메뉴
Ascend C 算子测试设计技能，基于aclnn接口md资料完成算子测试用例设计。当需要（1）设计算子测试用例、（2）编写测试计划（plan.yaml）、（3）分析算子参数和依赖关系、（4）提取测试因子、（5）生成测试用例组合时使用此技能。
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 | ascendc-st-design |
| description | Ascend C 算子测试设计技能，基于aclnn接口md资料完成算子测试用例设计。当需要（1）设计算子测试用例、（2）编写测试计划（plan.yaml）、（3）分析算子参数和依赖关系、（4）提取测试因子、（5）生成测试用例组合时使用此技能。 |
本技能提供 Ascend C 算子测试设计的完整工作流程，基于aclnn测试框架进行算子功能和精度验证。
在项目根目录下查找算子资料 {operator_name}.md 文件；或者指定文件路径。
所有测试设计结果统一存放到项目根目录的 result/ 下：
{项目根目录}/
└── result/
└── {operator_name}/
├── 03_参数定义.yaml
├── 04_测试因子.yaml
├── 05_约束定义.yaml
├── 06_求解配置.yaml
├── 07_因子值.csv
├── L0_test_cases.csv
├── L0_coverage_report.yaml
└── L1_test_cases.csv
路径变量：
PROJECT_ROOT：项目根目录（执行脚本时的工作目录）RESULT_DIR：{PROJECT_ROOT}/result/{operator_name}/根据参数类型（aclTensor/aclScalar/int8_t等）定义参数规范。
详细规范：参考 parameter-definition.md
关键要点：
name、type、required、io_type 属性io_type 字段：标识参数的输入输出类型
input：输入参数（需准备测试数据）output：输出参数（无需定义value_range和special_range/special_value）format、dimensions、dtype_with_rangesis_enum、dtype_with_valuesvalue_range 和 special_range/special_value必须覆盖的取值范围：
references/parameter-definition.md 中的默认值定义定义步骤：
示例：
float16 全量默认值示例：
- dtype: "float16"
value_range: [[0, 0.001], [0.001, 0.01], [0.01, 1], [1, 2], [2, 10], [10, 1000], [-0.001, 0], [-0.01, -0.001], [-1, -0.01], [-2, -1], [-10, -2], [-1000, -10], [-1, 1], [-0.01, 0.01], [-100, 100], [0, 0], [-65504.0, 65504.0], [-0.0078125, 0.0078125], [65504.0, 65504.0], [-65504.0, -65504.0], [-6.103515625e-05, -6.103515625e-05], [6.103515625e-05, 6.103515625e-05], ["inf", "inf"], ["-inf", "-inf"], ["nan", "nan"]]
推荐方式：使用 generate_test_factors.py 脚本自动提取
# 在项目根目录下执行
python skills/ascendc-st-design/scripts/generate_test_factors.py <参数定义.yaml> <测试因子.yaml>
# 示例
python skills/ascendc-st-design/scripts/generate_test_factors.py \
result/{operator_name}/03_参数定义.yaml \
result/{operator_name}/04_测试因子.yaml
脚本功能：
解析输入资料，理解算子的数学公式及计算逻辑，提取 GetWorkspaceSize 接口中950系列产品支持的参数、参数取值范围和参数依赖关系。
详细规范：参考 dependency-yaml-spec.md
在识别因子依赖关系时，按以下优先级进行分析：
数据类型依赖
形状依赖
数值依赖
存在性依赖
文件结构：
metadata: operator: "{operator_name}" version: "1.0" description: "{operator_name}算子约束关系定义"
factors: {param}.{attribute}: {type: {type}, param: {param}, io_type: {io_type}}
constraints:
因子节点是约束系统的基本单元，代表一个可测试的属性。
# 因子节点标识规范
{id}: "{parameter}.{attribute}"
属性类型：
| 属性 | 说明 | 示例 |
|---|---|---|
dtype | 数据类型 | self.dtype |
dimensions | 维度 | self.dimensions |
shape | 张量形状 | batch1.shape |
value | 枚举值 | cubeMathType.value |
format | 数据格式 | input.format |
exist | 存在性 | bias.exist |
| 类型 | 语义 | 表达式示例 | 说明 |
|---|---|---|---|
calculate | 计算约束 | target = expr(sources) | 通用计算，sources 不可为空 |
broadcast_dim | 指定维度广播 | 维度兼容性检查 | 单维度广播约束 |
broadcast_shape | 张量广播 | 形状兼容性检查 | 完整形状广播约束，支持单向/双向模式 |
conditional | 条件约束 | if-then-else 分支 | - |
match | 匹配约束 | 维度/属性匹配 | 双向约束，与 calculate 语义不同 |
existential | 存在性约束 | 可选参数联动 | - |
convertible | 可转换约束 | 类型兼容性检查 | - |
inferable_filter | 链式依赖约束 | 多Tensor类型互推导 | - |
inferable | 可推导约束 | 类型推导检查 | - |
约束类型设计原则：
calculate 是通用计算约束，等值场景使用 expression: "sources[0]"match 是双向约束，calculate 是单向计算，语义不同不应合并broadcast_dim 用于单维度广播，broadcast_shape 用于完整形状广播cubeMathType.enum_values: [0, 1, 2, 3]）已在 04_测试因子.yaml 中定义，无需添加约束重要限制：
broadcast_shape 不支持 source_shape_expr 字段（派生形状表达式）# 类型约束：等值（使用 calculate）
- id: "TYPE-002"
type: calculate
sources: ["self.dtype"]
target: "out.dtype"
expression: "sources[0]"
description: "输出类型等于self类型"
# 形状约束：计算
- id: "SHAPE-001"
type: calculate
sources: ["batch1.shape", "batch2.shape"]
target: "out.shape"
expression: "[sources[0][1], sources[1][2]]"
description: "out.shape = [M, N]"
# 形状约束：指定维度广播
- id: "BCAST-001"
type: broadcast_dim
sources: ["batch1.shape"]
source_index: 0
target: "batch2.shape"
target_index: 1
description: "batch1[0]与batch2[1]需满足广播关系"
# 形状约束：张量广播 - 单向
- id: "BCAST-002"
type: broadcast_shape
sources: ["out.shape"]
target: "bias.shape"
mode: unidirectional
description: "bias.shape可广播到out.shape"
# 形状约束：张量广播 - 双向
- id: "BCAST-003"
type: broadcast_shape
sources: ["x.shape"]
target: "y.shape"
mode: bidirectional
description: "x.shape和y.shape双向广播"
# 形状约束：广播到派生形状（两步约束模式）
# 场景：self.shape 需广播到 [batch1.shape[1], batch2.shape[2]]
# ❌ 错误写法：broadcast_shape 不支持 source_shape_expr
# - id: "BCAST-004"
# type: broadcast_shape
# sources: ["batch1.shape", "batch2.shape"]
# target: "self.shape"
# mode: unidirectional
# source_shape_expr: "[sources[0][1], sources[1][2]]" # ❌ 不支持
# ✅ 正确写法：使用两步约束
# 步骤1：计算派生形状
- id: "BCAST-004-CALC"
type: calculate
sources: ["batch1.shape", "batch2.shape"]
target: "_broadcast_target.shape"
expression: "[sources[0][1], sources[1][2]]"
description: "计算广播目标形状 [M, N]"
# 步骤2：检查广播兼容性
- id: "BCAST-004-BCAST"
type: broadcast_shape
sources: ["_broadcast_target.shape"]
target: "self.shape"
mode: unidirectional
description: "self.shape可广播到[M, N]"
# 维度约束：匹配
- id: "MATCH-001"
type: match
sources: ["batch1.shape"]
source_index: 2
target: "batch2.shape"
target_index: 1
description: "K维度匹配: batch1[2] == batch2[1]"
# 类型约束：可转换
- id: "C-TYPE-004"
type: convertible
sources: ["self.dtype"] # 目标类型（转换终点）
target: "beta.dtype" # 源类型（需要可转换到目标）
target_domain: ["float32", "float16", "int32", "int64", "bool"] # 可选：限制候选域
description: "beta类型需要可转换成self类型"
# 链式依赖（推荐）：多个Tensor类型需满足互推导关系（如 batch1.dtype, batch2.dtype, self.dtype）
# Step 1: batch1.dtype 作为锚点（Level 0 独立采样）
# Step 2: Level 1 推导
- id: "C-TYPE-001"
type: inferable_filter
sources: ["batch1.dtype"]
target: "batch2.dtype"
target_domain: ["float32", "float16", "bfloat16"]
description: "batch2.dtype 需与 batch1.dtype 兼容"
# Step 3: Level 2 推导
- id: "C-TYPE-002"
type: inferable_filter
sources: ["batch1.dtype", "batch2.dtype"]
target: "self.dtype"
target_domain: ["float32", "float16", "bfloat16"]
description: "self.dtype 需与 (batch1, batch2) 的推导结果兼容"
推荐方式：使用 generate_implicit_constraints.py 脚本自动生成
# 在项目根目录下执行
python skills/ascendc-st-design/scripts/generate_implicit_constraints.py <测试因子.yaml> <约束定义.yaml>
# 示例
python skills/ascendc-st-design/scripts/generate_implicit_constraints.py \
result/{operator_name}/04_测试因子.yaml \
result/{operator_name}/05_约束定义.yaml \
--verbose
脚本功能：
通用依赖规则：
Tensor 输入：{param}.shape 依赖于 {param}.dimensions
所有输入：{param}.value_range 依赖于 {param}.dtype
非 Tensor 且非枚举类型：{param}.value 依赖于 {param}.value_range
命令行参数：
usage: generate_implicit_constraints.py [-h] [--verbose]
factors_file constraints_file
参数说明:
factors_file 测试因子YAML文件（04_测试因子.yaml）
constraints_file 约束定义YAML文件（05_约束定义.yaml）
推荐方式：使用 generate_solver_config.py 脚本自动生成
# 在项目根目录下执行
python skills/ascendc-st-design/scripts/generate_solver_config.py <约束定义.yaml> <求解配置.yaml>
# 示例
python skills/ascendc-st-design/scripts/generate_solver_config.py \
result/{operator_name}/05_约束定义.yaml \
result/{operator_name}/06_求解配置.yaml
脚本功能：
输出示例：
solver:
strategy: topological
anchors:
- batch1.dtype
- batch1.shape
- self.dtype
# ...
derivation_order:
level_0: [batch1.dtype, batch1.shape, self.dtype, ...]
level_1: [alpha.dtype, batch2.shape, beta.dtype, out.dtype]
level_2: [out.shape]
推荐方式：使用 generate_factor_values.py 脚本自动生成满足约束的测试因子值
# 在项目根目录下执行
python skills/ascendc-st-design/scripts/generate_factor_values.py <求解配置.yaml> <约束定义.yaml> <测试因子.yaml> <输出.csv> [选项]
# 示例
python skills/ascendc-st-design/scripts/generate_factor_values.py \
result/{operator_name}/06_求解配置.yaml \
result/{operator_name}/05_约束定义.yaml \
result/{operator_name}/04_测试因子.yaml \
result/{operator_name}/07_因子值.csv \
--max-cases 10000
脚本功能：
约束求解流程：
命令行参数：
usage: generate_factor_values.py [-h] [--max-cases N] [--seed N] [--verbose] solver_config constraints factors output
参数说明:
solver_config 求解配置YAML文件（06_求解配置.yaml）
constraints 约束定义YAML文件（05_约束定义.yaml）
factors 测试因子YAML文件（04_测试因子.yaml）
output 输出的CSV文件（07_因子值.csv）
--max-cases 最大用例数（默认10000）
--seed 随机数种子（用于复现结果）
--verbose 详细输出模式
输出示例：
case_id,batch1.dtype,batch1.shape,batch2.dtype,batch2.shape,self.dtype,self.shape,out.dtype,out.shape
0,float16,"[10, 3, 4]",float16,"[10, 4, 5]",float16,"[3, 5]",float16,"[3, 5]"
1,float32,"[5, 2, 3]",float32,"[5, 3, 4]",float32,"[2, 4]",float32,"[2, 4]"
2,bfloat16,"[1, 8, 16]",bfloat16,"[1, 16, 32]",bfloat16,"[8, 32]",bfloat16,"[8, 32]"
推荐方式：使用统一的 generate_test_cases.py 脚本
python scripts/generate_test_cases.py <参数定义.yaml> <测试因子.yaml> <因子值.csv> <输出目录> --level <L0|L1> [选项]
测试用例生成示例（分步执行L0和L1）：
注意：由于 L0 和 L1 算法复杂度较高，建议分两步执行，并设置 5分钟超时。
# 在项目根目录下执行
# 步骤1: 生成 L0 用例（单因子覆盖，≤200条）
python skills/ascendc-st-design/scripts/generate_test_cases.py \
result/{operator_name}/03_参数定义.yaml \
result/{operator_name}/04_测试因子.yaml \
result/{operator_name}/07_因子值.csv \
result/{operator_name}/ \
--level L0 \
--verbose
# 步骤2: 生成 L1 用例（两两组合覆盖，500~700条）
python skills/ascendc-st-design/scripts/generate_test_cases.py \
result/{operator_name}/03_参数定义.yaml \
result/{operator_name}/04_测试因子.yaml \
result/{operator_name}/07_因子值.csv \
result/{operator_name}/ \
--level L1 \
--target-count 500 \
--seed 42 \
--verbose
超时设置：在调用 Bash 工具时设置 timeout=300000（5分钟）
脚本功能：
命令行参数：
必需:
--level {L0,L1} [...] 用例级别（必填，支持多个）
L0: 单因子覆盖（≤200条）
L1: 两两组合覆盖（500~700条）
可选:
--aclnn-name NAME 算子名称（默认从参数定义中提取）
--target-count N L1目标用例数量（默认500，仅L1有效）
【L0使用此参数会报错退出】
--seed N 随机数种子（用于复现L1补齐，仅L1有效）
【L0使用此参数会报错退出】
--report-output FILE 覆盖度报告文件名（默认: {level}_coverage_report.yaml）
批量生成时自动添加级别前缀（L0_, L1_）
--case-output FILE 测试用例文件名（默认: {level}_test_cases.csv）
批量生成时自动添加级别前缀（L0_, L1_）
--verbose 详细输出模式
用例生成流程：
L0流程：
L1流程：
输出文件： 批量（--level L0 L1）：
L0_coverage_report.yaml, L0_test_cases.csvL1_coverage_report.yaml, L1_test_cases.csv在 result 目录总结算子测试设计过程与结果：
参考官方文档和算子API说明，编写参数定义文件。
python skills/ascendc-st-design/scripts/generate_test_factors.py
result/{operator_name}/03_参数定义.yaml
result/{operator_name}/04_测试因子.yaml
python skills/ascendc-st-design/scripts/generate_implicit_constraints.py
result/{operator_name}/04_测试因子.yaml
result/{operator_name}/05_约束定义.yaml
--verbose
python skills/ascendc-st-design/scripts/generate_solver_config.py
result/{operator_name}/05_约束定义.yaml
result/{operator_name}/06_求解配置.yaml
python skills/ascendc-st-design/scripts/generate_factor_values.py \
result/{operator_name}/06_求解配置.yaml \
result/{operator_name}/05_约束定义.yaml \
result/{operator_name}/04_测试因子.yaml \
result/{operator_name}/07_因子值.csv \
--max-cases 10000 \
--seed 42
注意：建议分两步执行 L0 和 L1，避免超时
# 步骤7.1: 生成 L0 用例（超时设置: 5分钟）
python skills/ascendc-st-design/scripts/generate_test_cases.py \
result/{operator_name}/03_参数定义.yaml \
result/{operator_name}/04_测试因子.yaml \
result/{operator_name}/07_因子值.csv \
result/{operator_name}/ \
--level L0 \
--verbose
# 步骤7.2: 生成 L1 用例（超时设置: 5分钟）
python skills/ascendc-st-design/scripts/generate_test_cases.py \
result/{operator_name}/03_参数定义.yaml \
result/{operator_name}/04_测试因子.yaml \
result/{operator_name}/07_因子值.csv \
result/{operator_name}/ \
--level L1 \
--target-count 500 \
--seed 42 \
--verbose
Profile PyPTO kernels in-core with the Ascend msprof op-simulator — cycle-accurate per-kernel traces. Use when the user wants to profile a built case, inspect kernel timing or instruction streams, or generate MindStudio Insight traces.
Tune cube/matmul tile sizes (row tile, N fragment, K fragment) for a PyPTO kernel — analytic hints, an on-chip buffer constraint model, and an empirical device sweep. Use when optimizing a matmul/cube's throughput, sizing the row / N / K tiles, resolving Mat (L1) / L0C / UB buffer overflows, or trading one tile dim for another.
Locate which pypto commit introduced a precision regression. Only pypto and its corresponding simpler (submodule) are tracked — ptoas and pto-isa versions are not part of the bisect. If the culprit is a simpler submodule bump, performs a second-level bisect within simpler.
Reproduce a reported problem, collect dependency versions, and create a GitHub issue. Use when the user wants to file a bug, request a feature, or create any GitHub issue.
Ascend C 开发资源索引（本地+在线）。提供：(1) 本地 API 文档索引、示例代码映射，(2) 在线文档搜索功能，(3) 资源查找优先级，(4) Explore Agent 使用指南。优先使用本地资源，仅在本地检索不到时使用在线搜索。
Complete git commit workflow including pre-commit checks, staging, message generation, and verification. Use when creating commits or preparing changes for commit.