/           # Trace View 深度分析工具集
+│       ├── trace_view_analyze.py # Trace View 分析入口
+│       ├── perfetto_tool.py      # Perfetto SQL 查询核心逻辑
+│       ├── connection_manager.py # 数据库连接管理
+│       └── query_helpers.py      # SQL 查询辅助函数
+└── 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。" |
+| `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。" |
+
+## 集成方法
+
+### 场景一：集成到 Cherry Studio
+在 Cherry Studio 的 MCP 配置 JSON 中添加如下配置：
+
+```json
+{
+  "mcpServers": {
+    "msprof-mcp": {
+      "name": "msprof_mcp",
+      "description": "msprof mcp server",
+      "baseUrl": "",
+      "command": "uv",
+      "args": [
+        "run",
+        "server.py"
+      ],
+      "env": {},
+      "isActive": true,
+      "type": "stdio",
+      "registryUrl": "",
+      "timeout": "6000",
+      "longRunning": true
+    }
+  }
+}
+```

msprof_mcp-0.1.0/README.md

@@ -0,0 +1,89 @@
+# 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/
+├── server.py                 # MCP 服务器入口，负责注册和分发工具调用
+├── tools/
+│   ├── msprof_analyze_cmd.py # 封装 msprof-analyze 命令行工具
+│   ├── csv_analyze.py        # CSV 格式性能数据分析工具 (Kernel Details, Op Statistic)
+│   ├── json_analyze.py       # JSON 格式性能数据分析工具 (Profiler Info, Communication)
+│   └── trace_view/           # Trace View 深度分析工具集
+│       ├── trace_view_analyze.py # Trace View 分析入口
+│       ├── perfetto_tool.py      # Perfetto SQL 查询核心逻辑
+│       ├── connection_manager.py # 数据库连接管理
+│       └── query_helpers.py      # SQL 查询辅助函数
+└── 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。" |
+| `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。" |
+
+## 集成方法
+
+### 场景一：集成到 Cherry Studio
+在 Cherry Studio 的 MCP 配置 JSON 中添加如下配置：
+
+```json
+{
+  "mcpServers": {
+    "msprof-mcp": {
+      "name": "msprof_mcp",
+      "description": "msprof mcp server",
+      "baseUrl": "",
+      "command": "uv",
+      "args": [
+        "run",
+        "server.py"
+      ],
+      "env": {},
+      "isActive": true,
+      "type": "stdio",
+      "registryUrl": "",
+      "timeout": "6000",
+      "longRunning": true
+    }
+  }
+}
+```

msprof_mcp-0.1.0/pyproject.toml

@@ -0,0 +1,22 @@
+[project]
+name = "msprof-mcp"
+version = "0.1.0"
+description = "MCP server for Ascend Profiler (msprof) analysis"
+readme = "README.md"
+requires-python = ">=3.10"
+dependencies = [
+    "mcp[cli]>=1.26.0",
+    "perfetto>=0.16.0",
+    "pandas>=2.0.0",
+    "msprof-analyze>=8.2.0",
+]
+authors = [
+    { name = "Wei Zhang", email = "example@example.com" }
+]
+
+[project.scripts]
+msprof-mcp = "msprof_mcp.server:main"
+
+[build-system]
+requires = ["hatchling"]
+build-backend = "hatchling.build"

msprof_mcp-0.1.0/src/msprof_mcp/server.py

@@ -0,0 +1,58 @@
+
+"""
+FastMCP server entry point.
+"""
+
+import logging
+from mcp.server.fastmcp import FastMCP
+from .tools.msprof_analyze_cmd import msprof_analyze_advisor
+from .tools.trace_view.trace_view_analyze import TraceViewAnalyzeTool
+from .tools.csv_analyze import KernelDetailsAnalyzer, OpStatisticAnalyzer, GenericCsvAnalyzer
+from .tools.json_analyze import ProfilerInfoAnalyzer, CommunicationMatrixAnalyzer
+# Import other tools here as needed in the future
+
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+
+def create_server() -> FastMCP:
+    # Create an MCP server
+    mcp = FastMCP("msprof_mcp")
+
+    # Register tools
+    mcp.tool()(msprof_analyze_advisor)
+
+    # Initialize trace view analysis tool and register its methods
+    trace_view_tool = TraceViewAnalyzeTool()
+    mcp.tool()(trace_view_tool.find_slices)
+    mcp.tool()(trace_view_tool.execute_sql_query)
+    mcp.tool()(trace_view_tool.analyze_overlap)
+
+    # Initialize CSV analysis tools and register their methods
+    csv_analyzer = KernelDetailsAnalyzer()
+    mcp.tool()(csv_analyzer.analyze_kernel_details)
+    mcp.tool()(csv_analyzer.get_operator_details)
+
+    op_stat_analyzer = OpStatisticAnalyzer()
+    mcp.tool()(op_stat_analyzer.analyze_op_statistic)
+    mcp.tool()(op_stat_analyzer.get_op_type_details)
+
+    generic_csv_analyzer = GenericCsvAnalyzer()
+    mcp.tool()(generic_csv_analyzer.get_csv_info)
+    mcp.tool()(generic_csv_analyzer.search_csv_by_field)
+    
+    profiler_info_analyzer = ProfilerInfoAnalyzer()
+    mcp.tool()(profiler_info_analyzer.get_profiler_config)
+
+    comm_matrix_analyzer = CommunicationMatrixAnalyzer()
+    mcp.tool()(comm_matrix_analyzer.analyze_communication)
+
+    return mcp
+
+
+def main():
+    mcp = create_server()
+    mcp.run(transport="stdio")
+
+if __name__ == "__main__":
+    main()