op-task-extractor

name	op-task-extractor
description	从用户提供的代码或自然语言描述，构建标准化的单文件自包含任务代码。
argument-hint	需要提供：1) 用户代码文件路径或自然语言描述；2) 可选：shape/dtype 信息来源文件路径

What I do

将用户的输入（代码文件或自然语言描述）转化为标准格式的 {op_name}.py 任务文件，并通过验证脚本确认可执行。

When to use me

需要为后续算子生成工作流准备标准化任务文件时

Workflow

Step 1  判断输入类型
  ├─ 用户提供了符合格式要求的代码文件 → 保存为 {op_name}.py → Step 4（验证）
  │     ├─ 通过 → 返回（任务结束）
  │     └─ 失败 → Step 2（分析并重写）
  └─ 用户提供自然语言描述 → Step 2
Step 2  代码分析 & 依赖追踪
Step 3  构建 {op_name}.py（参考末尾「输出格式」）
Step 4  运行验证脚本（必须执行）
Step 5  用户确认

Step 1: 判断输入类型

• 用户提供了符合格式要求的代码文件 → 直接保存为 {op_name}.py，跳到 Step 4 运行验证脚本
• 其他 → 进入 Step 2

Step 2: 代码分析 & 依赖追踪

• 读取用户确认的 framework, backend, arch 配置
• 如有源代码：
  • 识别待优化部分，提取 shape/dtype 信息，确定输入/输出签名
  • 分析依赖关系（AST 级别），追踪自定义函数/类，确定需要内联的外部依赖
• 如为自然语言描述：
  • 从描述中理解算子语义，确定合理的 shape/dtype 默认值

Step 3: 构建 {op_name}.py

按末尾「输出格式」生成文件，用 PyTorch/Python 实现：

• 将算子逻辑包装到 Model.forward() 中
• 如有初始化状态（权重、参数），放入 Model.__init__()
• 将所有自定义依赖内联到文件中
• 根据 shape/dtype 信息构建 get_inputs() 和 get_init_inputs()
• 如用户未提供 shape/dtype，从代码上下文推断合理默认值

Step 4: 运行验证脚本（必须执行）

使用命令模板执行 @scripts/validate_kernelbench_task.py：

python <本skill绝对路径>/scripts/validate_kernelbench_task.py \
  /abs/path/{op_name}.py --json

验证脚本同时执行静态检查（4 个组件齐全）和运行时检查（实例化、前向传播、NaN/Inf、一致性）。

结果处理：

• 输出 [VALID] + 来源是 Step 1 的用户原始文件 → 直接返回，任务结束
• 输出 [VALID] + 来源是 Step 3 新生成的文件 → 进入 Step 5
• 输出 [INVALID] → 根据错误信息修复代码，重新验证（最多 2 次）
• 重试 3 次仍失败 → 向用户报告错误，请求协助

Step 5: 用户确认

任务描述文件内容非用户提供的原始代码时，必须执行

将完整的 {op_name}.py 内容展示给用户，使用 question 工具请求确认。 不通过则结合用户反馈返回 Step 3。

---

关键约束

约束	说明
自包含	所有依赖函数必须内联，禁止 import 项目内模块
可执行	Model(*get_init_inputs()).forward(*get_inputs()) 必须直接运行
确定性	给定相同输入，输出必须一致
无 NaN/Inf	forward 输出不能包含 NaN 或 Inf
禁止重写	原始函数可运行就直接复用，一行都不改
返回一致	返回类型/形状必须与原始实现一致
合理输入	get_inputs 应提供合理大小的输入（不能过小或过大）

---

输出格式

最终文件必须是单一自包含 Python 文件，包含以下 4 个部分：

# 1. Imports 区（只允许标准库和 PyTorch 相关包）
import torch
import torch.nn as nn

# 2. Model 类
class Model(nn.Module):
    def __init__(self, <init_params>):
        super(Model, self).__init__()

    def forward(self, <forward_inputs>) -> torch.Tensor:
        return output

# 3. get_inputs()：返回 forward() 的输入参数列表
def get_inputs():
    input1 = torch.randn(batch_size, dim)
    input2 = torch.randn(batch_size, dim)
    return [input1, input2]

# 4. get_init_inputs()：返回 __init__() 的初始化参数列表
def get_init_inputs():
    return [dim_value]