triton-operator-code-gen

name	triton-operator-code-gen
description	根据 Ascend NPU 算子设计文档（或直接需求）生成 Triton kernel 代码。当用户需要实现 Triton 算子、将设计文档转为可执行代码时使用。核心产出：kernel 代码 + 基本正确性测试。关键词：Triton kernel、算子实现、代码生成、code generation。

Triton 算子代码生成

核心原则

计算逻辑 → Tiling 策略 → 代码实现。顺序不可颠倒。

Triton API 路径优先级

1. tl.tanh / tl.erf / tl.sqrt — 推荐，性能最优
2. tl.math.tanh / tl.math.erf — 备选
3. triton.language.extra.ascend.libdevice / triton.language.extra.libdevice — 以上找不到时

自由度：中高（计算逻辑不可错，实现方式灵活）

参考资源加载

阶段	必须加载	不要加载
设计 Tiling	hardware-architecture.md	templates.md
生成 Kernel	templates.md	hardware-architecture.md
查找 API 签名	triton-api-reference.md	—

MANDATORY：对应阶段前完整阅读上述文件，不设行数限制。 加载触发：需要确认某个 tl/libdevice API 的签名或参数时，完整阅读 triton-api-reference.md。

工作流

1. 理解需求 → 确认计算逻辑

提取数学公式、输入输出规格、约束条件。用伪代码描述计算过程，必须与用户确认。

2. 实现 Tiling 策略

输入依赖：若已有设计文档（design skill 产出），按其 Tiling 策略实现；若无，则在此设计。

核间切分两原则：

1. grid = 物理核数（get_npu_aicore_num() 或 get_npu_vectorcore_num()）
2. 核内循环处理多任务，每个核自己计算要处理的数据（负载均衡）
3. 超过物理核数的grid，超出部分循环串行下发，只会增加开销，无法增加并行度

core_num = get_npu_aicore_num()
grid = (core_num,)
# kernel 内：
pid = tl.program_id(0)
num_core = tl.num_programs(0)
blocks_per_core = tl.cdiv(total_blocks, num_core)
for block_idx in range(pid * blocks_per_core, min(...)):
    ...

UB 空间：安全 BLOCK_SIZE = (196608 - 32) / (缓冲区数 × dtype大小) × 0.8

3. 生成 Kernel 代码

按算子类型选择模板（详见 templates.md）：

算子类型	核心类型	模板
归约类	vector core	模板 1
GEMM/注意力	AI core	模板 2,6
激活/损失/索引/MoE/后处理	vector core	模板 3-5,7-8
卷积	AI core	模板 9

4. 生成基本正确性测试

生成一个基本正确性测试（单 shape × 单 dtype 的 smoke test），确保 kernel 可编译运行且结果正确。全面的精度验证由 precision-eval skill 负责。

反模式清单（NEVER）

• ❌ 不确认计算逻辑就写代码
• ❌ 忽略 UB 大小（192KB）
• ❌ 归约不升精度 FP32 / 使用 int64
• ❌ grid > 65535 / grid ≠ 物理核数
• ❌ kernel 中用第三方库 / 逐元素计算
• ❌ 矩阵乘法退化为 Vector Core 逐元素乘加——Cube Core 矩阵吞吐远高于 Vector Core（数十倍）。即使 GEMV（N=1）也必须用 tl.dot + pad B 到 BLOCK_N=16，禁止用 Vector Core 逐行算内积
• ❌ 在 NPU 使用 GPU 专用参数（num_stages/num_warps/num_ctas）
• ❌ 用 PyTorch 而非 Triton 实现算子
• ❌ 不测试算子正确性 / 不在 NPU 上测试
• ❌ 归约类算子用双 pass 模式（多次 load 同一数据分别算统计量和归一化）——应单 pass：一次 load 后 tl.sum(x, 1) 在 UB 内完成统计和归一化，见模板 1
• ❌ 矩阵乘法大矩阵不对角线调度——大矩阵（BLOCK_THRESHOLD ≥ 4）用顺序调度会导致 L2 缓存颠簸，应使用对角线调度，见模板 2
• ❌ for/while 循环内 return / break — Triton IR 结构化控制流不支持 early exit，编译必报错。替代：while + 布尔标志，或 tl.where mask
• ❌ tensor[i] 索引操作（读取/赋值/切片）— Triton tensor 不支持 Python 风格下标。替代：tl.where 赋值、tl.gather 读取、tl.extract_slice 切片

常见陷阱

陷阱	症状	解决
计算逻辑错	输出不符预期	伪代码描述并确认
UB 溢出	"ub overflow"	减小 BLOCK_SIZE
coreDim 超限	"coreDim > UINT16_MAX"	增大 BLOCK_SIZE 或设 TRITON_ALL_BLOCKS_PARALLEL=1
精度损失	FP16 不准确	归约前升 FP32
索引不够	D-cache 报错	超大 shape 用 int64
归约类算子慢 5x+	aiv_scalar > 80%	单 pass：一次 load + tl.sum(x, 1) UB 内全计算
大矩阵 L2 缓存颠簸	GEMM 吞吐低于预期	对角线调度（task_m_idx = block_idx % NUM_BLOCKS_M），见模板 2

严禁 PyTorch 替代

必须使用 Triton kernel 完成核心计算，严禁以下行为:

• 禁止用 torch.matmul / torch.mm / torch.bmm / torch.einsum 替代 matmul kernel
• 禁止用 F.conv1d / F.conv2d / F.conv3d / F.conv_transpose* 替代 conv kernel
• 禁止用 nn.Conv1d / nn.Conv2d / nn.Conv3d / nn.LayerNorm / nn.BatchNorm* / nn.GroupNorm / nn.InstanceNorm 等高阶接口
• 禁止用 F.layer_norm / F.batch_norm / F.group_norm / F.instance_norm 替代 norm kernel
• 禁止用 torch.cumsum / torch.cumprod / torch.flip 等直接替代 scan kernel
• 禁止写了 @triton.jit kernel 但 forward 不调用它 唯一允许的 torch 调用: tensor 分配(empty/zeros/ones)、形状操作(view/reshape/permute/contiguous)、数据搬运(to/npu)