Modeling 仿真建模

Modeling 是面向 msmodeling 场景的领域 Agent，负责承接大模型（LLM/VLM）仿真建模相关的环境初始化、性能建模、单点仿真、吞吐规划、设备画像以及服务化自动寻优类问题。

当前版本已经接入 msmodeling 专项 skills（含服务化自动寻优链路），可在统一入口下承接参数补齐、命令规划、设备建模引导、服务化自动寻优工具部署安装、寻优参数推荐与 config.toml 配置；涉及真实性能结果时，仍应以实际运行输出为准。

Agent 定位

• 面向 msmodeling 仓库及其相关任务
• 覆盖大模型单点性能仿真与部署吞吐规划两大方向
• 聚焦“理解需求 → 梳理输入 → 形成候选命令 / 方案 → 执行前确认 → 总结结果或给出验证路径”
• 仅承接已接入专项 skill 覆盖的链路；未接入能力不在当前适用范围内

已接入能力

当前已接入以下 msmodeling 专项能力：

• msmodeling-env-installer：用于安装和验证 msmodeling 开发环境，覆盖 uv 创建 myenv、安装 requirements.txt、配置当前会话 PYTHONPATH / HF_ENDPOINT 与依赖一致性检查
• msmodeling-text-generate-executor：用于单点仿真参数补齐、候选命令生成、执行前确认与结果总结
• msmodeling-throughput-optimizer-executor：用于吞吐规划、硬件对比、聚合/分离/P:D 配比搜索的参数补齐与结果总结
• msmodeling-device-config：用于把自然语言硬件规格转换为设备画像建模输入，并显式标注待校准项
• msmodeling-optix-deploy：用于部署安装 msmodeling optix 服务化自动寻优 CLI 工具，包括仓库检查、pip 安装与 CLI 验证
• msmodeling-optix-param-recommend：用于根据硬件、模型、负载和优化目标，推荐 MindIE/vLLM 服务化自动寻优参数、搜索范围、benchmark 配置与 config.toml 片段

核心能力

• 解释当前已接入的大模型仿真建模与部署规划能力边界、典型使用方式
• 梳理 text_generate、throughput_optimizer、设备画像以及服务化自动寻优部署场景的关键输入参数
• 帮助用户区分环境初始化、单点验证、吞吐规划、设备建模、服务化自动寻优部署与参数推荐等已支持任务类型
• 根据本地仓库文档与实现，给出候选命令、输入清单、检查项和验证路径
• 在没有真实运行结果时，明确区分“仿真/规划建议”和“实测结论”

适用场景

• 想按 README 初始化 msmodeling 开发环境、创建 myenv 或安装 requirements.txt
• 想配置当前会话的 PYTHONPATH、HF_ENDPOINT，或检查 Python 依赖一致性
• 想判断某个 msmodeling 需求应该走单点仿真、吞吐规划还是设备建模流程
• 想梳理 python -m cli.inference.text_generate 运行前需要准备哪些参数
• 想评估 python -m cli.inference.throughput_optimizer 的规划思路或输入项
• 想为新硬件准备 device profile
• 想部署安装 msmodeling optix 服务化自动寻优工具
• 想根据硬件、模型、业务负载和优化目标获取 MindIE/vLLM 服务化自动寻优参数推荐和 config.toml 配置

推荐使用方式

• 尽量直接提供 msmodeling 仓库路径、模型名称、目标设备、设备数和任务目标
• 如果你要初始化环境，请说明是否要使用默认 myenv、是否允许安装 uv / requirements.txt、是否需要设置 PYTHONPATH 或 HF_ENDPOINT
• 如果你要的是单点仿真，请说明：模型、device profile、设备数、输入/输出长度、Prefill/Decode 模式
• 如果你要的是吞吐规划，请说明：模型、硬件、设备数、输入输出长度、SLO、部署模式（聚合 / 分离 / P:D 比例）
• 如果你要部署服务化自动寻优工具，请说明是否使用默认的阿里云 PyPI 镜像，以及你的运行环境是否为 Ascend 推理系列产品
• 如果你要获取服务化自动寻优参数推荐，请尽量提供：推理框架（mindie/vllm）、硬件信息（单卡显存、world_size、每节点卡数、节点数）、模型 config.json 路径或模型名、业务负载 token 长度、优化目标（throughput/ttft/tpot/balanced）

当前边界说明

• 对已接入的 6 个专项 skill，Agent 可以直接承接：
• 环境依赖安装与检查
• 参数渐进式补齐
• 候选命令生成
• 执行前确认
• 执行后结果总结
• 服务化自动寻优工具部署安装与验证
• 基于历史经验与启发式规则的寻优参数推荐与 config.toml 配置
• 环境安装类任务（含服务化自动寻优工具部署）涉及网络安装、删除或覆盖已有环境、卸载 Python 包时，必须先说明影响并取得确认
• 寻优参数推荐会优先匹配历史实战经验配置，命中时直接采用经验值；超出经验边界的部分回退到脚本通用推断，两者来源会明确标注
• 当前未接入的链路不在本 Agent 适用范围内，Agent 不应伪造自动化流程或声称可以直接执行
• 若需要真实性能结果，仍应以实际运行和验证输出为准

典型使用场景

场景	示例提示词
环境初始化	请帮我按 msmodeling README 初始化环境，创建 myenv 并安装 requirements.txt。
单点仿真参数梳理	请帮我梳理 Qwen3-32B 在 A3 上跑 text_generate 需要补齐哪些参数。
吞吐规划咨询	我想比较同一个模型在两种硬件上的部署吞吐规划，应该怎么准备 throughput_optimizer 输入？
设备建模入口	我要给一块新硬件做 device profile，先帮我确认需要哪些规格。
服务化自动寻优部署	请帮我安装 msmodeling optix 寻优工具并验证是否可用。
寻优参数推荐	我在 Atlas A3 上部署 Qwen3-32B，使用 vLLM，目标吞吐优先，帮我推荐寻优参数和 config.toml 配置。