用途：指导代理对 CUDA 应用进行性能剖析，使用 Nsight Systems（时间线级）与 Nsight Compute（内核级指标），通过 NCU 命令行自动采集指标、解读 roofline 模型，并诊断内核属于内存受限还是计算受限。
适用时机：内核比预期慢需定位瓶颈；比较不同内核变体（分块策略、block 大小）；用 ncu 指标构建 CI 性能回归检查；在多流流水线中关联 CPU 与 GPU 活动；用 NVTX 标注应用阶段以便时间线可见；解读占用率、内存吞吐与 SM 利用率指标。
主要能力与用法：
- 选择工具：系统级时间线（CPU+GPU+CUDA API）用 Nsight Systems（nsys）；单内核深度指标用 Nsight Compute（ncu）；CI 中快速取指标用 ncu --metrics。
- 时间线剖析：nsys profile --trace=cuda,nvtx,osrt --output=report ./my_cuda_app；用 nsys-ui report.nsys-rep 打开，或用 nsys stats report.nsys-rep 查看 CLI 摘要。关注内核启动间隙、cudaDeviceSynchronize 停顿、跨流 H2D 拷贝与内核执行的重叠、CUDA API 调用开销。
- NVTX 范围标注：包含 nvtx3/nvToolsExt.h，用 nvtxRangePushA/nvtxRangePop 标注 H2D 拷贝、内核、D2H 拷贝等阶段，编译时链接 -lnvToolsExt 或使用 nvtx3 头文件，范围在 Nsight Systems 中显示为彩色条带。
- 内核分析：ncu -o kernel_report ./my_cuda_app；按名称过滤 ncu --kernel-name regex:matmul_tiled ./my_cuda_app；用 ncu-ui kernel_report.ncu-rep 打开。报告关键部分包括 Speed of Light（SM 吞吐 vs 内存吞吐 vs 峰值）、Occupancy、Memory Workload Analysis（L1/L2 命中率、合并效率）、Warp State Statistics（停顿原因）。
- NCU CLI 指标：可采集 sm__throughput、dram__throughput、sm__warps_active、l1tex 全局加载扇区、FFMA 指令数等；用 --csv 导出供 CI 使用；用 --kernel-replay-mode application 设置内核重放模式以获得准确计数器。
- 内存受限与计算受限诊断：dram 吞吐接近峰值而 sm 吞吐低为内存受限，修复方向为合并访问、共享内存分块、减少流量；sm 吞吐接近峰值而 dram 低为计算受限，修复方向为张量核心、循环展开、ILP；两者都低则检查启动配置、占用率或同步开销。算术强度可用 FFMA 指令数乘 2 除以 dram 字节数估算。
- 占用率分析：采集 sm__warps_active 及寄存器、共享内存、block 大小等占用限制指标；寄存器受限可用 -maxrregcount 或简化内核，共享内存受限可减小分块或拆分阶段，block 大小可尝试 128 或 256。
- 工作流清单：用 nvcc -lineinfo -O3 -arch=sm_80 构建（非调试不用 -G）；先做时间线，再对热点内核深入分析，最后对比前后指标。
常见问题：ERR_NVGPUCTRPERM 为权限不足，可用 sudo 或设置 NVreg_RestrictProfilingToAdminUsers=0；指标全为零需检查 CUDA_VISIBLE_DEVICES 并使用 --target-processes all；NCU 报告为空可能是内核过短或未启动；剖析开销过大可用 --kernel-name 过滤与 --launch-skip；时间线无重叠通常是单默认流，需创建多流并使用异步拷贝；占用率正常但内核慢需检查内存合并与活跃 warp 数。
限制：资料未提供该技能的安装方式、收费、支持平台与具体版本要求，暂未提供。