msKPP 工具用于算子开发前的性能建模设计，开发者基于其 DSL（Domain-Specific Language，领域特定语言），以算子的数学逻辑为输入，编写算子表达式，即可在秒级内获得性能预测结果。该建模仅依赖输入/输出规模，无需执行真实计算，可高效验证算子实现方案。本文档基于入门教程中开发的简易加法算子，演示 msKPP 工具的核心功能，帮助初学者直观感受 msKPP 在算子开发过程中的高效与便捷。
本章节以您已完成[object Object]《算子开发工具链快速入门》[object Object]的全流程操作为前提；若尚未体验，建议先完成该指南以获得更佳的学习效果。
🛑 本节为强制前置步骤！跳过将导致后续操作大量出现失败。
本教程仅支持标准化 CANN 容器环境，不兼容裸机、虚拟机或其他非标准容器部署。
✅ 请严格按以下指南完成环境安装：
👉 [object Object]《昇腾 AI 算子开发工具链学习环境安装指南》[object Object]
[object Object]
在如下正式体验前，请全文复制下方整段脚本，粘贴到终端执行，只有输出全部显示为 [PASS] 才能继续：
在算子算法设计阶段，借助 msKPP 工具可在秒级时间内获得性能建模结果，无需硬件即可预估性能，快速验证实现方案的可行性。建议先跟随操作步骤体验效果，原理部分可稍后阅读：
[object Object]
[object Object]
请创建文件 mskpp_demo.py，内容如下：
执行以下命令获取芯片SoC类型：[object Object]，将 [object Object] 中的 xxx 替换为查询到的结果。
执行 Python 脚本开始性能建模，若执行成功，将自动在当前目录下生成 [object Object] 结果目录：
生成如下结果目录：
以 Instruction_statistic.csv 为例，其内容如下：
由上述内容可见，MOV-UB_TO_GM（从 UB 搬移到 GM）的耗时（Duration）最长，指令周期数（Cycle）也最多，是性能优化中需重点关注的关键路径。在实际开发中，如果发现此类内存搬运耗时占比过高，应优先考虑优化数据复用（Tiling）策略，或使用更高效的搬运指令。