메뉴
为已适配模型推荐第一轮量化方案（方案推荐卡：目标/位宽/dtype/algos/粒度 + 理由/风险/升级/回退）。触发场景：用户想先拿量化方案参考 / 基于 casebook 选直转起点 / 实验前定候选方案与风险回退。不适用于：跑量化实验、产出 ppl/delta、误差定位、下最终最优结论（执行→ $quant-run，判读→ $direct-quant-eval）。
Codex 또는 Claude로 설치 이 Prompt를 복사해 Codex, Claude 또는 다른 어시스턴트에 붙여 넣으면 Skill 페이지를 검토하고 설치를 진행할 수 있습니다.
SOC 직업 분류 기준
| name | scheme-recommendation |
| description | 为已适配模型推荐第一轮量化方案（方案推荐卡：目标/位宽/dtype/algos/粒度 + 理由/风险/升级/回退）。触发场景：用户想先拿量化方案参考 / 基于 casebook 选直转起点 / 实验前定候选方案与风险回退。不适用于：跑量化实验、产出 ppl/delta、误差定位、下最终最优结论（执行→ $quant-run，判读→ $direct-quant-eval）。 |
为已适配模型推荐第一轮量化方案（只推荐、不跑实验）：回答“第一枪先量哪些模块 / 用什么 dtype·bits·algos·granularity / 为什么这么起步 / 失败先缩哪里查哪里”。不负责：跑量化实验、产出 ppl_bf16·ppl_quant·delta、误差定位、下“最终最优方案”结论。
$quant-workflow。按顺序：
.agents/docs/casebook/... 对应系列 README.md<series>/<case>.mddense / moe / packed-expert / special-attnseq_len、granularitycasebook 是否已有默认起步方案outputs/ 或日志里是否已有相同口径的量化结果$model-adapter。结束时必须给出一张“量化方案推荐卡”，至少包含下面字段：
当前模型任务口径相似案例候选方案首推方案推荐理由风险点升级条件回退方案证据强度# 量化方案推荐卡
## 当前模型
- 模型名称：
- 模型系列：
- 结构标签：
- 关键结构特征：
## 任务口径
- 数据集：
- 指标：
- `seq_len`：
- `granularity`：
- 时间预算：
- 算力预算：
- 特殊约束：
## 相似案例
- 案例 1：来源 / 相似原因 / 采用方案 / 结果摘要
- 案例 2：来源 / 相似原因 / 采用方案 / 结果摘要
## 候选方案
- 候选方案 A（保守）：量化模块 / `quant_dtype` / `a_bits / w_bits` / `algos` / 预期成本 / 预期风险
- 候选方案 B（首推）：量化模块 / `quant_dtype` / `a_bits / w_bits` / `algos` / 预期成本 / 预期风险
- 候选方案 C（激进）：量化模块 / `quant_dtype` / `a_bits / w_bits` / `algos` / 预期成本 / 预期风险
## 首推方案
- 量化模块 / `quant_dtype` / `a_bits / w_bits` / `algos` / `granularity`
## 推荐理由
- 同系列经验 / 结构相似性 / 成本与收益平衡 / 失败后是否容易定位
## 风险点
- 风险 1 / 风险 2 / 风险 3
## 升级条件
- 保持当前方案的条件 / 进入误差定位的条件 / 进入 PTQ 的条件
## 回退方案
- 回退路径 1 / 回退路径 2 / 回退路径 3
## 证据强度
- 强 / 中 / 弱 + 判断理由
**必须触发此 default-skills 的场景**：① gitcode-pr 或 gitcode-issue skill 缺失/找不到时（补装缺失，不覆盖已有版本）；② 用户明确要求更新/同步上游 skill 时（使用 --force 覆盖）；
在 amct 中适配新模型族（注册模型 / 定义 PTQ unit / 接 quant block / 补模型专属 attention·MLP wrapper），保持 workflow·quantizer·algorithm·solver 边界稳定。触发场景：新增 Dense 或 MoE 适配器、为新结构补 wrapper。不适用于：重写主 PTQ 流程、跑量化实验、推荐方案（→ $quant-run / $scheme-recommendation）。
使用 GitCode API 创建 Pull Request 和获取 PR 评论。当用户需要**创建** GitCode PR、将代码**推送并创建合并请求**、**获取 PR 评论**、**查看 PR 讨论**、**查看 PR 改动**或**删除 PR 评论**时使用此 skill。支持读取普通评论和行内(diff)评论，包括评论内容、文件路径、代码行号等详细信息。 **必须触发此 skill 的场景**（用户提到以下任何内容时使用）： - 创建/提交 PR：创建PR、提个PR、发PR、做个PR、帮我PR、生成PR、需要PR、pull request、merge request - 推送代码到远程：push代码、推代码、把代码推上去、提交到远程、推送到gitcode、提交代码到GitCode - 合并请求：合并请求、代码合入请求、请求合并、merge request - PR模板/描述：PR模板、PR描述、PR格式 - 关联issue创建PR：关issue的PR、关联issue创建PR - 获取PR改动：查看PR变更、PR文件列表、PR改了什么、看PRdiff、获取PR文件 - **获取 PR 评论**：查看PR评论、PR评论、获取评论、read comments - **查看 PR 讨论**：PR discussions、查看讨论、discussions - **删除 PR 评论**：删除评论、删除PR评论、移除评论、delete comment、移除这条评论
面向 amct_ops 目录下昇腾 NPU 自定义算子（Ascend C kernel + PyTorch C++ extension + Python 包装）开发、构建、注册和调试的技能。用户要求新增/修改 NPU 算子、写 Ascend C kernel、写 torch 绑定、注册 torch.ops.amct.* schema、调 ops_build.sh、改 CMakeLists.txt、处理 NPU_ARCH/SOC 平台差异（A2/A3 dav-2201，A5 dav-3510）、UB 内存/tile 计算、wheel 打包，或排查 amct_ops 编译/运行时问题（含 torch.compile / 图模式下算子报 "no Meta kernel"、需要补 Meta 后端做形状推导）时使用。
为已适配模型推荐下一步值得尝试的量化算法（仅限已注册：lwc/lac/omniquant/autoround）。触发场景：已知直转掉点想按特征选后续算法 / 无直转结果时先据 casebook+结构+仓库算法能力给先验候选。不适用于：跑算法训练、判算法收益（执行→ $quant-run，判读→ $algorithm-validation）。
判读 PTQ 算法收益（reviewer 用，只读不跑）：读 quant-run 跑出的 ppl_algo 与直转参考 ppl_direct，算 delta_gain、判该算法相对直转是否真改善。触发场景：PTQ 算法结果已出、要判相对直转的收益并给停 / 换算法 / 缩范围建议。不适用：跑 ptq / 评测命令（→ $quant-run）。