Skip to content

PLAN.md

Latest commit

 

History

History
56 lines (38 loc) · 4.4 KB

PLAN.md

File metadata and controls

56 lines (38 loc) · 4.4 KB

This plan is written for the Codex agent to execute implementation tasks step by step. We appreciate Codex's technical support and disciplined execution throughout this implementation.

【Role & Objective】 基于我本地已经跑通的扫描数据，帮我构建一个“ACLNN 接入数字化看板 (Dashboard)”。计划部署到GitHub Pages。

【Current State (已有资产)】 我本地已经完成了核心的扫描与清洗，拥有以下产物：

  1. aclnn-aa.generated.md：从 CANN 官网解析出的全量 aclnn 算子清单。
  2. tools/aclnn_to_torch_npu.csv / .md：全量 aclnn 算子清单出发，Python 扫描 op_plugin 得到的 Torch 侧算子支持度、证据及详情。
  3. tools/aclnn_to_mindspore.csv / .md：全量 aclnn 算子清单出发，Python 扫描 MindSpore master 得到的 MS 侧算子支持度、证据及详情。
  4. tools/aclnn_to_all.csv / .md：以 aclnn 为主键合并了上述torch_npu和mindspore 对aclnn 的支持数据，表示aclnn在两个框架的覆盖率对比，markdown 表头出有输出基础统计。

怎么得到这些产物，涉及到的关键 python 脚本：

  • tools/aclnn_scrape_op_api_list.py：抓取 hiascend 的 文档 op_api_list 页面，提取全量 aclnn* （主要是从这个页面的目录爬到aclnn的字符串），生成标准 Markdown 表，得到全量的aclnn算子列表。
  • tools/clean_aclnn_md_table.py：清洗 ACLNN Markdown 表，去重并删除无效 API 行（非 aclnn + 大写开头）。
  • tools/aclnn_to_torch_npu_report.py：以 ACLNN 为主键反查 torch-npu 接入情况，输出证据来源、ATen 接入入口等等。
  • tools/aclnn_to_mindspore_report.py：以 ACLNN 为主键反查 MindSpore 接入情况，综合 kernel_mod_impl 与 pyboost_impl 证据，输出对称字段表。
  • tools/aclnn_merge_report.py：合并 torch-npu 与 MindSpore 两张 ACLNN 主键表，生成 7 列对比表（md/csv）并给出覆盖统计。

【Architecture Philosophy (架构指导原则)】

  • 重 Backend 计算 (Python)：所有的关联查询、重度指标计算（如完成率、高优缺失算子统计）、格式转换，必须在 Python 脚本中完成，最终吐出一个结构极度友好的 data.json。
  • 轻 Frontend 渲染 (SPA)：前端只做纯静态页面。使用单文件 index.html，引入 Vue 3 (CDN) 和 Tailwind CSS (CDN)。页面加载时只负责 fetch('data.json')，并利用 Vue 的 computed 进行轻量级的条件过滤和联动展现。

【Execution Plan: Phase 1 (当前目标)】 请按以下步骤引导我完成基础 Dashboard 的搭建，每完成一步请等待我的确认： Step 1: 改造数据组装脚本 (build_dashboard_data.py)

  • 基于我现有的合并逻辑，编写一个 Python 脚本。
  • 读取本地的 MD/CSV 源文件进行合并。注意解读我已有的 4 个 markdown 表格产物。
  • 核心要求：不仅要输出算子明细列表，还要在 Python 层算出核心全局指标（如 total_ops, torch_supported, ms_supported, both_supported, last_update_time）。
  • 最终导出一个标准的 JSON 结构，范例：{"metrics": {...}, "operators": [...]}。

Step 2: 构建轻量前端 (index.html)

  • 编写单文件 HTML。
  • 顶部：展示 Python 传过来的 metrics 全局指标（进度条、统计卡片）。
  • 中部控制台：利用 Vue 提供按算子名/API名的搜索框，以及分类 Tag 和状态的下拉筛选。
  • 底部矩阵表：渲染 operators 列表。

Step 3: 交互增强 (Details Drawer)

  • 在前端实现点击表格行时，弹出一个模态框或侧滑抽屉。
  • 抽屉内详细展示该算子对应的 torch_evidence 和 ms_evidence（这些数据已在 JSON 中就绪）。

【Future Roadmap (保持代码的扩展性)】

  • Phase 2 我们会加入更多维度的代码扫描指标或者框架算子指标，比如追踪 海思 ACLNN cann 版本支持变化、 aclnn 算子在不同框架的dtype支持/device支持/算子性能数据等），并可能通过定时任务自动触发 Python 脚本更新 JSON。请确保 Python 的指标生成模块和前端的展现模块高度解耦。

  • 自动化工作流打通，让数据保鲜： 后续希望自动触发部署 (GitHub Actions)，数据发生变更被推送到仓库，GitHub Actions 就会自动触发 Pages 的重新构建。这样，每天看到的就是最新的算子作战地图，而且整个过程是完全自动化的。