菜单
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）。
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。
**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。
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）。
导出 deploy-ready 量化模型目录（HuggingFace safetensors 权重）+ 按模板补齐 deploy_quantization.md 交付文档。触发场景：已明确 模型/quant_target/bit/dtype，要把直转或 PTQ 结果导出给 infer 仓等下游消费。不适用于：模型适配、方案/算法推荐、跑 PTQ、判精度（各→对应 skill）。
| name | algorithm-recommendation |
| description | 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）。 |
为已适配模型推荐下一步值得尝试的量化算法（只推荐、不跑实验）：回答“先试哪一类 / 哪个具体算法、各适合什么掉点特征与模块、先试失败切哪个更合理”。支持两种输入：已知直转结果（有 ppl/delta，按掉点 + 目标模块推荐）或 先验推荐（无直转结果，据 casebook + 结构 + 仓库算法能力给候选）。不负责：运行算法实验、产出 ppl/delta、误差定位、下“最终最优算法”结论。
$quant-workflow。.agents/docs/casebook/... 对应系列 README.md<series>/<case>.mdregister_algorithms() 实际 import 的为准 = autoround / lac / lwc / omniquant（gptq/awq/mxfp 视分支移植，先确认在 ALGO_REGISTRY）；别用 grep amct_pytorch/algorithms 命中名册判定可用——classic 图量化 path 列了 gptq/awq 等但 LLM PTQ 不走，据此选会运行期 KeyError: '...' is not registered in 'algo'。可用算法 = new-path ALGO_REGISTRY 已注册的四个（register_algorithms() 实际 import），按类型理解：
weight 类：lwc、autoroundactivation 类：lacstructure 类：omniquant不要推荐以下未注册算法：
awq/gptq/svdquant/smoothquant/flatquant/learnable_had（源在 AMCT-Q，需分支移植后才进ALGO_REGISTRY；当前--algos传入会运行期KeyError: '...' is not registered in 'algo'）。upstream 示例脚本里出现这些名字也不代表可用。
推荐时必须考虑当前模块类型和 registry targets 是否匹配。
dense / moe / packed-expert / special-attnseq_len、granularitycasebook 是否已有算法经验outputs/ 或日志里是否已有同模型、同模块、同口径的算法结果weight 类算法activation 类算法structure 类算法$scheme-recommendation。$model-adapter。targets 乱配算法。结束时必须给出一张“量化算法推荐卡”，至少包含下面字段：
输入模式当前背景已有直转结果候选算法首推算法推荐理由适用条件主要风险后续验证建议证据强度# 量化算法推荐卡
## 输入模式
- 已知直转结果 / 先验经验推荐
## 当前背景
- 模型名称：
- 模型系列：
- 结构标签：
- 目标模块：
- 评测口径：
## 已有直转结果
- `ppl_bf16`：
- `ppl_quant`：
- `delta`：
- 当前主要问题：
## 候选算法
- 候选算法 A（首推）：
- 算法名：
- `targets`：
- 适用原因：
- 预期成本：
- 主要风险：
- 候选算法 B（保守）：
- 算法名：
- `targets`：
- 适用原因：
- 预期成本：
- 主要风险：
- 候选算法 C（激进）：
- 算法名：
- `targets`：
- 适用原因：
- 预期成本：
- 主要风险：
## 首推算法
- 算法名：
- 适用模块：
- 适用掉点特征：
- 为什么先试它：
## 推荐理由
- 同系列经验：
- 结构相似性：
- 与当前问题的匹配性：
- 如果失败，下一步是否容易切换：
## 适用条件
- 前置条件 1：
- 前置条件 2：
- 前置条件 3：
## 主要风险
- 风险 1：
- 风险 2：
- 风险 3：
## 后续验证建议
- 首轮验证应固定哪些变量：
- 如果验证成功：
- 如果验证失败：
## 证据强度
- 强 / 中 / 弱
- 判断理由：