Ascend Dmi

Ascend DMI 工具使用指南

Ascend DMI（Ascend Device Management Interface）是华为昇腾 NPU 设备的管理和诊断工具。

你必须严格按照本文件的步骤顺序执行，不得跳步、不得自行发明替代方案。 每一步都有明确的通过条件，未通过则不能进入下一步。这不是参考文档，是你必须遵守的操作规程。

快速决策：根据操作类型选择路径

用户请求
  │
  ├─ 信息查询（-v/-i/-c/-h）或眼图测试（--sq）
  │   → 【快速路径】检查 ascend-dmi → 确认参数 → 构建命令 → 直接执行 → 解读输出
  │
  ├─ 性能测试（--bw/-f/-p）或 healthCheck/performanceCheck
  │   → 【标准路径】检查 ascend-dmi + CANN → 确认参数 → 构建命令 → 告知风险并确认 → 执行 → 解读输出
  │
  └─ 压力测试（--dg -s）或 NPU 恢复（-r）
      → 【高风险路径】检查 ascend-dmi + CANN → 确认参数 → 构建命令 → 二次确认 → 检查设备占用 → 执行 → 解读输出

注意：标准路径和高风险路径都必须完成 CANN 检查才能执行命令。见第 2 步。

第 1 步：远程还是本地？

• 本地（用户未提及远程 IP/主机名）：直接在当前服务器执行 ascend-dmi 命令

• 远程（用户提到了 IP 地址、主机名或"远程服务器"）：必须先调用 remote-server-guide skill 建立连接，不要自己尝试 SSH。原因：直接 ssh 无法在非交互环境中输入密码，会认证失败。remote-server-guide 会通过 tmux 等方式安全处理密码输入。连接建立后，再在远程执行后续步骤。

  禁止行为：不要直接执行 ssh user@host "command"，这在 Claude 环境中一定会失败（无法输入密码）。

第 2 步：环境检查

环境检查分两部分，必须按顺序完成两部分后才能执行命令。

2a. 检查 ascend-dmi

which ascend-dmi && ascend-dmi -v

如果不可用：

source /usr/local/Ascend/toolbox/set_env.sh
which ascend-dmi

仍不可用则读取 [references/environment-setup.md] 按步骤安装 MindCluster ToolBox。

2b. 检查 CANN（性能测试、诊断、压力测试必须）

带宽测试（--bw）、算力测试（-f）、功耗测试（-p）、健康检查（--dg）、压力测试（-s）都依赖 CANN 环境。不完成 CANN 检查就执行这些命令一定会失败，没有例外。

验证命令（整个流程中反复使用这个命令来判断 CANN 是否可用）：

python3 -c "import acl; print(acl.get_soc_name())"

• 输出芯片型号（如 Ascend910B）= CANN 可用 ✓ → 进入第 3 步
• 任何报错（ModuleNotFoundError、ImportError 等）= CANN 不可用 ✗ → 执行下方修复流程

CANN 不可用时的修复流程（必须按 1→2→3→4 顺序执行，不得跳步）：

1. 先问用户。 向用户提问："CANN 安装在哪个路径？"然后等待用户回复。

• 用户给出路径 → source <路径>/set_env.sh → 运行验证命令 → 通过则进入第 3 步，失败则告知用户该路径不可用并继续步骤 2
• 用户说不知道 → 进入步骤 2

2. 征得用户同意后自动查找。 先问用户"是否允许我自动搜索 CANN 路径？"得到同意后，按以下优先级逐个尝试（CANN 8.5.0+ 目录名为 cann，旧版为 ascend-toolkit）：

每个优先级的处理方式完全相同：

source <路径>/set_env.sh → python3 -c "import acl; print(acl.get_soc_name())"
  ├─ 验证通过（输出芯片型号）→ 成功，进入第 3 步
  └─ 验证失败（任何报错）→ 放弃这个路径，尝试下一优先级

"看到目录存在"不等于"CANN 可用"。 目录存在、文件存在、set_env.sh 能 source，都不能代替验证命令。只有 python3 -c "import acl; print(acl.get_soc_name())" 成功才算 CANN 可用。验证失败直接放弃该路径。目录下不存在set_env.sh文件也直接放弃该路径。

3. 全部失败 → 停下来。 告知用户"自动查找 CANN 失败，请提供准确的 CANN 安装路径"，然后停止操作，等待用户回复。不要继续执行 ascend-dmi 命令。

以下行为被禁止，因为它们会导致环境损坏或命令执行出错：

• ✗ 跳过步骤 1 直接搜索（用户可能直接知道路径，搜索是浪费时间）
• ✗ 用 export PATH=...、export PYTHONPATH=...、export LD_LIBRARY_PATH=... 手动拼凑环境
• ✗ 验证失败后在同一个路径上反复尝试修复（换 python 版本、装 pip 包、改权限等）
• ✗ 看到 /usr/local/Ascend/ascend-toolkit 或 /usr/local/Ascend/cann 目录存在就认为找到了，不运行验证命令
• ✗ 所有路径都失败后仍然继续执行 ascend-dmi 测试命令

第 3 步：确认测试参数

在构建命令前，先向用户确认具体的测试参数。用户的请求中可能已包含部分参数，只需补全缺失的部分。如果用户已在请求中明确指定了全部参数，则无需重复询问。

先执行 npu-smi info 获取可用设备列表，以便向用户展示可选项。

各测试类型需确认的参数

带宽测试：

• 测试模式：h2d / d2h / d2d / p2p（可多选）
• 测试哪些卡（设备 ID），还是所有卡？
• 是否指定数据大小（-s）？注意：D2D 在 A2/A3 上不支持 -s
• P2P 是否指定源/目标设备（-ds/-dd）？不指定则测全部设备间矩阵

算力测试：

• 数据类型：fp16 / fp32 / int8 / bf16 / hf32（默认 fp16，不同产品支持不同，详见 [references/constraints.md]）
• 测试哪些卡（-d），还是整机（--all）？两者互斥
• 是否调整执行次数（--et，默认 60，单位十万）？

功耗测试：

• 测试类型：edp（估计设计功耗）还是 tdp（热设计功耗）？
• 测试时长（--dur，默认 600 秒）

健康检查 / 性能规格：

• 测试哪些卡，还是所有卡？

压力测试：

• 测试项目：aicore / hbm（片上内存）/ bandwidth（P2P）/ edp / tdp / aicpu？
• 测试哪些卡？注意：aicpu 必须单独执行，不能与其他项组合

NPU 恢复：

• 恢复哪张卡？（必须指定 -d）

眼图测试：

• 测试类型：pcie / hbm / roce / all？
• 测试哪些卡？

第 4 步：构建命令

根据用户确认的参数，按下表构建命令。

命令速查

完整命令和参数组合见 [references/command-cheatsheet.md]。具体参数说明见 [references/parameters/] 下的各文件。

注意事项

• -q 参数：对中/高风险操作，在用户确认后添加 -q 跳过命令行交互提示

第 5 步：风险确认与执行

无风险操作（信息查询、眼图测试）

直接执行，无需额外确认。

中等风险操作（带宽/算力/功耗测试、健康检查、性能规格）

这些操作会独占 NPU 设备，中断正在运行的训练或推理任务。执行前：

1. 告知用户影响："该测试会独占 NPU，正在运行的训练/推理任务将被中断"
2. 获取用户确认后执行
3. 添加 -q 参数跳过命令行交互提示

高风险操作（压力测试、NPU 恢复）

这些操作可能导致长时间高负载、硬件过热或 NPU 暂时不可用。执行前：

1. 明确告知具体风险（如"压力测试会持续数小时高负载运行，可能触发硬件保护机制"）
2. 检查设备占用：fuser -v /dev/davinci*
3. 要求用户二次确认：确认已停止相关业务、了解风险
4. 添加 -q 参数

详细风险矩阵见 [references/risk-assessment.md]。

第 6 步：解读输出

执行完成后，提取关键指标并给出结论：

带宽测试：关注 Bandwidth(GB/s) 值。典型参考：H2D 20-28 GB/s, D2H 25-30 GB/s, D2D 760-800 GB/s, P2P 25-55 GB/s。注意：D2D 在 A2/A3 上传输大小由 AI Core 决定、不支持 -s 参数；P2P 不指定 -ds/-dd 时输出的是设备间矩阵。

算力测试：关注 TFLOPS/TOPS 值。注意区分测试模式：使用 --all 时，TFLOPS 是整机所有卡的算力总和，不是单卡算力；不带 --all 时才是单卡算力。判断是否达标时必须对应正确的规格（整机规格 = 单卡规格 × 卡数）。如显著低于产品规格，可能是温度过高触发降频。

功耗测试：关注 Power(W) 和 Temperature(°C)。温度应低于 90°C。

诊断测试：PASS = 正常，FAIL = 需处理，SKIP = 当前产品不支持，WARN = 关注警告级别。

详细结果解读方法见 [references/output-interpretation.md]。

资源索引