菜单
使用 AISS-TilingSolver 工具自动求解 Ascend C 算子（MatMul / Vector）的最优 Tiling 参数，包括下载安装、构造 JSON 输入、运行求解、结果解读与故障排查。触发：当用户使用 TilingSolver 工具求解时。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
基于 SOC 职业分类
| name | external-cannbot-ops-aiss-tiling-solver |
| description | 使用 AISS-TilingSolver 工具自动求解 Ascend C 算子（MatMul / Vector）的最优 Tiling 参数，包括下载安装、构造 JSON 输入、运行求解、结果解读与故障排查。触发：当用户使用 TilingSolver 工具求解时。 |
| original-name | aiss-tiling-solver |
| synced-from | https://gitcode.com/cann/cannbot-skills |
| synced-date | 2026-05-26 |
| synced-commit | ac5bbd2b4cf427d011874e11f8d1e8b1bef66eda |
| license | UNKNOWN |
指导用户使用 AISS-TilingSolver CLI 工具，为 Ascend C 算子自动求解最优 tiling 参数。
核心原则：引导用户使用 TilingSolver CLI 工具。不要自己手动计算 tiling、不要给通用的 GPU tiling 建议。唯一的任务就是帮用户正确调用工具并解读工具的输出。
# aarch64
curl -LO https://gitcode.com/HIT1920/TilingSolver/releases/download/latest/tiling_solver_aarch64
curl -LO https://gitcode.com/HIT1920/TilingSolver/releases/download/latest/platform_info_aarch64
mv tiling_solver_aarch64 tiling_solver
mv platform_info_aarch64 platform_info
# x86_64
curl -LO https://gitcode.com/HIT1920/TilingSolver/releases/download/latest/tiling_solver_x86_64
curl -LO https://gitcode.com/HIT1920/TilingSolver/releases/download/latest/platform_info_x86_64
mv tiling_solver_x86_64 tiling_solver
mv platform_info_x86_64 platform_info
chmod +x tiling_solver platform_info
tiling_solver — tiling 参数求解器（aarch64 / x86_64）platform_info — 硬件平台信息采集工具（aarch64 / x86_64）platform_info — 硬件平台信息采集工具环境要求：aarch64 或 x86_64 架构，glibc ≥ 2.38。
./platform_info
输出包含核心数、各级缓存容量、带宽等信息。
将第一步采集到的硬件参数填入 JSON，作为自定义平台参数。同时填入算子形状和数据类型。
./tiling_solver input.json
输出为 JSON，包含最优 tiling 参数。
{
"type": "matmul",
"M": 1024,
"N": 640,
"K": 256,
"a_dtype": "float16",
"b_dtype": "float16",
"c_dtype": "float32",
"has_bias": false,
"aic_core_num": 20,
"aiv_core_num": 40,
"L0A_SIZE": 65536,
"L0B_SIZE": 65536,
"L0C_SIZE": 131072,
"L1_SIZE": 524032,
"UB_SIZE": 196352,
"L2_SIZE": 176160768,
"HBM_SIZE": 34359738368,
"BT_SIZE": 1024,
"FP_SIZE": 2048,
"L0A_ALIGN": 512,
"L0B_ALIGN": 512,
"L0C_ALIGN": 64,
"UB_ALIGN": 32,
"FRACTAL_DIM": 16,
"DATABLOCK_SIZE": 32,
"L2_BW": 110,
"HBM_BW": 32,
"L1_TO_L0_BW": 64,
"FIXPIPE_BW": 64,
"GM_TRANSFER_GRANULARITY": 512,
"MIN_TRANSFER_FOR_PEAK_BW": 16384,
"CUBE_OPS_PER_CYCLE": 4096,
"optimize": true,
"timeout_ms": 10000
}
必填字段：type, M, N, K。其他有默认值。硬件参数从 platform_info 获取后填入。
输出字段：base_m, base_n, base_k（内层循环切块），single_core_m, single_core_n（每个核的 M/N 范围），step_ka, step_kb（K 方向 L1 缓冲步长），depth_a1, depth_b1（L1 缓冲深度），db_l0a, db_l0b, db_l0c（L0 双缓冲，1 或 2），iterate_order（0=M 优先，1=N 优先），solve_time_ms, status。
{
"type": "vector",
"total_length": 16384,
"dtype": "float16",
"num_inputs": 2,
"num_outputs": 1,
"temp_buf_dtypes": ["float32"],
"UB_SIZE": 196352,
"aiv_core_num": 40,
"optimize": true
}
必填字段：type, total_length。其他有默认值。同样建议从 platform_info 获取硬件参数。
输出字段：block_dim（AI Core 核数），tile_num（每核 tile 数），buf_num（缓冲数），tile_length（每 tile 元素数），solve_time_ms, status。
| 参数 | 类型 | 默认值 | 说明 |
|---|---|---|---|
optimize | bool | true | 是否用 cost model 搜索最优解 |
timeout_ms | int | 10000 | Z3 求解超时时间（毫秒） |
支持的数据类型：float16, float32, bfloat16, int8, int16, int32, int64, uint8, uint16, uint32, uint64, bool。也支持别名 fp16, fp32, bf16, i8, i16, i32, i64, u8, u16, u32, u64, half, float, double。
status: "ok" — 求解成功，参数可直接应用于算子实现status: "unsat" — 约束不可满足，当前 shape/dtype 在此硬件上无可行解status: "timeout" — Z3 求解超时，可尝试增大 timeout_ms 或关闭 optimizestatus: "error" — 输入参数非法或内部异常uname -m 查看平台（aarch64 / x86_64），下载对应版本timeout_ms（如 30000），或设 "optimize": false 获取可行解platform_info 获取硬件参数tiling_solver评估 CANN 算子仓的「进阶教程 / 开发指南」类文档质量——通读文档 + 对照算子代码**静态**查证(默认不跑),按五轴(找得到/信得过/学得会/可操作/读得懂)找出 漏讲/讲不清/过时/对不上代码/概念讲错,产出带证据与改进建议的体检报告(MD + HTML)。涉及「评进阶教程 / 开发指南文档质量 / 文档对不对得上代码 / 教程审稿 / tutorial 体检 / 文档信不信得过」等意图时使用。只评不改不跑,只对着文档与代码出诊断。
Run NPU inference/training tests on a remote SSH server with vllm-ascend Docker container. Use when the user asks to test models on NPU, run inference on Ascend devices, or deploy models to an SSH server.
Track daily PRs and Issues from vllm-project/vllm and vllm-project/vllm-ascend, filter by model (DeepSeek/Qwen/GLM/MiniMax/Kimi) and tech topics (PD disaggregation, MTP, quantization, graph mode, performance), analyze with LLM, and generate a Markdown report. Use when user wants vllm daily tracker, PR/Issue digest, or Ascend inference ecosystem monitoring.
Automatically fetch InferenceX benchmark data and generate daily performance reports for LLM inference on various hardware (NVIDIA, AMD, etc.). Supports email delivery, data change detection, and 8k1k sequence length performance analysis. Use when needing to track LLM inference performance trends, compare hardware configurations, or monitor benchmark updates.
通用 PyTorch 项目 Ascend NPU 迁移可行性分析。系统化扫描代码库中的 CUDA/GPU 依赖，按 7 大域分类评估（设备层、注意力机制、自定义算子、分布式通信、精度策略、第三方依赖、编译加速），并基于 Wan2.2 实际迁移经验提供逐项替代方案。适用于评估任何 DiT/Transformer 类模型（视频生成、LLM、多模态等）在昇腾 NPU 上的运行可行性与迁移工作量估算。
End-to-end AscendC custom operator development for Ascend NPU in an ascend-kernel (csrc/ops + build.sh + torch_npu PyTorch custom op) project. Use to design, generate, build, test, document, and tune a new AscendC operator from a name and a math/functional spec. Covers project init, two-level tiling design, op_host/op_kernel code generation, framework registration, compile/install/debug, PyTorch-style API docs, precision evaluation and root-cause debugging, torch_npu.profiler performance benchmarking, performance optimization, and security code review.