菜单
从用户 PyTorch/Python 代码中提取算子实现，构建为算子任务格式的标准化 任务文件。支持两种模式：单 case（单一自包含 .py，get_inputs 返回单组）和 多 case（.py + 同名 .json 配对，get_input_groups 返回多组）。 触发：当用户需要将 PyTorch/Python 代码提取并转换为标准化算子任务文件时使用。
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
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。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/ascend-ai-coding/awesome-ascend-skills --skill external-cannbot-ops-triton-task-extractor命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
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.
基于 SOC 职业分类
正在显示 SKILL.md
| name | external-cannbot-ops-triton-task-extractor |
| description | 从用户 PyTorch/Python 代码中提取算子实现，构建为算子任务格式的标准化 任务文件。支持两种模式：单 case（单一自包含 .py，get_inputs 返回单组）和 多 case（.py + 同名 .json 配对，get_input_groups 返回多组）。 触发：当用户需要将 PyTorch/Python 代码提取并转换为标准化算子任务文件时使用。 |
| argument-hint | 需要提供：1) 待优化的代码文件路径； 2) 可选：shape/dtype 信息来源文件路径（多 case 模式下，extractor 会自动发现 与 .py 同目录的同名 .json） |
| original-name | triton-task-extractor |
| synced-from | https://gitcode.com/cann/cannbot-skills |
| synced-date | 2026-05-26 |
| synced-commit | ac5bbd2b4cf427d011874e11f8d1e8b1bef66eda |
| license | UNKNOWN |
按以下优先级判定输入属于哪种模式（任一命中即定型）：
.py 已定义 get_input_groups() 函数 → 多 case 模式.py 同目录存在同名 .json 文件 → 多 case 模式下游 verify.py / benchmark.py 已内建判断（优先 get_input_groups、回落 get_inputs），
禁止将多 case 源降级为单 case 任务文件。
最终生成的文件必须是 单一自包含 Python 文件，仅包含以下 4 个部分：
import 区：只允许 torch / torch.nn / 标准库class Model(nn.Module)：包装待优化算子逻辑（含 __init__ 和 forward）def get_inputs()：返回 forward() 的输入参数列表def get_init_inputs()：返回 __init__() 的初始化参数列表输出 .py + .json 一对文件，两者必须同时复制到工作目录、保持同名同目录关系：
{op_name}.py：含 Model + get_input_groups() + get_init_inputs()，
其中 get_input_groups() 通过 os.path.dirname(__file__) 读取同目录 {op_name}.json{op_name}.json：JSONL 格式，每行一个 case 的输入规格详细格式规范见 @references/task-format.md
arch 配置（framework=torch、backend=ascend、dsl=triton_ascend 为固定值）Model.forward() 中Model.__init__()get_inputs() 和 get_init_inputs(){工作目录}/{op_name}.py核心原则：原样透传，不改写源码
.py → {工作目录}/{op_name}.py
get_input_groups、get_init_inputs 的任何逻辑.py 缺少 get_init_inputs（必需项），可补一个返回 [] 的实现.json → {工作目录}/{op_name}.json
.py 同目录发现同名 .json.py 同名同目录（不要改名、不要嵌套子目录），保证 os.path.dirname(__file__) 仍能定位get_inputs() 兼容层：下游 verify.py / benchmark.py 已优先调用
get_input_groups()，无需再注入使用本 skill 自带的验证脚本进行静态检查和运行时检查。
验证命令（使用 bash 工具执行）：
python3 <skill-path>/scripts/validate_task.py /abs/path/{op_name}.py --json
其中 <skill-path> 为本 skill 所在目录的绝对路径。
验证脚本检查项：
class Model(nn.Module)、forward、get_init_inputs 必需；
输入提供函数 get_inputs 或 get_input_groups 至少存在其一exec → Model(*get_init_inputs()) → 取输入提供方get_input_groups() → 遍历全部 groups，每组依次执行 forward + NaN/Inf + 一致性检查get_inputs() → 单 case 执行cases_tested / cases_passed结果处理：
[VALID] → 验证通过，进入 Step 5[INVALID] → 根据错误信息修复（多 case 模式禁止改成单 case 来"绕过"）；
最多重试 2 次多 case 模式注意：
__file__，因此 .json 必须已在目标位置cases_passed < cases_tested，说明部分 case 在参考实现下就跑不通，
应反馈给用户而非裁剪 cases⛔ 禁止事项：
验证通过后，必须使用 question 工具将完整的任务文件展示给用户，请求确认。
.json 行数 + 前 2 行示例）算子生成完成，请查看生成代码：
请选择：
- 接受
- <让用户输入修改要求>
具体要求：
question 工具，不能只打印文本让用户选择question 的描述中展示 .py 完整内容；多 case 模式下附 .json 摘要处理回复：
⛔ 禁止事项：
question 工具调用| 约束 | 说明 |
|---|---|
| 自包含 | 单 case：所有依赖函数必须内联；多 case：仅允许依赖同名 .json |
| 可执行 | 单 case：Model(*get_init_inputs())(*get_inputs()) 必须直接运行；多 case：对所有 groups 都必须可运行 |
| 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；多 case 模式下源 .py 整体原样透传 |
| 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） |
| 模式不可降级 | 含 get_input_groups 或同名 .json 的源必须走多 case 流程 |
用户说："/path/to/model.py 的 matmul_with_bias 函数有优化空间，shape 信息在 /path/to/config.py"
import torch
import torch.nn as nn
class Model(nn.Module):
def __init__(self, in_features: int, out_features: int):
super(Model, self).__init__()
self.weight = nn.Parameter(torch.randn(out_features, in_features))
self.bias = nn.Parameter(torch.randn(out_features))
def forward(self, x: torch.Tensor) -> torch.Tensor:
return torch.matmul(x, self.weight.t()) + self.bias
def get_inputs():
batch_size = 32
in_features = 1024
return [torch.randn(batch_size, in_features)]
def get_init_inputs():
in_features = 1024
out_features = 512
return [in_features, out_features]
用户说："/path/to/benchmarks/level430/1_LogicalAnd.py，多 shape 评测"
extractor 自动发现同目录 1_LogicalAnd.json（52 行 JSONL）。
{工作目录}/1_LogicalAnd.py # 复制源文件，不改一行
{工作目录}/1_LogicalAnd.json # 复制源 JSON，不改一行
验证脚本输出：cases_tested: 52, cases_passed: 52。