xllm-ai/xllm-workflow
Developer tools이 페이지는 AI로 자동 번역되었습니다. 기술적인 세부 사항은 원문을 확인하세요. 원문 보기
XLLM을 위한 ai 코딩 워크플로우 저장소입니다.
개요
Ascend NPU에서 제공하는 대규모 모델에 대한 Evidence-driven 워크플로우, 기술, 스크립트 및 참조 지식. vLLM-Ascend 및 SGLang은 기술지도에서 선언 된 실험용 어댑터 또는 artifact-analysis 범위에 제한됩니다. 최적화 캠페인의 경우 xllm-npu-sota-loop는 xllm-experiment-lifecycle이 재사용 가능한 실행 및 증거 상태를 소유하면서 최적화 결정을 소유합니다. xLLM 체크 아웃을 초기화 또는 재사용하고 canonical 기술을 설치하십시오. 그런 다음 복사본을 선택하거나 실험에서 실험을 만듭니다. 예제.yaml. 합성 라이프 사이클 연습을위한 얻은 가이드를 따르십시오. Lifecycle는 통제 비행기입니다. Orchestrators delegate 런너, 분석기, 플래너 및 게이트에 대한 경계 작업. Deterministic 스크립트는 감사 가능한 artifacts를 생성합니다. - 기술 능력 지수 - 역할과 도메인에 의해 그룹화. - 상세한 기술 아키텍처 - 종점, 범위, 의도 및 출력. - 에이전트 라우팅 계약 — 정확한 작업-to-skill 및 저장소 제약.
개요(AI 번역)
한국어 | 日本語
Ascend NPU에서 제공하는 대규모 모델에 대한 Evidence-driven 워크플로우, 기술, 스크립트 및 참조 지식. **xLLM은 완전한 1 차적인 경로입니다. ** vLLM-Ascend 및 SGLang는 기술지도에서 선언된 실험적인 접합기 또는 artifact-analysis 범위에 제한됩니다.
경로 선택
| Goal | 시작 |
|—|||
| 만들기, 이력서, 최종화, 또는 실험 아카이브 | [T0] |
| 다수 반복해서 xLLM 성능을 최적화 | [T1]] |
| 여러 라운드를 통해 TileLang 또는 생성 된 PTO 커널 개발 또는 최적화 | [T2] |
| 믹스 성능과 정확성 스위트 | xllm-npu-eval-runner |
| 한 가지 성능이나 정확성 작업 부하 | xllm-npu-perf-runner 또는 xllm-npu-accuracy-runner |
| 서비스 개시, 확인, 연기, 정리 | [T6] |
| 공정성 또는 간행성 평가 | [T7]|
| 수집 및 분석 설명 | [T8] 또는 xllm-npu-pipeline-analysis |
| 잘못된 출력이나 런타임/빌드잡지 | [T10] 또는 [T11] |
이 페이지는 AI로 자동 번역되었습니다. 기술적인 세부 사항은 원문을 확인하세요.
README
원문 README의 일부입니다. 원문 보기.
xLLM AI Coding Workflow
Evidence-driven workflows, skills, scripts, and reference knowledge for large-model serving on Ascend NPUs. xLLM is the complete primary path. vLLM-Ascend and SGLang are limited to the experimental adapter or artifact-analysis scopes declared in the skill map.
Choose your path
| Goal | Start with |
|---|---|
| Create, resume, finalize, or archive an experiment | xllm-experiment-lifecycle |
| Optimize xLLM performance through multiple iterations | xllm-npu-sota-loop |
| Develop or optimize a TileLang or generated PTO kernel through multiple rounds | tilelang-pto-kernel-workflow |
| Run a mixed performance and accuracy suite | xllm-npu-eval-runner |
| Run one performance or accuracy workload | xllm-npu-perf-runner or xllm-npu-accuracy-runner |
| Launch, verify, smoke-test, and clean up a service | xllm-npu-server-manager |
| Review fairness or a publishable performance claim | xllm-npu-benchmark |
| Collect or analyze profiling evidence | xllm-npu-profiler or xllm-npu-pipeline-analysis |
| Diagnose wrong output or a runtime/build incident | xllm-npu-accuracy-debug or xllm-npu-incident-triage |
| Query historical model and PR lessons | model-pr-optimization-history |
For an optimization campaign, xllm-npu-sota-loop owns the optimization decisions while xllm-experiment-lifecycle owns the resumable run and evidence state.
Five-minute start
Initialize or reuse the xLLM checkout and install the canonical skills:
python scripts/init_xllm_workspace.py
Start Codex from this repository:
codex
Then choose a copy-ready prompt or create an experiment from experiment.example.yaml. Follow the getting-started guide for a synthetic lifecycle walkthrough.
How the pieces fit together
flowchart LR
U["User intent"] --> S["Skills: decide and delegate"]
S --> D["Scripts: deterministic execution"]
D --> E["Run evidence and ledgers"]
R["Reference and IO contracts"] --> S
R --> D
E --> H["Promoted durable lessons"]
Lifecycle is the control plane. Orchestrators delegate bounded work to runners, analyzers, planners, and gates. Deterministic scripts produce auditable artifacts.
Browse capabilities
- Skill capability index — grouped by role and domain.
- Detailed skill architecture — dependencies, scopes, intents, and outputs.
- Agent routing contract — exact task-to-skill and repository constraints.
Documentation
추천 도구
다른 키워드를 입력하거나 필터를 제거해 보세요.
설치
npx skillfish add xllm-ai/xllm-workflow