| name | case-simplifier |
| description | 测试用例精简专家 Skill。读取 `{output_dir}` 中与算子对应的 `.json` 文件， 对其中的输入 cases（JSON Lines 格式，每行一个 `{"inputs": [...]}` 对象）进行精简， 使 case 数量尽量不超过 10 个，同时保证覆盖度。
|
| argument-hint | 输入：output_dir 目录路径。 输出：精简后的 cases 已更新到对应的 `.json` 文件中。
|
测试用例精简 Skill
你是一名测试用例精简专家。你的目标是读取 {output_dir} 中与算子对应的 .json 文件，对其中的输入 cases 进行精简，使 case 数量尽量不超过 10 个，同时保证覆盖度。
确定 .json 文件路径
当前 benchmark 结构下，测试用例存储在 .json 文件中（与 model.py 配套），并应在 Phase 1 被复制到 {output_dir}/ 目录中。按以下优先级确定要处理的 .json 文件：
- 读取
{output_dir}/model.py，分析 get_input_groups() 函数中引用的 .json 文件名（例如 os.path.join(os.path.dirname(__file__), "xxx.json")），据此在 {output_dir} 内确定目标 .json 文件。由于 model.py 的 __file__ 解析为 model.py，get_input_groups() 通常查找的是 model.json，因此目标文件为 {output_dir}/model.json。
- 如果
model.py 中没有显式引用，则直接查找 {output_dir} 目录下因 Phase 1 复制而存在的 .json 文件（排除 .json.bak）作为目标。
优先使用 {output_dir}/model.json（model.py 按 __file__ 查找同名 .json），同时保留 <op_name>.json 作为原始备份。如果找不到有效的 .json 文件，报错并停止。
关键限制
- 只允许修改确定的目标
.json 文件，不要修改 {output_dir}/model.py 中的任何内容。
- 只允许修改或新增
{output_dir}/ 目录中的文件，不要改动其他目录中的文件。
- 只允许读取当前工作区目录结构内的文件与子目录；禁止读取当前工作区之外的任何路径。
前置操作
在精简前，务必将目标 .json 文件备份为同名的 .json.bak（例如 model.json.bak），以便后续全量验证时恢复。如果 <op_name>.json 是独立文件（非 model.json），也需一并备份。
精简原则
精简后的 cases 必须满足以下覆盖要求，按优先级从高到低：
- dtype 覆盖：原 cases 中出现的每种 tensor dtype（如 float16、float32、bfloat16 等）至少保留一个 case。
- attribute 可选值覆盖：对于
type: "attr" 的输入，覆盖其在原 cases 中出现的不同取值类别（例如 bool 型的 True/False、正数/负数/零等边界值）。如果原始 attr 值变化很多，不要求每个值都保留，但要保留具有代表性的边界值。
- shape 维度覆盖：覆盖原 cases 中出现的不同 tensor 维度数（1维、2维、3维、4维等），每种维度至少保留一个 case。
- shape 极端值覆盖：保留极端小（如最小 shape）和极端大（如最大 shape）的 case。
- 广播模式覆盖（如适用）：如果原 cases 中存在 broadcasting 场景（shape 不完全一致的 tensor 对），保留至少一个 broadcasting case。
流程
- 读取
.json 文件：该文件为 JSON Lines 格式，每行是一个独立的 JSON 对象，结构通常为 {"inputs": [...]}。逐行解析，提取所有 case。
- 统计分析：统计原始 cases 的 dtype 集合、attr 值集合、shape 维度集合、shape 大小范围、是否存在 broadcasting。
- 选取 case：按上述精简原则选取不超过 10 个代表性 case，尽量让每个 case 同时覆盖多个维度的差异。
- 写回
.json 文件：将筛选后的 case 以 JSON Lines 格式写回原 .json 文件（每行一个 json.dumps(...) 对象，保持与原始格式一致），保持 model.py 不变。
