cuda-kernel-optimizer

name	cuda-kernel-optimizer
description	Use when optimizing, tuning, diagnosing, or profiling CUDA, CUTLASS, Triton, PyTorch, vLLM, TensorRT-LLM, or another GPU workload; when assessing an NCU, Nsys, or PyTorch Profiler report; or when the test workload, correctness checks, measurement path, or target environment is incomplete.

CUDA Kernel and Workload Optimizer

ChatGPT 负责优化判断：识别瓶颈、提出候选、评估投入产出并决定下一步。随 skill 安装的工具只执行一次明确操作，完成检查、测量、解析或事实记录；工具不选择方向，不判断 ROI，也不生成下一步计划。

优化目标是用户的完整 workload，而不是孤立的 kernel 指标。kernel 测量只能支持 kernel 层结论；要得出 workload 或服务层结论，必须先取得用户提供的真实测试集和精度校验。不得自行编造、下载或替换测试 workload。

当前 Target 的 primary 指标决定候选排序和任务是否完成。长尾或其它重要指标的局部收益可以在不违反约束时保留或显式纳入当前版本，但这是结果接纳规则，不是搜索优先级：它不能抬高一个低 primary ROI 候选的优先级，不能自动替换当前 Target 的 Champion，也不能把尚未实现的主目标报告为完成。

每次行动前

每次只推进一个能够改变当前判断的动作。除只读检查和 readiness 外，在修改代码、构建、启动 live GPU workload、运行 profiler 或外部研究前，先用不超过五行说明：当前要改变什么判断；已有证据与缺口；为什么这是最低成本的有效动作；什么结果会继续、停止或要求修正系统模型。不要连续启动多个昂贵动作后再统一解释。

尚未量化 production gap，尚未确认当前 Candidate 的真实替换范围，证据不适用于该执行形态，收益上限低于 minimum effect，或测量分辨率不足以区分预期效果时，不得进入实现或正式性能测试；下一步只能补最便宜的必要观测，或者停止当前方向。发现社区已有等价能力时，回到复用或最小适配，不继续独立实现。

一个动作返回后，先更新当前事实、收益上限和候选排序，再决定是否启动下一动作。预测与实测冲突时先完成 prediction-error reconciliation；不能用旧前提继续试下一个候选。可能支撑正式性能结论的 workload 比较使用 workload_evaluate.py 保存；绕过该路径的直接命令只作 readiness 或 diagnostic，不能晋升为正式结论。

按需读取

只加载当前问题所需的脚本和 reference。

任务	脚本或资料
检查测试集、精度校验、driver、目标环境并冻结 Target	scripts/readiness.py；references/environment_readiness.md
建立 Experiment，执行 baseline、screen、target 或 final audit	scripts/workload_evaluate.py；references/performance_iteration.md
解析或采集 Nsight Compute 事实	scripts/profile_ncu.py；references/ncu_metrics_guide.md
解析或采集 Nsight Systems 事实	scripts/profile_nsys.py
解析或采集 PyTorch Profiler 事实	scripts/profile_pytorch.py
分析冻结的编译产物或显式 binary	scripts/compiler_evidence.py；scripts/sass_check.py
查询内置离线知识	scripts/knowledge_query.py
查看、选择或恢复当前最佳版本	scripts/champion.py
判断服务测试是否可信	references/serving_evidence_protocol.md；references/nonstationary_serving_evidence.md
查阅最新的一手资料或进行外部质证	references/research_augmentation.md
构造各公开操作的封闭 JSON request	references/request_protocol.md

先用对应脚本的 --help 确认 operation 和命令行参数，再按 references/request_protocol.md 构造封闭 JSON request。不要为确认输入格式而通读脚本源码。

优化流程

1. 冻结 Target：一个 primary、最低有效收益、不可退化 constraint/guardrail，以及测量分辨率的估计方法；在候选说明中另行预声明有业务价值的 secondary 及其门槛。同时明确允许修改的文件、风险边界、时间与 GPU 使用范围，以及宿主机是否只给建议。首次 live workload 前简要说明串行服务/GPU 生命周期、可并行只读工作、从比较生命周期推导的预计 live 调用数、当前完成点，以及首次适配成本与可避免重试；该说明不持久化。
2. 执行 readiness。优化 Target 必须冻结原始版本、真实测试集、精度规则、command driver、性能目标、实际运行环境身份和统计要求；容器还要记录可确认的 base、overlay 和运行时组件身份，来源不完整时只把结论归属于最终冻结的 runtime。诊断 Target 可以只绑定已有报告，但不能假装具备 workload。多进程 driver 在首次 GPU workload 前先验证实际 launcher 和 rendezvous；单机 torchrun 在 hostname 与网络接口解析尚未被实测证明时，默认使用显式 loopback --master-addr、已确认空闲的 --master-port 和必要的 loopback interface，不使用 --standalone。name-resolution 或 rendezvous 失败不计入正式样本，不重复相同启动形式；清理并核实其准确 PID/PGID 后，将修正命令冻结进 driver。
3. 修改代码前先审计 primary 及每个决策指标的实际计算口径：明确分子、分母、数据来源，以及是否由文本重分词、日志采样或其它重建过程得到；用冻结 workload 的恒等关系检查 driver 输出。口径与 Target 不一致且无法修正时，结果只能作 diagnostic，不能用于阈值判断。完成审计后，修改代码前先测原始业务基线，并用预先声明的 original 重复样本估计当前环境的测量分辨率。精度未通过时，不解释性能样本。
4. 每次新 profiler 事实用于候选判断前，先核对 Target、Variant、case/request slice、并发、phase、coverage 和 claim layer，并定义当前 Candidate 真实的 production replacement boundary：被替换区域、实际形状，以及 compiler lowering、graph、dispatch、fallback 和 overlap 后真正执行的形态。ROI 是派生证据主张；每个 timing、cost 和 coverage 输入必须被归类为测量同一 boundary、为它提供有依据的保守上界，或只作 diagnostic。源码、environment 和数学语义相同但 execution form 不同仍不适用；只有前两类输入能参与当前候选的物理上限和端到端 Amdahl 上限。计算时只使用 Candidate 实际改变的组件、workload occurrence 和暴露在关键路径上的份额，并说明跨过 minimum effect 所需的局部 saving；缺项时只取得最低成本观测。随后完成系统级归因：说明主要 measured time 与未归因部分，比较可行的 subsystem 方向；coverage 已知时界定端到端收益上限，未知时明确标记。按“对 primary 的预期端到端收益、phase/关键路径匹配、coverage 可信度、可行性、风险和实验成本”排序候选。吞吐和均值可以用完整 workload 的时间贡献界定上限；p95、p99 要看受影响请求、关键路径和 phase，不能仅因调用次数少或总耗时占比低而否定。在新写非平凡 kernel、通信 primitive 或框架 backend/adapter 前，必须有界、定向核验当前上游源码、release 和已合并/在途工作，并区分底层 primitive、框架接入与目标 workload E2E 证据；该核验不能因存在更便宜的本地实验而跳过，也不自动触发异构 AI 或多方质证。已有可用的等价能力时，默认只做复用、最小 backport/适配和 E2E 证伪；只有没有等价实现，或现有实现存在经证据确认且无法小修解决的 production blocker，才扩大为独立实现。调试范围从适配扩大到 primitive 或通用接入时，重新核验后再继续。技术栈新颖或版本敏感、存在竞争性解释、下一候选昂贵或连续候选无收益时，按 references/research_augmentation.md 有界核验一手资料，只记录改变事实判断、候选排序或实验设计的研究增量；证据不适用时，只保留 diagnostic hypothesis。
5. 创建 Experiment 前完成源码静态审查或独立的最低成本证伪，并预声明失败最多能否定当前实现、集成方式、代理结论还是整个机制；拒绝范围不能越过证据能够支持的范围。已经证伪、适用于 production replacement boundary 的 primary 收益上限低于 minimum effect，或预期效果低于正式测量分辨率且既不服务于预先声明的重要 secondary、也没有明确合并计划时，不执行昂贵候选。AOT/CUTLASS 模板工作在首次构建前冻结同一机制的有界配置、实验开关、回退方式和构建次数，先用一个实验产物筛选，不逐个 knob 重复完整构建。随后在 Experiment 中冻结双方关系、Target 之外的附加精度 gate、只作解释的 diagnostic、隔离或同进程测量生命周期，以及会影响判断的版本化外部前提。一次 driver 调用同时保存当前 subject 的正确性和性能证据；同进程比较必须在一次调用内返回两个 subject，不另行重复完整 workload。正确性、安全、dispatch 或环境失败只否定相应实现或结果；除非预先声明且实际取得了能够区分机制的证据，局部 proxy 或一次集成回退不能关闭整个机制。若 preregistered ROI 与 target 结果实质冲突，先废止或修正错误的 applicability、scope、coverage、exposure 或 cost 前提，形成 prediction-error reconciliation 并据此重排系统方向；不能先用调度或 cache 猜测维护旧 ROI，也不能在旧系统模型上切换下一候选。只有一个不同且最低成本的判别实验可能改变修正结论时才追加一次；profiler 不是固定阶段，只在能回答明确未解决问题时运行。进入正式 target 前无条件简短复核 replacement boundary、execution form、Candidate scope、收益上限、测量分辨率和 ROI；新事实则重新执行第 4 步。

使用后反馈

将 Handoff 中的 skill friction/feedback 用于记录本次真实使用暴露、且可能改变 skill 指令、工具或知识的具体问题，以及值得保留的有效机制。每条只写观察到的行为、实际影响或成本、期望改动和最小证据；不要复述完整优化过程，不要把基本正确行为当作成果，也不要为填满字段添加通用风险。没有可行动反馈时写 none。

Handoff 默认留在用户环境。只有用户明确授权时才向外部仓库提交反馈；移除私有 workload、内部地址、凭据和未公开材料，并将相互独立的问题分别提交。优化结果或上游 PR 可以作为问题来源和证据，但本身不等于 skill feedback。

证据规则

• Candidate 和 reference 内容必须冻结，并由每份结果显式引用。
• 精度失败会使相应性能结果无效。
• 变体比较使用同一 Target、同一测试集和实际环境身份下的成对样本。结论只能覆盖比较契约声明的双方关系、gate 和 acquisition context；缺失的容器 lineage 不能由最终镜像身份反推。
• profiler 只返回观测事实；它不返回优化方向、ROI 或下一步。
• 知识查询只返回有界材料及其声明条件与当前身份的匹配关系，不判断前提是否解决、机制是否受支持或下一步。显式查询的身份不匹配材料保留具体差异；该差异只说明材料不适用，不能证明机制不支持。空结果不会阻止源码分析、profiling 或 ChatGPT 自行提出假设。
• 未知 profiler 版本、关键字段或单位必须拒绝解析；已知格式中的非关键扩展内容只作为 unmodeled 保留，不能参与语义计算。不能套用相近版本或相近架构。
• ERR_NVGPUCTRPERM 表示当前宿主机权限不允许读取 NCU counter。记录限制并改用其他有效证据；宿主机权限调整只给建议，除非用户明确授权。
• 共享宿主机在选卡和正式性能采样前启动确定性、低频、只读的 CPU/GPU 观测，持续到采样结束并保存时间对齐的原始输出。GPU 进程列表为空或显存占用很低都不能单独证明设备空闲；还要在有界窗口检查利用率、功耗和进程可见性，并解释持续活动。观测缺失或中断，或存在与正式样本窗口重叠、达到有依据阈值且未被解释的资源污染时，性能归因 inconclusive；瞬时、非重叠异常不否定 correctness。
• 编译产物结论不能越过其证据阶段。源码、AOT 包或 binary 中的字符串只证明文本存在；fusion、消除或调度等 post-lowering 主张必须来自绑定同一 Experiment 的 lowered/generated code、编译器精确匹配记录或 runtime kernel 证据。
• 使用子智能体时，主智能体是远端代码、GPU 实验和 artifact root 的唯一写者；只并行边界清楚的独立只读任务，使用最低足够能力，并说明模型、思考强度和目标。周期采样由确定性命令完成，正式共享 GPU 实验不并行。
• 保留原始报告、成对样本、环境身份、被拒候选和 terminal reason，使结论可复核。

外部资料

外部研究按决策风险有条件触发，不是每个候选的固定阶段。触发时先核验当前版本的一手资料；涉及高成本候选、高潜机制关闭或 Target 终止且本地证据仍有关键不确定性时，再使用至少一个可用的非 OpenAI 模型家族挑战假设和证据遗漏。ChatGPT Pro、Codex 和 OpenAI 子智能体不能互相算作异构质证。外部模型不批准候选，也不接管执行；发送前移除私有内容，并保留不同意见。外网或异构模型不可用不阻塞本地优化，但要记录未完成项和结论强度；最终仍由当前 Target 的本地精度与测量证据决定。

本 skill 不提供操作系统沙箱。只修改用户授权的文件和隔离环境。驱动、GPU 权限、频率、功耗、服务和容器运行时等宿主机变更，默认只提供建议。