diff --git a/profiler/advisor/README.md b/profiler/advisor/README.md
new file mode 100644
index 0000000000000000000000000000000000000000..722243cdc263433431ead52ef67a7257f6dfeb22
--- /dev/null
+++ b/profiler/advisor/README.md
@@ -0,0 +1,41 @@
+# 性能分析工具
+
+性能分析工具是将Ascend PyTorch Profiler采集的性能数据进行分析，并输出性能调优建议的工具 。使用方式如下：
+
+下列以Windows环境下执行为例介绍。
+
+1. 在环境下安装jupyter notebook工具。
+
+   ```bash
+   pip install jupyter notebook
+   ```
+
+   jupyter notebook工具的具体安装和使用指导请至jupyter notebook工具官网查找。
+
+2. 在环境下安装ATT工具。
+
+   ```
+   git clone https://gitee.com/ascend/att.git
+   ```
+
+   安装环境下保存Ascend PyTorch Profiler采集的性能数据。
+
+3. 进入att\profiler\advisor目录执行如下命令启动jupyter notebook工具。
+
+   ```bash
+   jupyter notebook
+   ```
+
+   执行成功则自动启动浏览器读取att\profiler\advisor目录，如下示例：
+
+   ![jupyter_report](img/jupyter_report.PNG)
+
+   若在Linux环境下则回显打印URL地址，即是打开jupyter notebook工具页面的地址，需要复制URL，并使用浏览器访问（若为远端服务器则需要将域名“**localhost**”替换为远端服务器的IP），进入jupyter notebook工具页面。
+
+4. 每个.ipynb文件为一项性能数据分析任务，选择需要的.ipynb打开，并在*_path参数下拷贝保存Ascend PyTorch Profiler采集的性能数据的路径。如下示例：
+
+   ![advisor_result](img/advisor_result.PNG)
+
+5. 单击运行按钮执行性能数据分析。
+
+   分析结果详细内容会在.ipynb页面下展示。
diff --git a/profiler/advisor/img/advisor_result.PNG b/profiler/advisor/img/advisor_result.PNG
new file mode 100644
index 0000000000000000000000000000000000000000..a9652f4ca53ff142a5ebd1033075aad54f8f0297
Binary files /dev/null and b/profiler/advisor/img/advisor_result.PNG differ
diff --git a/profiler/advisor/img/jupyter_report.PNG b/profiler/advisor/img/jupyter_report.PNG
new file mode 100644
index 0000000000000000000000000000000000000000..baa860a7893e1801337916aea37475ea69bbaf04
Binary files /dev/null and b/profiler/advisor/img/jupyter_report.PNG differ
diff --git a/profiler/cluster_analyse/README.md b/profiler/cluster_analyse/README.md
index f3a8b71cb9f822e8cd066aec174e495c23b71885..7cdb2d2c1e68da2cbbc00629ddf06b2ae48a28c2 100644
--- a/profiler/cluster_analyse/README.md
+++ b/profiler/cluster_analyse/README.md
@@ -14,12 +14,12 @@ experimental_config = torch_npu.profiler._ExperimentalConfig(
 
 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**, 
+- ./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
+- ./ASCEND_PROFILER_OUTPUT/communication_matrix.json
 
 确认这几个文件生成后，继续下面的集群分析。
 
@@ -28,18 +28,23 @@ experimental_config = torch_npu.profiler._ExperimentalConfig(
 将所有卡的数据拷贝并汇集到一个目录下，在本目录下运行以下命令即可生成cluster_analysis_output文件夹。
 
 ```shell
-python3 cluster_analysis.py -d {cluster profiling data path}
+python3 cluster_analysis.py -d {cluster profiling data path} -m {mode}
 ```
 ### 参数说明
 
-|           参数名        |                     说明                 |
-| ----------------------  | --------------------------------------- |
-| --collection_path或-d  | 性能数据汇集目录，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。 |
+|           参数名        |                     说明                 |                 是否必选                 |
+| ----------------------  | --------------------------------------- | --------------------------------------- |
+| --collection_path或-d  | 性能数据汇集目录，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。 | 是 |
+| --mode或-m | 数据解析模式。取值为：communication_matrix（解析通信矩阵数据）、communication_time（解析通信耗时数据）、all（同时解析通信矩阵和通信耗时数据），默认值为all。 | 否 |
 
 ## 交付件
 
+集群分析工具的交付件通过Ascend Insight工具展示，详见《MindStudio 可视化调优工具指南（Ascend Insight）》。
+
 ### cluster_step_trace_time.csv
 
+数据解析模式为communication_matrix、communication_time或all时均生成。
+
 A列： Step数，是采集性能数据时设置的，一般来说集群性能数据采集一个step足够，如果采集多个step，需要先筛选一下。
 
 B列： Type，主要分两种，rank和stage, 和后面的index强相关，可以理解为一个是单卡rank，一个是rank group（pp 并行的stage），如果type为stage，则后面D-K列信息为rank group下的最大值。
@@ -76,6 +81,8 @@ K列：Communication（Not Overlapped and Exclude Receive）指剔除recieve算
 
 ### cluster_communication_matrix.json
 
+数据解析模式为communication_matrix或all时生成。
+
 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：
 
 ```bash
@@ -91,3 +98,9 @@ K列：Communication（Not Overlapped and Exclude Receive）指剔除recieve算
 - "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。
 - “RDMA”是节点间拷贝，910A速度在12GB左右或以上。
+
+### cluster_communication.json
+
+数据解析模式为communication_time或all时生成。
+
+主要为通信耗时数据。