Menu
Ascend C 算子测试设计技能，基于aclnn接口md资料完成算子测试用例设计。当需要（1）设计算子测试用例、（2）编写测试计划（plan.yaml）、（3）分析算子参数和依赖关系、（4）提取测试因子、（5）生成测试用例组合时使用此技能。
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
Profile PyPTO kernels in-core with the Ascend msprof op-simulator — cycle-accurate per-kernel traces. Use when the user wants to profile a built case, inspect kernel timing or instruction streams, or generate MindStudio Insight traces.
Tune cube/matmul tile sizes (row tile, N fragment, K fragment) for a PyPTO kernel — analytic hints, an on-chip buffer constraint model, and an empirical device sweep. Use when optimizing a matmul/cube's throughput, sizing the row / N / K tiles, resolving Mat (L1) / L0C / UB buffer overflows, or trading one tile dim for another.
Locate which pypto commit introduced a precision regression. Only pypto and its corresponding simpler (submodule) are tracked — ptoas and pto-isa versions are not part of the bisect. If the culprit is a simpler submodule bump, performs a second-level bisect within simpler.
Reproduce a reported problem, collect dependency versions, and create a GitHub issue. Use when the user wants to file a bug, request a feature, or create any GitHub issue.
Ascend C 开发资源索引（本地+在线）。提供：(1) 本地 API 文档索引、示例代码映射，(2) 在线文档搜索功能，(3) 资源查找优先级，(4) Explore Agent 使用指南。优先使用本地资源，仅在本地检索不到时使用在线搜索。
Complete git commit workflow including pre-commit checks, staging, message generation, and verification. Use when creating commits or preparing changes for commit.
| name | ascendc-st-design |
| description | Ascend C 算子测试设计技能，基于aclnn接口md资料完成算子测试用例设计。当需要（1）设计算子测试用例、（2）编写测试计划（plan.yaml）、（3）分析算子参数和依赖关系、（4）提取测试因子、（5）生成测试用例组合时使用此技能。 |
本技能提供 Ascend C 算子测试设计的完整工作流程，基于aclnn测试框架进行算子功能和精度验证。
在项目根目录下查找算子资料 {operator_name}.md 文件；或者指定文件路径。
所有测试设计结果统一存放到项目根目录的 result/ 下：
{项目根目录}/
└── result/
└── {operator_name}/
├── 03_参数定义.yaml
├── 04_测试因子.yaml
├── 05_约束定义.yaml
├── 06_求解配置.yaml
├── 07_因子值.csv
├── L0_test_cases.csv
├── L0_coverage_report.yaml
└── L1_test_cases.csv
路径变量：
PROJECT_ROOT：项目根目录（执行脚本时的工作目录）RESULT_DIR：{PROJECT_ROOT}/result/{operator_name}/根据参数类型（aclTensor/aclScalar/int8_t等）定义参数规范。
详细规范：参考 parameter-definition.md
关键要点：
name、type、required、io_type 属性io_type 字段：标识参数的输入输出类型
input：输入参数（需准备测试数据）output：输出参数（无需定义value_range和special_range/special_value）format、dimensions、dtype_with_rangesis_enum、dtype_with_valuesvalue_range 和 special_range/special_value必须覆盖的取值范围：
references/parameter-definition.md 中的默认值定义定义步骤：
示例：
float16 全量默认值示例：
- dtype: "float16"
value_range: [[0, 0.001], [0.001, 0.01], [0.01, 1], [1, 2], [2, 10], [10, 1000], [-0.001, 0], [-0.01, -0.001], [-1, -0.01], [-2, -1], [-10, -2], [-1000, -10], [-1, 1], [-0.01, 0.01], [-100, 100], [0, 0], [-65504.0, 65504.0], [-0.0078125, 0.0078125], [65504.0, 65504.0], [-65504.0, -65504.0], [-6.103515625e-05, -6.103515625e-05], [6.103515625e-05, 6.103515625e-05], ["inf", "inf"], ["-inf", "-inf"], ["nan", "nan"]]
推荐方式：使用 generate_test_factors.py 脚本自动提取
# 在项目根目录下执行
python skills/ascendc-st-design/scripts/generate_test_factors.py <参数定义.yaml> <测试因子.yaml>
# 示例
python skills/ascendc-st-design/scripts/generate_test_factors.py \
result/{operator_name}/03_参数定义.yaml \
result/{operator_name}/04_测试因子.yaml
脚本功能：
解析输入资料，理解算子的数学公式及计算逻辑，提取 GetWorkspaceSize 接口中950系列产品支持的参数、参数取值范围和参数依赖关系。
详细规范：参考 dependency-yaml-spec.md
在识别因子依赖关系时，按以下优先级进行分析：
数据类型依赖
形状依赖
数值依赖
存在性依赖
文件结构：
metadata: operator: "{operator_name}" version: "1.0" description: "{operator_name}算子约束关系定义"
factors: {param}.{attribute}: {type: {type}, param: {param}, io_type: {io_type}}
constraints:
因子节点是约束系统的基本单元，代表一个可测试的属性。
# 因子节点标识规范
{id}: "{parameter}.{attribute}"
属性类型：
| 属性 | 说明 | 示例 |
|---|---|---|
dtype | 数据类型 | self.dtype |
dimensions | 维度 | self.dimensions |
shape | 张量形状 | batch1.shape |
value | 枚举值 | cubeMathType.value |
format | 数据格式 | input.format |
exist | 存在性 | bias.exist |
| 类型 | 语义 | 表达式示例 | 说明 |
|---|---|---|---|
calculate | 计算约束 | target = expr(sources) | 通用计算，sources 不可为空 |
broadcast_dim | 指定维度广播 | 维度兼容性检查 | 单维度广播约束 |
broadcast_shape | 张量广播 | 形状兼容性检查 | 完整形状广播约束，支持单向/双向模式 |
conditional | 条件约束 | if-then-else 分支 | - |
match | 匹配约束 | 维度/属性匹配 | 双向约束，与 calculate 语义不同 |
existential | 存在性约束 | 可选参数联动 | - |
convertible | 可转换约束 | 类型兼容性检查 | - |
inferable_filter | 链式依赖约束 | 多Tensor类型互推导 | - |
inferable | 可推导约束 | 类型推导检查 | - |
约束类型设计原则：
calculate 是通用计算约束，等值场景使用 expression: "sources[0]"match 是双向约束，calculate 是单向计算，语义不同不应合并broadcast_dim 用于单维度广播，broadcast_shape 用于完整形状广播cubeMathType.enum_values: [0, 1, 2, 3]）已在 04_测试因子.yaml 中定义，无需添加约束重要限制：
broadcast_shape 不支持 source_shape_expr 字段（派生形状表达式）# 类型约束：等值（使用 calculate）
- id: "TYPE-002"
type: calculate
sources: ["self.dtype"]
target: "out.dtype"
expression: "sources[0]"
description: "输出类型等于self类型"
# 形状约束：计算
- id: "SHAPE-001"
type: calculate
sources: ["batch1.shape", "batch2.shape"]
target: "out.shape"
expression: "[sources[0][1], sources[1][2]]"
description: "out.shape = [M, N]"
# 形状约束：指定维度广播
- id: "BCAST-001"
type: broadcast_dim
sources: ["batch1.shape"]
source_index: 0
target: "batch2.shape"
target_index: 1
description: "batch1[0]与batch2[1]需满足广播关系"
# 形状约束：张量广播 - 单向
- id: "BCAST-002"
type: broadcast_shape
sources: ["out.shape"]
target: "bias.shape"
mode: unidirectional
description: "bias.shape可广播到out.shape"
# 形状约束：张量广播 - 双向
- id: "BCAST-003"
type: broadcast_shape
sources: ["x.shape"]
target: "y.shape"
mode: bidirectional
description: "x.shape和y.shape双向广播"
# 形状约束：广播到派生形状（两步约束模式）
# 场景：self.shape 需广播到 [batch1.shape[1], batch2.shape[2]]
# ❌ 错误写法：broadcast_shape 不支持 source_shape_expr
# - id: "BCAST-004"
# type: broadcast_shape
# sources: ["batch1.shape", "batch2.shape"]
# target: "self.shape"
# mode: unidirectional
# source_shape_expr: "[sources[0][1], sources[1][2]]" # ❌ 不支持
# ✅ 正确写法：使用两步约束
# 步骤1：计算派生形状
- id: "BCAST-004-CALC"
type: calculate
sources: ["batch1.shape", "batch2.shape"]
target: "_broadcast_target.shape"
expression: "[sources[0][1], sources[1][2]]"
description: "计算广播目标形状 [M, N]"
# 步骤2：检查广播兼容性
- id: "BCAST-004-BCAST"
type: broadcast_shape
sources: ["_broadcast_target.shape"]
target: "self.shape"
mode: unidirectional
description: "self.shape可广播到[M, N]"
# 维度约束：匹配
- id: "MATCH-001"
type: match
sources: ["batch1.shape"]
source_index: 2
target: "batch2.shape"
target_index: 1
description: "K维度匹配: batch1[2] == batch2[1]"
# 类型约束：可转换
- id: "C-TYPE-004"
type: convertible
sources: ["self.dtype"] # 目标类型（转换终点）
target: "beta.dtype" # 源类型（需要可转换到目标）
target_domain: ["float32", "float16", "int32", "int64", "bool"] # 可选：限制候选域
description: "beta类型需要可转换成self类型"
# 链式依赖（推荐）：多个Tensor类型需满足互推导关系（如 batch1.dtype, batch2.dtype, self.dtype）
# Step 1: batch1.dtype 作为锚点（Level 0 独立采样）
# Step 2: Level 1 推导
- id: "C-TYPE-001"
type: inferable_filter
sources: ["batch1.dtype"]
target: "batch2.dtype"
target_domain: ["float32", "float16", "bfloat16"]
description: "batch2.dtype 需与 batch1.dtype 兼容"
# Step 3: Level 2 推导
- id: "C-TYPE-002"
type: inferable_filter
sources: ["batch1.dtype", "batch2.dtype"]
target: "self.dtype"
target_domain: ["float32", "float16", "bfloat16"]
description: "self.dtype 需与 (batch1, batch2) 的推导结果兼容"
推荐方式：使用 generate_implicit_constraints.py 脚本自动生成
# 在项目根目录下执行
python skills/ascendc-st-design/scripts/generate_implicit_constraints.py <测试因子.yaml> <约束定义.yaml>
# 示例
python skills/ascendc-st-design/scripts/generate_implicit_constraints.py \
result/{operator_name}/04_测试因子.yaml \
result/{operator_name}/05_约束定义.yaml \
--verbose
脚本功能：
通用依赖规则：
Tensor 输入：{param}.shape 依赖于 {param}.dimensions
所有输入：{param}.value_range 依赖于 {param}.dtype
非 Tensor 且非枚举类型：{param}.value 依赖于 {param}.value_range
命令行参数：
usage: generate_implicit_constraints.py [-h] [--verbose]
factors_file constraints_file
参数说明:
factors_file 测试因子YAML文件（04_测试因子.yaml）
constraints_file 约束定义YAML文件（05_约束定义.yaml）
推荐方式：使用 generate_solver_config.py 脚本自动生成
# 在项目根目录下执行
python skills/ascendc-st-design/scripts/generate_solver_config.py <约束定义.yaml> <求解配置.yaml>
# 示例
python skills/ascendc-st-design/scripts/generate_solver_config.py \
result/{operator_name}/05_约束定义.yaml \
result/{operator_name}/06_求解配置.yaml
脚本功能：
输出示例：
solver:
strategy: topological
anchors:
- batch1.dtype
- batch1.shape
- self.dtype
# ...
derivation_order:
level_0: [batch1.dtype, batch1.shape, self.dtype, ...]
level_1: [alpha.dtype, batch2.shape, beta.dtype, out.dtype]
level_2: [out.shape]
推荐方式：使用 generate_factor_values.py 脚本自动生成满足约束的测试因子值
# 在项目根目录下执行
python skills/ascendc-st-design/scripts/generate_factor_values.py <求解配置.yaml> <约束定义.yaml> <测试因子.yaml> <输出.csv> [选项]
# 示例
python skills/ascendc-st-design/scripts/generate_factor_values.py \
result/{operator_name}/06_求解配置.yaml \
result/{operator_name}/05_约束定义.yaml \
result/{operator_name}/04_测试因子.yaml \
result/{operator_name}/07_因子值.csv \
--max-cases 10000
脚本功能：
约束求解流程：
命令行参数：
usage: generate_factor_values.py [-h] [--max-cases N] [--seed N] [--verbose] solver_config constraints factors output
参数说明:
solver_config 求解配置YAML文件（06_求解配置.yaml）
constraints 约束定义YAML文件（05_约束定义.yaml）
factors 测试因子YAML文件（04_测试因子.yaml）
output 输出的CSV文件（07_因子值.csv）
--max-cases 最大用例数（默认10000）
--seed 随机数种子（用于复现结果）
--verbose 详细输出模式
输出示例：
case_id,batch1.dtype,batch1.shape,batch2.dtype,batch2.shape,self.dtype,self.shape,out.dtype,out.shape
0,float16,"[10, 3, 4]",float16,"[10, 4, 5]",float16,"[3, 5]",float16,"[3, 5]"
1,float32,"[5, 2, 3]",float32,"[5, 3, 4]",float32,"[2, 4]",float32,"[2, 4]"
2,bfloat16,"[1, 8, 16]",bfloat16,"[1, 16, 32]",bfloat16,"[8, 32]",bfloat16,"[8, 32]"
推荐方式：使用统一的 generate_test_cases.py 脚本
python scripts/generate_test_cases.py <参数定义.yaml> <测试因子.yaml> <因子值.csv> <输出目录> --level <L0|L1> [选项]
测试用例生成示例（分步执行L0和L1）：
注意：由于 L0 和 L1 算法复杂度较高，建议分两步执行，并设置 5分钟超时。
# 在项目根目录下执行
# 步骤1: 生成 L0 用例（单因子覆盖，≤200条）
python skills/ascendc-st-design/scripts/generate_test_cases.py \
result/{operator_name}/03_参数定义.yaml \
result/{operator_name}/04_测试因子.yaml \
result/{operator_name}/07_因子值.csv \
result/{operator_name}/ \
--level L0 \
--verbose
# 步骤2: 生成 L1 用例（两两组合覆盖，500~700条）
python skills/ascendc-st-design/scripts/generate_test_cases.py \
result/{operator_name}/03_参数定义.yaml \
result/{operator_name}/04_测试因子.yaml \
result/{operator_name}/07_因子值.csv \
result/{operator_name}/ \
--level L1 \
--target-count 500 \
--seed 42 \
--verbose
超时设置：在调用 Bash 工具时设置 timeout=300000（5分钟）
脚本功能：
命令行参数：
必需:
--level {L0,L1} [...] 用例级别（必填，支持多个）
L0: 单因子覆盖（≤200条）
L1: 两两组合覆盖（500~700条）
可选:
--aclnn-name NAME 算子名称（默认从参数定义中提取）
--target-count N L1目标用例数量（默认500，仅L1有效）
【L0使用此参数会报错退出】
--seed N 随机数种子（用于复现L1补齐，仅L1有效）
【L0使用此参数会报错退出】
--report-output FILE 覆盖度报告文件名（默认: {level}_coverage_report.yaml）
批量生成时自动添加级别前缀（L0_, L1_）
--case-output FILE 测试用例文件名（默认: {level}_test_cases.csv）
批量生成时自动添加级别前缀（L0_, L1_）
--verbose 详细输出模式
用例生成流程：
L0流程：
L1流程：
输出文件： 批量（--level L0 L1）：
L0_coverage_report.yaml, L0_test_cases.csvL1_coverage_report.yaml, L1_test_cases.csv在 result 目录总结算子测试设计过程与结果：
参考官方文档和算子API说明，编写参数定义文件。
python skills/ascendc-st-design/scripts/generate_test_factors.py
result/{operator_name}/03_参数定义.yaml
result/{operator_name}/04_测试因子.yaml
python skills/ascendc-st-design/scripts/generate_implicit_constraints.py
result/{operator_name}/04_测试因子.yaml
result/{operator_name}/05_约束定义.yaml
--verbose
python skills/ascendc-st-design/scripts/generate_solver_config.py
result/{operator_name}/05_约束定义.yaml
result/{operator_name}/06_求解配置.yaml
python skills/ascendc-st-design/scripts/generate_factor_values.py \
result/{operator_name}/06_求解配置.yaml \
result/{operator_name}/05_约束定义.yaml \
result/{operator_name}/04_测试因子.yaml \
result/{operator_name}/07_因子值.csv \
--max-cases 10000 \
--seed 42
注意：建议分两步执行 L0 和 L1，避免超时
# 步骤7.1: 生成 L0 用例（超时设置: 5分钟）
python skills/ascendc-st-design/scripts/generate_test_cases.py \
result/{operator_name}/03_参数定义.yaml \
result/{operator_name}/04_测试因子.yaml \
result/{operator_name}/07_因子值.csv \
result/{operator_name}/ \
--level L0 \
--verbose
# 步骤7.2: 生成 L1 用例（超时设置: 5分钟）
python skills/ascendc-st-design/scripts/generate_test_cases.py \
result/{operator_name}/03_参数定义.yaml \
result/{operator_name}/04_测试因子.yaml \
result/{operator_name}/07_因子值.csv \
result/{operator_name}/ \
--level L1 \
--target-count 500 \
--seed 42 \
--verbose