j6-plugin-adaptation

name	j6-plugin-adaptation
description	为用户的浮点 PyTorch 模型适配地平线机器人公司的 QAT 工具 `horizon_plugin_pytorch`。这是一个编排型 skill，必须按固定顺序依次调用：`j6-plugin-set-march` → `j6-plugin-insert-quant-dequant` → `j6-plugin-dynamic-block` → `j6-plugin-prepare` → `j6-plugin-set-fake-quantize`。

为浮点模型执行完整 Horizon QAT 适配（组合调度版）

目标

把一个普通的浮点 PyTorch 模型，按地平线机器人公司的 horizon_plugin_pytorch 量化工具链要求，逐步改造成可进入 QAT / calibration / validation 流程的模型。

这个 Skill 不是单独做某一步改动，而是一个总控/编排类 skill。它负责根据用户需求，将完整适配过程拆成多个标准子 skill，并严格按照固定顺序执行。

必须遵守的调用顺序

本 Skill 必须按以下顺序调用目录下的 skill，不得跳序：

1. j6-plugin-set-march
2. j6-plugin-insert-quant-dequant
3. j6-plugin-dynamic-block
4. j6-plugin-prepare
5. j6-plugin-set-fake-quantize

为什么必须按这个顺序

1) j6-plugin-set-march

先设置 march，让后续模型构建、prepare、量化逻辑和平台相关分支都在正确的目标平台上下文中执行。

2) j6-plugin-insert-quant-dequant

在部署输入/输出边界插入 QuantStub/DeQuantStub，明确量化图边界。后续 prepare 依赖这些边界信息感知部署范围。

3) j6-plugin-dynamic-block

处理动态控制流中可能触发 function 替换或算子融合的区域。必须在 prepare 前处理，否则 prepare/JIT_STRIP 阶段可能产生 scope 错乱或 forward 报错。

4) j6-plugin-prepare

对浮点模型执行 prepare(...)，把模型变成 QAT 模型。prepare 之后不应再随意改模型结构、hook 或动态图 scope 逻辑。

5) j6-plugin-set-fake-quantize

在 calibration / qat / validation 阶段入口设置对应的 fake quantize 状态。这一步依赖模型已经具有 prepare 后的 QAT 结构。

---

这个 Skill 具体负责什么

当用户表达“让我这个浮点模型适配 horizon_plugin_pytorch”时，本 Skill 应：

1. 识别目标模型文件/类/脚本入口。
2. 依次调用下列子 skill：
   • j6-plugin-set-march
   • j6-plugin-insert-quant-dequant
   • j6-plugin-dynamic-block
   • j6-plugin-prepare
   • j6-plugin-set-fake-quantize
3. 在每一步都遵守对应 skill 的约束，而不是把所有逻辑揉成一次性粗暴修改。

---

各子 skill 的职责边界

A. j6-plugin-set-march

负责：

• 询问用户想使用哪个 march
• 在脚本入口、模型构建前插入：

horizon.march.set_march(...)

关键约束：

• 如果用户未给出 march，必须先询问，不能擅自假设。

---

B. j6-plugin-insert-quant-dequant

负责：

• 在部署输入边界插入 QuantStub
• 在部署输出边界插入 DeQuantStub

关键约束：

• 每个输入/输出使用独立 stub
• QuantStub() 不设置 scale
• 只在部署边界插入，不提前 dequant

---

C. j6-plugin-dynamic-block

负责：

• 为动态控制流中、会触发 function 替换/算子融合的非 module scope 逻辑添加 dynamic_block

关键约束：

• 只包需要替换/融合的逻辑块，不包整个循环
• 不对已经是 nn.Module.forward scope 的子模块调用重复包 dynamic_block

---

D. j6-plugin-prepare

负责：

• 调用 prepare(...) 把浮点模型变成 QAT 模型

关键约束：

• 只加 prepare 调用
• prepare 之后不要再改结构/hook

---

E. j6-plugin-set-fake-quantize

负责：

• 在 Calibration / QAT / Validation 阶段设置 fake quantize 状态

关键约束：

• Calibration：CALIBRATION
• QAT：QAT
• Validation：VALIDATION
• Validation 前先 model.eval()，再 set_fake_quantize

---

标准执行流程（组合 Skill 模板）

第一步：确认是否是完整 QAT 适配需求

符合以下描述时，应触发本 Skill：

• “帮我把这个浮点模型适配成 horizon_plugin_pytorch 的 QAT 模型”
• “按地平线量化工具链把这个模型改好”
• “我要做 Horizon QAT，帮我把模型接上完整适配流程”

第二步：确认 march（必须先于其他步骤）

如果用户没有给具体 march，先暂停整个流程并询问：

• 你想使用哪个 march？

在 march 没确认前，不应继续后面的 skill。

第三步：依次执行子 skill

严格按顺序：

1. j6-plugin-set-march
2. j6-plugin-insert-quant-dequant
3. j6-plugin-dynamic-block
4. j6-plugin-prepare
5. j6-plugin-set-fake-quantize

第四步：完成后做整体一致性检查

检查至少包括：

• march 是否在模型构建/prepare 前设置
• quant/dequant 是否只在部署边界
• dynamic block 是否只标注了必要区域
• prepare 是否在所有结构性改动之后执行
• fake quantize 状态是否与当前阶段一致

---

适用场景

本 Skill 适用于：

• 从零开始把一个浮点模型接入 Horizon QAT 工具链
• 你已经明确要使用 horizon_plugin_pytorch
• 需要 agent 按标准顺序自动补齐适配步骤
• 希望多个子 skill 协同工作，而不是手动逐个触发

---

不适用场景

以下情况不应直接使用本 Skill，或者应拆分使用：

• 只想设置 march
• 只想补 QuantStub/DeQuantStub
• 只想做 prepare
• 只想设置 fake quantize 状态
• 模型已经是 QAT 模型，不再是浮点模型
• 用户只要求某一个局部适配动作，而不是完整链路

如果只是单步需求，应直接调用对应子 skill，不必走总控 skill。

---

关键注意事项

1) 这是“编排 skill”，不是“大杂烩 patch skill”

本 Skill 的重点是顺序和边界。不要不分主次地一次性往目标文件里乱塞所有改动；要按子 skill 的职责逐步落地。

2) march 未确认时，流程必须暂停

由于 j6-plugin-set-march 的硬约束是先问用户 march，所以整个完整适配流程也必须继承这一约束。

3) prepare 之后不要再继续做结构性改动

因此：

• quant/dequant 插入
• dynamic block 补齐

都必须在 prepare 之前完成。

4) fake quantize 状态设置是“阶段行为”，不是单纯静态代码插桩

如果用户同时要求支持 calibration / qat / validation，agent 应根据目标脚本阶段把状态设置在正确位置，而不是机械地只写一处。

5) 子 skill 的约束优先级高于本 Skill 的简化描述

如果本 Skill 与某个子 skill 的细则冲突，以子 skill 为准。例如：

• j6-plugin-set-march 要求先询问用户 march
• j6-plugin-insert-quant-dequant 要求每个输入输出独立 stub
• j6-plugin-dynamic-block 要求不要包整个循环

6) 本 Skill 默认采用“强依赖接入”，禁止兼容性兜底写法

当用户要求把浮点模型适配为 horizon_plugin_pytorch 的 QAT 模型时，默认前提是：

• 目标环境已经安装并可直接导入 horizon_plugin_pytorch
• 用户要的是正式接入 Horizon 工具链，不是保留“没有 Horizon 也能运行”的兼容路径

因此必须遵守以下硬约束：

• 禁止使用 try/except ImportError 为 horizon_plugin_pytorch 或其相关模块做导入兜底
• 禁止在导入失败时把模块、类或函数设为 None
• 禁止使用 nn.Identity()、空函数、空模块等方式替代 QuantStub、DeQuantStub、prepare、dynamic_block、set_fake_quantize
• 禁止为了兼容未知版本 API，编写基于 getattr(..., None)、多命名空间回退、异常后重试的探测式逻辑
• Horizon 相关接口应基于目标版本的明确 API 直接导入、直接调用
• 如果依赖缺失、导入失败或 API 不匹配，应直接报错，不要静默降级或回退到普通浮点路径

7) 代码修改风格应偏向“直接接入”，不要保留双模式路径

除非用户明确要求保留浮点兼容路径，否则：

• 不要同时维护“普通 PyTorch 路径”和“Horizon QAT 路径”两套并行分支
• 不要为了让脚本在非目标环境继续运行而额外加入保护性分支
• 对 Horizon 必需步骤，宁可硬失败，也不要通过 fallback 隐藏配置或环境问题
• 适配代码应尽量直接、确定、单路径，避免“先尝试 A，再回退 B”的写法

---

快速自检清单

• 是否确认了用户要做的是“完整 Horizon QAT 适配”？
• 是否已经先确认用户的 march？
• 是否按顺序调用了：
  • j6-plugin-set-march
  • j6-plugin-insert-quant-dequant
  • j6-plugin-dynamic-block
  • j6-plugin-prepare
  • j6-plugin-set-fake-quantize
• 是否确保所有结构性改动都发生在 prepare 前？
• 是否根据阶段正确设置了 fake quantize 状态？