用途：评估 Ascend NPU 上 Triton 算子的性能，通过 msprof 采集数据、诊断瓶颈类型并输出性能报告。核心原则是只相信 msprof 数据，不凭直觉。性能比 Ratio = torch_npu 耗时 / Triton 耗时，Ratio ≥ 1.0 表示 Triton 更快，目标通常为 Ratio ≥ 1.0x。
主要能力：函数级采集用 msprof --application="python x.py"，适合多算子对比与全链路分析；算子级采集用 msprof op --kernel-name=K python x.py，适合硬件利用率与 Bank Conflict 分析。决策流程为先 msprof 定位热点，再 msprof op 深度分析。瓶颈分为 Memory-Bound（AI 低于硬件平衡点）、Compute-Bound（AI 高于平衡点）、Latency-Bound（带宽与计算利用率均低），本技能只负责诊断归类，优化手法交由 triton-operator-performance-optim。
使用方式：按任务加载参考资源，函数级对比加载 msprof-function-level.md，算子级分析加载 msprof-op-level.md 与 performance-data-analysis.md，理解术语加载 ascend-terminology.md。完成后输出基本信息、性能指标（耗时、内存带宽利用率、Cube/Vector 利用率、L2 命中率、Bank Conflict）、瓶颈诊断与优化建议，利用率低于 30% 标记为重点关注。
限制与陷阱：禁止用 time.time()、torch.npu.Event、do_bench 等非 msprof 方式计时；必须同硬件对比，不可 Triton(NPU) 对 PyTorch(CPU)；需预热至少 5 次后采集，覆盖小/中/大 shape，固定 dtype，采集时避免打印或日志。函数级 msprof 会包含 JIT 编译时间，op_statistic 中 Avg 可能远高于 msprof op 的 Task Duration，应仅比较稳态调用或直接用 Task Duration 作基准。注意 Triton 为 AI_VECTOR_CORE，torch_npu 为 MIX_AIC，需检查 aic_cube_ratio 是否为 NA。