redai-infra 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 followsource ${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、
--colocatevs--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）
- 文件名解析：
- 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>
严禁
- ❌ 不要 修改脚本。只诊断，给文字建议
- ❌ 不要执行训练 / dry-run / benchmark
- ❌ 不要分析日志（那是
debug-hang的事） - ❌ 不要建议不在
references/rules.md里、且自己不能给出 Relax-specific 依据的"通用 ML 优化技巧"
Rule catalog
完整规则在 references/rules.md。每条规则字段：Category / Severity / Trigger / Why / Fix / Skip when。新规则直接往该文件追加即可，无需改 SKILL.md。
Baselines
经过验证的参考配置在 references/baselines.md，作为合理区间锚点用。新 baseline 按文件末尾模板追加即可。