用途：该技能提供在华为昇腾NPU上采集性能Profiling数据的标准化流程，覆盖训练与推理场景，支持L0（最小膨胀）、L1（算子级）、L2（完整调用栈+内存）三级采集，并给出性能分析与调优建议。
主要能力：三级采集级别；通过schedule（skip_first/wait/warmup/active/repeat）控制采集迭代步，避免数据膨胀；支持CPU+NPU双侧活动、算子耗时、调用栈、内存数据采集；适配PyTorch Lightning（Callback）、HuggingFace Trainer（TrainerCallback）、DeepSpeed多卡（建议rank 0采集）；可选GPU对比采集（原生torch.profiler）。
使用方式：先做环境校验——source /usr/local/Ascend/ascend-toolkit/set_env.sh；npu-smi info；python3 -c "import torch; import torch_npu; print(torch.npu.is_available()); a = torch.randn(3,4).npu(); print(a.device)"。采集前建议设置 export CPU_AFFINITY_CONF=1 与 export TASK_QUEUE_ENABLE=2。用torch_npu.profiler.profile包裹训练/推理循环，配合tensorboard_trace_handler输出trace，并在每步后调用prof.step()；推理场景采集后需prof.step()触发导出。可选预检命令：python scripts/validate_profiling_env.py --device npu:0 --output-dir ./profiling_output。
默认行为与限制：用户未指定级别时默认L0；不要修改业务代码中的CUDA写法（自动迁移可转换）。前置条件：Ascend910系列至少1卡、CANN≥8.0（推荐8.2+）、Python 3.8–3.10、PyTorch与CANN匹配、torch_npu与PyTorch一致、磁盘建议≥10GB。L2的with_stack与profile_memory会显著增大数据量。L1/L2通过experimental_config与ProfilerLevel.Level1设置，GPU对比不使用experimental_config。未提供的收费、平台等事实暂未说明。