diff --git a/profiler/cluster_analyse/README.md b/profiler/cluster_analyse/README.md
index f6dba924b6998b9d4a533653d9b2693922a63227..6352130c03aa215f13ba6fd972e75c5753613374 100644
--- a/profiler/cluster_analyse/README.md
+++ b/profiler/cluster_analyse/README.md
@@ -5,31 +5,40 @@
 当前集群调优工具主要支持Ascend Pytorch Profiler采集方式下的集群数据。
 
 我们要求至少是L1级别的数据。
-experimental\_config = torch\_npu.profiler.\_ExperimentalConfig(
-
-​              profiler\_level=torch\_npu.profiler.ProfilerLevel.**Level1**
-​            )
-##### 确认数据是否可用
+```python
+experimental_config = torch_npu.profiler._ExperimentalConfig(
+    profiler_level=torch_npu.profiler.ProfilerLevel.**Level1**
+)
+```
+### 确认数据是否可用
 
 打开采集到的某张卡数据(*ascend_pt结尾的文件夹)，可用的数据应该具备
 
- **./profiler_info_x.json** 
- **./ASCEND_PROFILER_OUTPUT/step_trace_time.csv，
-./ASCEND_PROFILER_OUTPUT/trace_view.json，
-./ASCEND_PROFILER_OUTPUT/kernel_details.csv，** 
-./ASCEND_PROFILER_OUTPUT/communication.json，
-./ASCEND_PROFILER_OUTPUT/communication_matrix.csv
+- **./profiler_info_x.json**,
+- **./ASCEND_PROFILER_OUTPUT/step_trace_time.csv**,
+- **./ASCEND_PROFILER_OUTPUT/trace_view.json**,
+- **./ASCEND_PROFILER_OUTPUT/kernel_details.csv**, 
+- ./ASCEND_PROFILER_OUTPUT/communication.json,
+- ./ASCEND_PROFILER_OUTPUT/communication_matrix.csv
 
 确认这几个文件生成后，继续下面的集群分析。
 
 # 数据汇聚与集群解析
 
-将所有卡的数据汇集到一个目录下，使用本目录下的
-python3 cluster_analysis.py -d {cluster profiling data path}, 即可生成cluster_analysis_output文件夹。
+将所有卡的数据汇集到一个目录下，在本目录下运行以下命令即可生 cluster_analysis_output文件夹。
+
+```shell
+python3 cluster_analysis.py -d {cluster profiling data path}
+```
+### 参数说明
+
+|           参数名        |                     说明                 |
+| ----------------------  | --------------------------------------- |
+| --collection_path (-d)  | profiling数据汇集目录，运行分析脚本之后会在该目录下自动创建cluster_analysis_output文件夹，保存分析数据 |
 
 # 交付件
 
-#### 首先需要看 cluster_step_trace_time.csv
+### 首先需要看 cluster_step_trace_time.csv
 
 A列： Step数，是采集profiling是设置的，一般来说集群profiling采集一个step足够，如果采集多个step，需要先筛选一下。
 
@@ -53,7 +62,7 @@ J列：Bubble时间，指receive时间的总和。
 
 K列：Communication（Not Overlapped and Exclude Receive）指剔除recieve算子外的并且不被掩盖的通信时间。
 
-tips:
+**Tips**:
 先筛选B列type为stage， 看stage间是否有问题，再筛选B列type为rank吗，看rank是否有问题，根据以下几点排查。
 
 * 根据Computing的时间差异判断是否有慢卡，或者有负载不均衡的现象。
@@ -64,21 +73,22 @@ tips:
 
 * 根据Bubble时间的占比和理论计算公式判断bubble设置是否合理，是否stage间有不均衡现象。
 
-#### cluster_communication_matrix.json
+### cluster_communication_matrix.json
 
 直接打开json（vscode或json查看器）, 
 
 搜索"Total", 会有多个搜索结果，
 
 一般来说链路带宽信息的结构：
-“{src_rank}-{dst_rank}”:{
+```
+{src_rank}-{dst_rank}: {
     "Transport Type": "LOCAL",
     "Transit Time(ms)": 0.02462,
     "Transit Size(MB)": 16.777216,
     "Bandwidth(GB/s)": 681.4466
 }
-tips：
-可以根据rank互联的带宽以及链路类型，判断是否有慢链路的问题。
+```
+**Tips**: 可以根据rank互联的带宽以及链路类型，判断是否有慢链路的问题。
 
 - "LOCAL"是片内拷贝，速率非常快，不需要考虑。
 - “HCCS”或“PCIE”是节点内片间拷贝，速度在18GB左右或以上比较正常。
diff --git a/profiler/cluster_analyse/cluster_analysis.py b/profiler/cluster_analyse/cluster_analysis.py
index 67f3256eebb2bfe965ec2838b10c44a317caf555..58f1e4bc6ad779e1ced82ecf84e31b0bf17031aa 100644
--- a/profiler/cluster_analyse/cluster_analysis.py
+++ b/profiler/cluster_analyse/cluster_analysis.py
@@ -55,6 +55,5 @@ class Interface:
 if __name__ == "__main__":
     parser = argparse.ArgumentParser(description="cluster analysis module")
     parser.add_argument('-d', '--collection_path', type=str, required=True, help="profiling data path")
-    parser.add_argument('-o', '--output_path', type=str, help="analysis result output path")
     args = parser.parse_args()
     Interface(args).run()
diff --git a/profiler/compare_tools/README.md b/profiler/compare_tools/README.md
index 84dafd90c459140702617eaf7b82ea9be8fd5b44..8ff48187f0cb77e6d4f9cad9cd8d7196155cec99 100644
--- a/profiler/compare_tools/README.md
+++ b/profiler/compare_tools/README.md
@@ -74,9 +74,9 @@ cd att/profiler/compare_tools
 # 执行最简比对命令
 python performance_compare.py [基准性能数据文件] [比对性能数据文件] --output_path=./result_dir
 ```
-- 基准性能数据文件：若以GPU为基准，指定到以".pt.trace"结尾的json文件；若以NPU不同版本为基准，指定文件参考**比对性能数据文件**。
-- 比对性能数据文件：可以指定以“ascend_pt”结尾的目录、ASCEND_PROFILER_OUTPUT目录或trace_view.json文件，指定trace_view.json无法显示算子的内存占用。
-- --output_path：性能比对结果存放的路径，默认保存在当前目录。
+- 基准性能数据文件(必选)：若以GPU为基准，指定到以".pt.trace"结尾的json文件；若以NPU不同版本为基准，指定文件参考**比对性能数据文件**。
+- 比对性能数据文件(必选)：可以指定以“ascend_pt”结尾的目录、ASCEND_PROFILER_OUTPUT目录或trace_view.json文件，指定trace_view.json无法显示算子的内存占用。
+- --output_path(可选)：性能比对结果存放的路径，默认保存在当前目录。
 
 工具将总体性能拆解为训练耗时和内存占用，其中训练耗时可拆分为算子、通信、调度三个维度，以打屏的形式输出总体指标，帮助用户定界劣化的方向。与此同时，工具还会生成performance_comparison_result_*.xlsl，展示每个算子在执行耗时、通信耗时、内存占用的优劣，可通过DIFF列大于0筛选出劣化算子。详细介绍请参见“**比对结果说明**”。