// Use when navigating Paddle eager-mode (dynamic graph) source code, tracing forward/backward execution, debugging autograd issues, understanding PyLayer, or investigating complex-valued gradient computation. Covers Python API to C++ kernel call chain, backward graph topology sort, and inplace version tracking.
将原生 PyTorch 自定义算子库、Torch extension、生态库（TorchCodec/FlashInfer/DeepEP 等）以及 Kernel DSL 生态（Triton/TileLang/TVM FFI 等）以最小修改方式接入 PaddlePaddle。遇到以下场景务必使用：迁移外部算子库到 Paddle；分析 PFCCLab fork 与上游的兼容差异；处理 paddle.enable_compat、paddle.utils.cpp_extension、TORCH_LIBRARY、torch.ops、at::Tensor/c10 compat 问题；为 compat gap 设计最小 workaround 并准备 Paddle issue 最小复现。
在 Paddle 代码库中定位问题并输出高质量调试报告的专用技能。当遇到以下场景时优先使用：(1) Paddle 框架 bug 调试，(2) 算子实现问题排查，(3) 训练脚本异常诊断，(4) 分布式训练故障定位，(5) CUDA/GPU 相关错误处理，(6) 需要生成结构化调试报告。
PaddlePaddle (飞桨) C++ 算子开发指南。提供从 YAML 配置、InferMeta 函数、Kernel 实现、Python API 封装、单元测试到编译验证的完整算子开发流程指导。在以下场景使用此 skill：(1) 为 Paddle 框架新增 C++ 算子 (2) 修改或调试已有 Paddle 算子 (3) 编写算子的 YAML 配置、InferMeta、Kernel、Python API 或单元测试 (4) 理解 Paddle 算子开发架构和流程 (5) 编译 Paddle 并验证算子正确性
Use when needing to compile, rebuild, or install Paddle from source after code changes. Covers cmake configuration, ninja incremental build, wheel packaging, and common build failure diagnosis.
Use when working with Paddle 3.0 compiler full pipeline: SOT (Symbolic Opcode Translator) for bytecode-level dy2st graph capture, PIR (Paddle IR) for SSA-based intermediate representation, CINN for fused CUDA kernel generation, operator decomposition (Prim), or the end-to-end flow from Python eager code to optimized GPU execution.
Use when working with Paddle's distributed training system: understanding parallelism strategies (DP, ZeRO, TP, PP, SP), semi-automatic parallel with ProcessMesh + shard_tensor, SPMD inference rules, pipeline scheduling, or auto_parallel Engine.
| name | paddle-eager-graph |
| description | Use when navigating Paddle eager-mode (dynamic graph) source code, tracing forward/backward execution, debugging autograd issues, understanding PyLayer, or investigating complex-valued gradient computation. Covers Python API to C++ kernel call chain, backward graph topology sort, and inplace version tracking. |
Paddle 动态图边执行边建图：前向执行时构建反向图，调用 backward() 时按拓扑序执行反向图。
Python paddle.add(x, y)
│
▼
① ops_api.cc ─ Python-C 映射，GetTensorFromArgs 提取 Tensor
▼
② eager_op_function.cc ─ 参数解析 / Dist Tensor / 释放 GIL / backend 选择
▼
③ dygraph_functions.cc ─ AMP / Type Promotion / 创建 GradNode / 构建反向图
▼
④ api.cc ─ KernelKey 构造 / Kernel 选择 / PrepareData / InferMeta
▼
⑤ PHI Kernel 执行
| 层级 | 代码路径 | 代码生成器 |
|---|---|---|
| ① Python-C 映射 | paddle/fluid/pybind/ops_api.cc | ops_api_gen.py |
| ② 动态图 C++ 接口 | paddle/fluid/pybind/eager_op_function.cc | python_c_gen.py |
| ③ 自动微分函数 | paddle/fluid/eager/api/generated/eager_generated/forwards/dygraph_functions.cc | eager_gen.py |
| ④ PHI 算子库接口 | paddle/phi/api/lib/api.cc | api_gen.py |
| 数据结构 | 一句话描述 |
|---|---|
| AutogradMeta | Tensor 持有的反向元信息：梯度、来源 GradNode、slot/rank 位置 |
| GradNodeBase | 反向节点基类，纯虚 operator() 执行反向计算 |
| GradSlotMeta | 描述 GradNode 某个 slot 的 meta 信息与出边 Edge |
| Edge | 指向后继 GradNode 的边，含 in_slot_id_ 和 in_rank_ |
| TensorWrapper | GradNode 中保存前向 Tensor 的包装器，含 inplace 版本快照 |
| GradTensorHolder | 反向执行期间临时存放与聚合梯度的二维 buffer |
| 调试场景 | 阅读哪个参考文档 |
|---|---|
| 前向调用链路 / Kernel 选择问题 | forward-call-chain.md |
| 反向梯度不正确 / 拓扑排序问题 | backward-execution.md |
| 数据结构成员 / 内存泄漏排查 | autograd-data-structs.md |
| 自定义反向 PyLayer | pylayer.md |
| 复数梯度 / Wirtinger 导数 | complex-autograd.md |
| Inplace 操作 / 版本追踪 | inplace.md |