| name | algorithm-recommendation |
| description | 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）。 |
量化算法推荐
概述
为已适配模型推荐下一步值得尝试的量化算法（只推荐、不跑实验）：回答“先试哪一类 / 哪个具体算法、各适合什么掉点特征与模块、先试失败切哪个更合理”。支持两种输入：已知直转结果（有 ppl/delta，按掉点 + 目标模块推荐）或 先验推荐（无直转结果，据 casebook + 结构 + 仓库算法能力给候选）。不负责：运行算法实验、产出 ppl/delta、误差定位、下“最终最优算法”结论。
用户调用格式
先读哪些文件
.agents/docs/casebook/... 对应系列 README.md- 已有个案再读最相近
<series>/<case>.md
- 确认量化口径读 ../references/metrics-and-thresholds.md
- 确认直转判读规则读 ../references/direct-quant.md
- 可用算法以 new-path
register_algorithms() 实际 import 的为准 = autoround / lac / lwc / omniquant（gptq/awq/mxfp 视分支移植，先确认在 ALGO_REGISTRY）；别用 grep amct_pytorch/algorithms 命中名册判定可用——classic 图量化 path 列了 gptq/awq 等但 LLM PTQ 不走，据此选会运行期 KeyError: '...' is not registered in 'algo'。
当前算法分组
可用算法 = new-path ALGO_REGISTRY 已注册的四个（register_algorithms() 实际 import），按类型理解：
weight 类：lwc、autoroundactivation 类：lacstructure 类：omniquant
不要推荐以下未注册算法：awq / gptq / svdquant / smoothquant / flatquant / learnable_had（源在 AMCT-Q，需分支移植后才进 ALGO_REGISTRY；当前 --algos 传入会运行期 KeyError: '...' is not registered in 'algo'）。upstream 示例脚本里出现这些名字也不代表可用。
推荐时必须考虑当前模块类型和 registry targets 是否匹配。
固定流程
- 先判断当前属于哪种输入模式：
- 先明确当前上下文：
- 模型名称 / 系列
- 结构标签：
dense / moe / packed-expert / special-attn
- 目标模块
- 评测口径：数据集、指标、
seq_len、granularity
- 先查现有结果：
- 系列
casebook 是否已有算法经验
outputs/ 或日志里是否已有同模型、同模块、同口径的算法结果- 当前结构和历史案例是否足够相似
- 如果已知直转结果，先根据当前掉点判断更该试哪类算法：
- 权重量化主导的问题，优先考虑
weight 类算法
- 激活裁剪或激活范围明显异常，优先考虑
activation 类算法
- 跨层缩放、结构变换、模块耦合更明显时，优先考虑
structure 类算法
- 如果还没有直转结果，只给先验推荐，并明确证据强度较低。
- 至少给出 2 到 3 个候选算法：
- 对每个候选算法说明：
- 输出“量化算法推荐卡”。
边界规则
- 这是算法推荐，不是算法实验。
- 如果用户已经明确指定算法并要看效果，转到后续算法验证流程。
- 如果用户只想先拿第一轮直转方案，回到
$scheme-recommendation。
- 如果模型还没适配完成，回到
$model-adapter。
- 如果当前还没有直转结果，可以做先验推荐，但要明确写出证据强度下降。
- 不要按算法名热度或外部印象推荐，优先参考仓库里已注册算法、casebook 和现有结果。
- 推荐时不要跨越 registry
targets 乱配算法。
- 引用仓库内代码、脚本和文档路径时，一律使用仓库相对路径；不要写绝对路径。
输出要求
结束时必须给出一张“量化算法推荐卡”，至少包含下面字段：
输入模式当前背景已有直转结果候选算法首推算法推荐理由适用条件主要风险后续验证建议证据强度
量化算法推荐卡
# 量化算法推荐卡
## 输入模式
- 已知直转结果 / 先验经验推荐
## 当前背景
- 模型名称：
- 模型系列：
- 结构标签：
- 目标模块：
- 评测口径：
## 已有直转结果
- `ppl_bf16`：
- `ppl_quant`：
- `delta`：
- 当前主要问题：
## 候选算法
- 候选算法 A（首推）：
- 算法名：
- `targets`：
- 适用原因：
- 预期成本：
- 主要风险：
- 候选算法 B（保守）：
- 算法名：
- `targets`：
- 适用原因：
- 预期成本：
- 主要风险：
- 候选算法 C（激进）：
- 算法名：
- `targets`：
- 适用原因：
- 预期成本：
- 主要风险：
## 首推算法
- 算法名：
- 适用模块：
- 适用掉点特征：
- 为什么先试它：
## 推荐理由
- 同系列经验：
- 结构相似性：
- 与当前问题的匹配性：
- 如果失败，下一步是否容易切换：
## 适用条件
- 前置条件 1：
- 前置条件 2：
- 前置条件 3：
## 主要风险
- 风险 1：
- 风险 2：
- 风险 3：
## 后续验证建议
- 首轮验证应固定哪些变量：
- 如果验证成功：
- 如果验证失败：
## 证据强度
- 强 / 中 / 弱
- 判断理由：
