一天一个昇腾Agent-Skills小技巧：端到端推荐系统模型NPU迁移流水线

背景介绍

推荐系统是搜索、推荐、广告等业务的核心技术支撑，广泛应用于电商、内容平台、社交网络等场景。昇腾NPU具有高算力、低功耗的优势，正在被越来越多的开发者用于推荐系统的训练与推理。然而，将推荐系统模型迁移到昇腾NPU上，开发者通常面临以下挑战：

挑战一：论文与源码获取繁琐

需要从海量的arXiv论文中筛选出有源码的模型

人工查找效率低，难以跟踪最新进展

验证代码仓库质量耗时

挑战二：迁移过程复杂

涉及复杂的设备适配（GPU→NPU）

需要处理各种API不支持的情况

对开发者的NPU经验要求较高

为了解决这些痛点，我们构建了一套基于Agent-Skills的端到端推荐系统模型NPU迁移流水线。通过两个核心Skill的协同工作，实现了从论文发现到NPU验证通过的全流程自动化：

Skill 1（arxiv-recommendation-npu）：自动从arXiv搜索论文、检测源码、克隆仓库

Skill 2（npu-model-migration）：自动化模型迁移、验证、生成报告

整个流程对开发者零门槛，即使没有NPU迁移经验也能顺利完成，真正实现"论文发现→模型迁移"一键直达。

前置要求

在使用本流水线前，请确保以下环境已就绪：

网络环境：

可访问arXiv论文网站

可访问GitHub

操作环境：

昇腾NPU服务器

已安装CANN驱动和基础运行环境

Python 3.8+ / PyTorch 2.x / torch_npu

依赖安装：

Skill 1：
arxiv-recommendation-npu
（论文发现与源码检测）

功能定位

自动从arXiv搜索推荐系统相关论文，检测论文关联的GitHub仓库是否有可执行代码，并将有价值的模型克隆到本地，生成迁移任务清单。

核心能力

论文抓取：基于deepxiv SDK自动从arXiv搜索近期推荐系统相关论文

源码检测：验证GitHub仓库是否有可执行代码，排除空仓库

自动化克隆：将有源码的仓库克隆到本地，创建标准化的迁移任务清单

关键输出

paper_list.md - 论文列表

daily_report.md - 每日推荐论文 NPU 适配报告

models/{model_name}/- 克隆的源码目录

各阶段详解

Step 1：论文抓取

核心功能：从arXiv搜索推荐系统相关论文。基于关键词（recommendation等）搜索，自动提取论文元数据（标题、作者、摘要、GitHub链接）。

产出物：论文元数据列表

Step 2：源码检测

核心功能：验证论文关联的GitHub仓库是否有可执行代码。递归检查仓库至少有3个可执行文件，排除只有README的空仓库。

产出物：筛选后的有源码论文列表

Step 3：克隆与任务生成

核心功能：将有源码的仓库克隆到本地，生成迁移任务清单。

产出物：本地模型源码目录、迁移任务清单

Skill 2：npu-model-migration
（PyTorch模型NPU迁移）

功能定位

将PyTorch模型自动化迁移到昇腾NPU并验证运行，通过"诊断式"迁移方式解决设备适配、依赖兼容等问题。

核心能力

多阶段流程：目标分析→快速尝试→方案设计→代码迁移→NPU验证→调试迭代→报告输出

快速尝试：通过transfer_to_npu自动兼容工具，部分模型仅需少量修改即可直接跑通

诊断迁移：先跑起来看报错，再针对性修复，而非暴力查找替换

验证保证：必须在NPU上实际运行并输出具体数值指标（AUC/Loss等）才算迁移成功

关键输出

可在NPU上运行的模型代码

references/cases/{model_name}.md - 标准化迁移报告（含修改内容、验证结果、问题记录）

各阶段详解

阶段1：目标分析

核心功能：分析待迁移模型的环境依赖、代码结构、训练入口。自动解析requirements.txt、setup.py获取依赖，识别训练/推理脚本入口，评估迁移难度（简单/中等/复杂）

阶段2：快速尝试

核心功能：尝试用transfer_to_npu自动兼容工具一键迁移，自动将PyTorch API重定向到NPU对应API，并验证能否直接跑通

阶段3：方案设计

核心功能：制定迁移策略和实施计划，识别需要修改的文件，确定迁移策略

阶段4：代码迁移

核心功能：完成设备适配（GPU→NPU）、依赖修复（sklearn/numpy/pandas兼容性）、API替换（不支持的API找到替代方案）

阶段5：NPU验证

核心功能：在NPU上实际运行模型，验证能否输出具体指标。自动安装模型依赖，执行训练/推理并捕获输出指标（AUC/Loss等）

阶段6：调试与迭代

核心功能：分析报错、定位根因、修复代码、重新验证（循环直到通过） 

阶段7：迁移报告

核心功能：生成标准化的迁移报告，记录完整过程

产出物：references/cases/{model_name}.md

端到端流水线整体结构

端到端推荐系统模型NPU迁移流水线分为两步：第一步：启动arxiv-recommendation-npu skill，自动从arXiv搜索论文、检测源码、克隆仓库，第二步：让 npu-model-migration skill 接着完成模型迁移并验证、生成迁移报告。开发者全程只需要输入启动查找论文并适配任务的prompt，中间全是自动化处理。完整流程图如下：

实战案例：推荐论文模型的完整迁移流程

在安装配置好skill后，用户仅需输入prompt：（例）帮我找下最近的推荐相关的论文和模型，选一个提供了pytorch源码的模型，将其迁移适配到npu上，即可自动开启端到端推荐系统模型NPU迁移流水线。

Step 1：发现论文（使用arxiv-recommendation-npu）

Agent根据arxiv-recommendation-npu skill内容开始查询相关论文。

查询完成后，检索提供了开源代码的仓库进行代码克隆

全部任务完成后，输出总结并调度 npu-model-migration skill开始NPU的迁移适配。

输出示例：

skill执行完成后，会创建以日期命名的文件夹，包含下载的模型（models），每日推荐论文 NPU 适配报告（daily_report.md），论文列表（pepar_list.md）和log（main.log）。

其中，每日推荐论文 NPU 适配报告（daily_report.md）内容示例如下：

论文列表（pepar_list.md）内容示例如下：

Step 2：NPU迁移（使用npu-model-migration）

在一阶段找到代码并克隆到服务器后，即可开始模型迁移任务

目标分析

代码修改

分析完成后，skill会进入代码修改环节，把代码中PyTorch的API替换为适配NPU的API，修改示例如下：

任务总结

总结

这套端到端流水线的核心价值在于：

自动化程度高：从论文发现到NPU验证，全流程无需人工介入

零门槛：即使没有NPU迁移经验，也能通过流水线跑通模型

标准化输出：每个模型都有完整的迁移报告，便于复盘和复用

可扩展可泛化：这套流水线的设计思路为 "论文发现→代码迁移"场景提供了一个可复用的范本，开发者可以根据自己的需求替换其中的模块，快速构建类似的自动化流水线。

开发者只需输入prompt，即可将推荐系统模型从论文仓库迁移到NPU并验证通过，真正实现 "论文发现→模型迁移"一键直达。

社区共建：欢迎开发者贡献skills，共同完善昇腾AI生态。

开源地址：

https://gitcode.com/Ascend/agent-skills

◆往期推荐◆

一天一个昇腾Agent-Skills小技巧：轻松完成MindSpeed-MM FSDP2自动迁移