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：

# 安装论文搜索依赖
pip install deepxiv-sdk

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 CUDA 相关 API 重定向到 CANN 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：

1. 启动 arxiv-recommendation-npu skill，自动从 arXiv 搜索论文、检测源码、克隆仓库
2. 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：

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（paper_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（paper_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。

1. 目标分析

2. 代码修改

分析完成后，skill 会进入代码修改环节，对代码中针对 CUDA 的代码替换为 NPU 的 API，修改示例如下：

3. 任务总结

总结

这套端到端流水线的核心价值在于：

1. 自动化程度高：从论文发现到 NPU 验证，全流程无需人工介入
2. 零门槛：即使没有 NPU 迁移经验，也能通过流水线跑通模型
3. 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
4. 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，共同完善昇腾生态。开源地址：https://gitcode.com/Ascend/agent-skills