Research profile

用户研究方向画像

核心职责：上下文注入与边界约束

将本画像作为当前用户所有学术任务的默认上下文。不要反复要求用户解释研究方向。本 skill 不是文献检索工具，也不是某个 MCP 的附属；它先约束 agent 如何定义问题、选择证据和判断相关性，再让 agent 按需调用任何资料源或工具。

对每个学术任务按以下顺序执行：

1. 注入本画像的核心定位、术语、四条主线和分析视角。
2. 在检索或分析前检查问题边界，排除由关键词造成的方向漂移。
3. 按任务需要调用 OpenAlex MCP、PDF parser、Web、local vault 或其他资料源。
4. 取得材料后再次做边界与相关性分级，再组织输出。

用户在当次任务中明确扩大、缩小或改变范围时，以当次指示为准。

核心定位

一句话：面向分布式训练与分布式推理的网络与系统优化，关注 AI workload 在多机、多集群、多地域或边云协同基础设施上的性能、资源效率、可靠性和生存性。

需要正式表述时使用：

我的研究方向属于 machine learning systems + computer networks 的交叉方向。核心问题是：当训练和推理任务从单机扩展到多 GPU、多节点、多集群甚至多地域基础设施时，系统性能和服务质量会受到网络通信、资源竞争、拓扑差异、负载波动和故障事件的共同影响。因此，需要从网络机制、任务调度、请求路由、资源分配、仿真评估和生存性设计等角度，提高分布式训练与分布式推理的效率、稳定性和可靠性。

重点不是设计更好的模型，而是让训练和推理任务在真实分布式基础设施上跑得更高效、更稳定、更可靠，并能在故障和负载波动下维持服务能力。

四条研究主线

1. 分布式训练的网络与系统优化：collective communication（All-Reduce / All-Gather / Reduce-Scatter）与网络拓扑的匹配；拓扑感知的通信调度、任务映射和资源分配；RDMA、拥塞控制、负载均衡对训练性能的影响；多任务并发训练的带宽分配、作业调度与公平性；straggler 缓解；训练任务在节点、链路或集群故障下的恢复。
2. 分布式推理与大模型服务系统：请求路由、dynamic batching、admission control；模型切分与流水线/张量并行的推理调度；KV cache 的放置、迁移、复用和淘汰；多地域推理的延迟-带宽-成本-SLO 权衡；边云协同的任务卸载与模型部署；高并发下的负载均衡、尾延迟控制与服务降级；GPU、内存和网络带宽的联合资源分配。
3. AI 系统的生存性、可靠性与故障恢复：GPU、服务器、链路、交换机、机架、集群或站点故障对训练与推理的影响；故障检测、任务迁移、重调度、重路由和 failover；故障下的副本选择、降级服务与 SLO 保障；checkpoint、恢复时间与资源重分配；冗余部署、弹性调度和资源利用率的权衡；恢复时间、可用性、任务完成率和 SLO 违约率等指标。
4. 仿真器与评估方法：用 ASTRA-sim 评估大规模训练的计算、通信和拓扑影响；用 ns-3 / SAMAI/ns-3 研究网络协议、拓扑、拥塞和故障场景；构造训练/推理 workload、网络模型和故障模型；使用真实 trace、原型系统、小规模实验或公开基线评估仿真可信度。

边界判定

用三个锚点检查任务：AI workload × 分布式基础设施 × 系统变量。系统变量至少包括网络、通信、调度、资源分配、服务质量或故障恢复之一。缺少关键锚点时，不要因为出现了 AI、network、communication 等表面关键词就判为主线。

• 向上跑偏：问题只优化模型结构、训练算法或精度指标，没有研究训练/推理在真实基础设施上的运行。
• 向下跑偏：问题落到物理层器件、材料、天线、调制编码或链路电气特性，没有系统级 AI workload 与资源/调度问题。
• 横向跑偏：问题是一般云计算、分布式系统或微服务机制，但没有结合分布式训练、推理或模型服务的 workload 特征。

先问：这项工作优化的是“模型本身”，还是“训练/推理任务在真实分布式基础设施上的运行”？如果是后者，再判断它映射到哪条主线。

给出结论时标注对应主线或触发的排除项：

• 核心：直接落在四条主线内，包括 distributed training/inference systems、large model serving、AI cluster networking、collective communication、topology-aware scheduling、RDMA / congestion control for AI workloads、request routing / batching、KV cache management、resource allocation、tail-latency control、straggler mitigation、AI system resilience / fault tolerance、failure recovery 和 AI system/network simulation。
• 沾边但非主线：有系统含义但缺少关键联系。说明缺在哪，以及机制是否可借鉴。典型例子包括未结合 AI workload 的一般云调度、未落到 AI workload 的传统分布式系统、未结合大模型特点的微服务可靠性，以及不讨论部署或网络影响的量化、蒸馏和模型压缩。
• 不属于：纯模型结构或训练算法改进；只关注模型精度的 benchmark；纯物理层器件、调制编码或链路器件设计；经典联邦学习算法本身。

分任务默认行为

读论文 / 分析论文

不要只从模型精度视角总结。按论文类型选择以下维度，并以“对用户方向的启发”收束：

• 研究对象与增量：训练、推理、模型服务、网络调度、生存性、仿真器或组合；相对已有工作的核心增量
• 系统模型与 workload：GPU、服务器、交换机、集群、边缘节点、模型分片、缓存、副本、控制器；训练 collective、推理请求、模型并行策略和故障事件
• 网络假设与瓶颈：带宽、时延、容量、拓扑、拥塞、多集群/多地域；通信开销、尾延迟、资源竞争、straggler、拓扑不匹配和恢复开销
• 优化变量与目标：路由、速率、带宽切分、任务映射、模型放置、请求调度、batching、副本和 checkpoint；完成时间、延迟、吞吐、SLO、可用性、恢复时间和成本
• 方法与可信度：MILP、启发式、近似算法、调度器、拥塞控制、仿真、trace-driven、testbed 或原型；基线、规模和统计方法是否合理
• 工程可部署性：是否需要修改 NIC、交换机、训练框架、推理引擎、调度器或控制平面

不要把 abstract 或元数据当成全文证据。材料不足时明确区分论文陈述、合理推断和仍待核验的问题。

找论文 / 文献检索

• 读取 references/literature-search.md 取得中英文 query 和 venue 优先级。
• 若 host 提供名为 openalex 的 MCP 工具，读取 references/openalex-workflow.md 并按其中配方使用；OpenAlex 只提供资料，不定义研究边界。没有 OpenAlex MCP 时继续使用可用检索工具，不影响上下文注入和边界判定。
• arXiv 只作补充；NeurIPS / ICLR / ICML 只优先其中的系统类论文。
• 逐篇标注对应主线、相关性等级（核心 / 沾边 / 背景）和一句话理由。不要把引用数、搜索排名或 venue 单独当成质量结论。

写综述 / related work

优先按问题主线组织：分布式训练的通信与调度；分布式推理与模型服务；集群网络、拥塞控制与负载均衡；请求路由、dynamic batching 与 KV cache；多集群、多地域和边云 AI 服务；AI 系统的生存性与恢复；仿真、trace-driven evaluation 与故障注入；资源效率、SLO 和部署代价之间的权衡。

讨论选题 / idea

• 先检查 idea 的边界和主线，再定义系统模型、workload、优化变量、目标函数、约束和 baseline。
• 优先评估能否用 ASTRA-sim、ns-3 / SAMAI/ns-3、公开 trace、原型或小规模 testbed 验证。
• 近期优先关注分布式推理系统、AI workload 网络仿真、AI 系统生存性、collective communication、拓扑感知调度和拥塞控制；将跨数据中心训练作为长期前沿跟踪，并关注它与推理服务、调度和可靠性设计的交叉。

自我介绍 / 方向陈述

• 简短版：我做面向分布式训练与分布式推理的网络与系统优化，关注 AI 服务在分布式基础设施上的效率、可靠性和生存性。
• 标准版：我做 machine learning systems 和 computer networks 的交叉研究，重点关注分布式训练/推理中的通信、调度、资源分配、故障恢复和仿真评估问题。
• 学术版：我的方向属于 machine learning systems、distributed systems 和 computer networks 的交叉，关注 AI workload 在多节点、多集群或多地域基础设施上的性能优化、服务质量保障与生存性设计。

画像维护

• 以本 SKILL.md 和 references/ 为可移植的唯一来源，不依赖本机绝对路径。
• 用户要求“更新画像”时，修改受影响的核心定位、主线、边界和分任务行为；检索主题或 venue 变化时同步更新 references/literature-search.md。
• 中文交流时保留 collective communication、KV cache、SLO、straggler 等英文技术术语。
• 将边界视为默认值而非硬约束。对不确定主题先给分级、理由和缺失证据，再询问是否调整范围。