Menü
Ascend C Kernel Code Optimization Skill. 使用本地RAG知识库检索优化经验，对算子kernel代码进行迭代优化。 核心流程: 识别bottleneck -> 检索RAG -> 生成修改 -> 评估 -> 迭代 Trigger examples: "optimize kernel", "优化 kernel 代码".
Mit Codex oder Claude installieren Kopieren Sie diesen Prompt, fügen Sie ihn in Codex, Claude oder einen anderen Assistant ein und lassen Sie die Skill-Seite prüfen und installieren.
Basierend auf der SOC-Berufsklassifikation
| name | ascendKernelOptimization |
| description | Ascend C Kernel Code Optimization Skill. 使用本地RAG知识库检索优化经验，对算子kernel代码进行迭代优化。 核心流程: 识别bottleneck -> 检索RAG -> 生成修改 -> 评估 -> 迭代 Trigger examples: "optimize kernel", "优化 kernel 代码". |
op_host 与 op_kernel 目录下全部代码文件/root/wjh/codex/output_ops/<run_id>/<category>/<op_name>math/abs)scripts/rag_db/optimization_points.json)op_host 与 op_kernel 全部文件每轮迭代执行以下步骤：
┌─────────────────────────────────────────────────────────────┐
│ 1. 识别 Bottleneck │
│ - 必须先完整读取 op_host 与 op_kernel 全部代码 │
│ - 联合分析 host-kernel 接口、数据流与调度关系 │
│ - 调用 LLM 分析当前代码 │
│ - 识别最关键的性能瓶颈 │
│ - 避免重复识别历史瓶颈 │
└─────────────────────────────────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────────┐
│ 2. 检索 RAG 知识库 │
│ - 基于 bottleneck 描述检索 │
│ - 从 optimization_points.json 获取 1 条最相关优化经验 │
│ - 包含: title, description, bottleneck, code_diff │
└─────────────────────────────────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────────┐
│ 3. 生成代码修改 │
│ - 结合 bottleneck 和 RAG 经验 │
│ - 使用 LLM 生成 diff 格式修改 │
│ - 解析 diff 应用到代码 │
└─────────────────────────────────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────────┐
│ 4. 评估 │
│ - 调用评估服务获取性能分数 │
│ - 分数越低越好 │
└─────────────────────────────────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────────┐
│ 5. 更新最佳解 │
│ - 记录分数改善的修改 │
│ - 继续下一轮迭代 │
└─────────────────────────────────────────────────────────────┘
完成全部迭代后必须执行最终落盘：
run_id 目录（格式建议 run_YYYYMMDD_HHMMSS，若冲突追加后缀）/root/wjh/codex/output_ops/<run_id>/<category>/<op_name>LLM 分析时关注以下类型瓶颈：
| 瓶颈类型 | 描述 |
|---|---|
| 内存访问 | 非连续内存访问、bank冲突、未利用UB |
| 计算效率 | 未使用向量化、重复计算、冗余操作 |
| 分支预测 | 过多条件分支、代码布局不当 |
| 同步开销 | 不必要的全局同步、流水线停顿 |
| 数据搬运 | 主机-设备传输冗余、重复拷贝 |
知识库文件：scripts/rag_db/optimization_points.json
每条经验包含：
检索方式：
<<<< op_kernel/abs_kernel.cpp
// 原始代码
int32_t a = 1;
====
int32_t a = 8; // 修改后
>>>>
| Variable | Description |
|---|---|
TILING_RESOURCE_BASE | tiling资源基础路径 |
KNOWLEDGE_BASE_PATH | RAG知识库路径 (默认: scripts/rag_db 或 scripts/rag_db/optimization_points.json) |
EVALUATE_SERVICE_URL | 评估服务 (默认 http://127.0.0.1:6666/evaluate) |
LLM_BASE_URL | LLM API 地址 |
LLM_API_KEY | LLM API 密钥 |
LLM_MODEL | LLM 模型名 (默认 DeepSeek-V3.2) |
MAX_ITERATIONS | 最大迭代次数 (默认3) |
OUTPUT_BASE | 输出根目录 (默认 /root/wjh/codex/output_ops，实际输出为 <OUTPUT_BASE>/<run_id>/<category>/<op_name>) |
from scripts.optimizer import create_optimizer
optimizer = create_optimizer(
op_name="abs",
op_category="math",
tiling_resource_base="/path/to/tiling/resources",
)
best_code, best_score, output_dir = optimizer.optimize()
SKILL.md - 技能定义scripts/rag_db/ - RAG知识库数据scripts/optimizer.py - 主优化器scripts/sampler.py - 采样器 (bottleneck识别 + RAG检索 + 代码生成)scripts/evaluator.py - 评估器scripts/knowledge_base.py - RAG知识库scripts/config.py - 配置Detect and fetch the latest “Ascend C算子开发” PDF from the Huawei Ascend CANN Community Edition documentation, download page for a user-specified version, then convert the PDF into chapter-level markdown files and save them under ascend_dev_guide_sections/.
Generate, verify, and continuously improve AscendC custom kernels for user-specified operators using multi-kernel-bench.
生成面向华为 Ascend（昇腾）设备的 NPU 迁移流程，包括环境与版本校验、模型导出/编译生成 OM、INT8 校准与量化、部署验证以及精度/性能对比。Use when the user mentions NPU迁移、昇腾、Ascend、ATC、OM、MindIR、StreamManager，或谈到模型编译/量化、精度回归与延迟吞吐评估。