amct

**必须触发此 default-skills 的场景**：① gitcode-pr 或 gitcode-issue skill 缺失/找不到时（补装缺失，不覆盖已有版本）；② 用户明确要求更新/同步上游 skill 时（使用 --force 覆盖）；

在 amct 中适配新模型族（注册模型 / 定义 PTQ unit / 接 quant block / 补模型专属 attention·MLP wrapper），保持 workflow·quantizer·algorithm·solver 边界稳定。触发场景：新增 Dense 或 MoE 适配器、为新结构补 wrapper。不适用于：重写主 PTQ 流程、跑量化实验、推荐方案（→ $quant-run / $scheme-recommendation）。

使用 GitCode API 创建 Pull Request 和获取 PR 评论。当用户需要**创建** GitCode PR、将代码**推送并创建合并请求**、**获取 PR 评论**、**查看 PR 讨论**、**查看 PR 改动**或**删除 PR 评论**时使用此 skill。支持读取普通评论和行内(diff)评论，包括评论内容、文件路径、代码行号等详细信息。 **必须触发此 skill 的场景**（用户提到以下任何内容时使用）： - 创建/提交 PR：创建PR、提个PR、发PR、做个PR、帮我PR、生成PR、需要PR、pull request、merge request - 推送代码到远程：push代码、推代码、把代码推上去、提交到远程、推送到gitcode、提交代码到GitCode - 合并请求：合并请求、代码合入请求、请求合并、merge request - PR模板/描述：PR模板、PR描述、PR格式 - 关联issue创建PR：关issue的PR、关联issue创建PR - 获取PR改动：查看PR变更、PR文件列表、PR改了什么、看PRdiff、获取PR文件 - **获取 PR 评论**：查看PR评论、PR评论、获取评论、read comments - **查看 PR 讨论**：PR discussions、查看讨论、discussions - **删除 PR 评论**：删除评论、删除PR评论、移除评论、delete comment、移除这条评论

面向 amct_ops 目录下昇腾 NPU 自定义算子（Ascend C kernel + PyTorch C++ extension + Python 包装）开发、构建、注册和调试的技能。用户要求新增/修改 NPU 算子、写 Ascend C kernel、写 torch 绑定、注册 torch.ops.amct.* schema、调 ops_build.sh、改 CMakeLists.txt、处理 NPU_ARCH/SOC 平台差异（A2/A3 dav-2201，A5 dav-3510）、UB 内存/tile 计算、wheel 打包，或排查 amct_ops 编译/运行时问题（含 torch.compile / 图模式下算子报 "no Meta kernel"、需要补 Meta 后端做形状推导）时使用。

为已适配模型推荐下一步值得尝试的量化算法（仅限已注册：lwc/lac/omniquant/autoround）。触发场景：已知直转掉点想按特征选后续算法 / 无直转结果时先据 casebook+结构+仓库算法能力给先验候选。不适用于：跑算法训练、判算法收益（执行→ $quant-run，判读→ $algorithm-validation）。

判读 PTQ 算法收益（reviewer 用，只读不跑）：读 quant-run 跑出的 ppl_algo 与直转参考 ppl_direct，算 delta_gain、判该算法相对直转是否真改善。触发场景：PTQ 算法结果已出、要判相对直转的收益并给停 / 换算法 / 缩范围建议。不适用：跑 ptq / 评测命令（→ $quant-run）。

导出 deploy-ready 量化模型目录（HuggingFace safetensors 权重）+ 按模板补齐 deploy_quantization.md 交付文档。触发场景：已明确 模型/quant_target/bit/dtype，要把直转或 PTQ 结果导出给 infer 仓等下游消费。不适用于：模型适配、方案/算法推荐、跑 PTQ、判精度（各→对应 skill）。

判读直转量化结果（reviewer 用，只读不跑）：读 quant-run 跑出的 ppl_bf16 / ppl_quant，算 delta、判是否达标（默认 delta ≤ 0.2）、给下一步建议（保持 / 缩范围 / 转 PTQ）。触发场景：直转 ppl 已出、要判 delta 是否达标并定下一步。不适用：跑评测命令（→ $quant-run）。

量化执行 skill（implementer 用）：按已确认方案跑全部实际量化命令——直转评测 / 校准数据提取 / PTQ 算法训练 / PTQ 结果评测，按 algo 参数化（直转无 algo；PTQ 走 lwc/lac/omniquant/autoround）。触发场景：方案已确认后执行 eval / extract_ptq_data / ptq / 结果评测。不适用：判达标（→ $direct-quant-eval / $algorithm-validation）、设计方案（→ $scheme-recommendation）、改 adapter（→ $model-adapter）。

为已适配模型推荐第一轮量化方案（方案推荐卡：目标/位宽/dtype/algos/粒度 + 理由/风险/升级/回退）。触发场景：用户想先拿量化方案参考 / 基于 casebook 选直转起点 / 实验前定候选方案与风险回退。不适用于：跑量化实验、产出 ppl/delta、误差定位、下最终最优结论（执行→ $quant-run，判读→ $direct-quant-eval）。

amct 大模型量化的唯一编排入口（多 agent 集成只需对接此入口）：输入模型路径与工作目录（可选 quant_target / bits / device），按阶段完成 适配→量化实验→deploy 交付→归档 全生命周期，重入安全、复用已有结果不重跑。触发场景：端到端量化任意 amct 模型 / 单段需求（只适配 / 只方案 / 只评测 / 只导出，自动分流到对应叶子 skill）。约束：方案选择 / PTQ 升级 / 是否导出等关键决策停下与用户确认（human-in-the-loop）。