菜单
量化执行 skill（implementer 用）：按已确认方案跑全部实际量化命令——直转评测 / 校准数据提取 / PTQ 算法训练 / PTQ 结果评测，按 algo 参数化（直转无 algo；PTQ 走 lwc/lac/omniquant/autoround）。触发场景：方案已确认后执行 eval / extract_ptq_data / ptq / 结果评测。不适用：判达标（→ $direct-quant-eval / $algorithm-validation）、设计方案（→ $scheme-recommendation）、改 adapter（→ $model-adapter）。
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。
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）。
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）。
| name | quant-run |
| description | 量化执行 skill（implementer 用）：按已确认方案跑全部实际量化命令——直转评测 / 校准数据提取 / PTQ 算法训练 / PTQ 结果评测，按 algo 参数化（直转无 algo；PTQ 走 lwc/lac/omniquant/autoround）。触发场景：方案已确认后执行 eval / extract_ptq_data / ptq / 结果评测。不适用：判达标（→ $direct-quant-eval / $algorithm-validation）、设计方案（→ $scheme-recommendation）、改 adapter（→ $model-adapter）。 |
implementer 的统一执行 skill：把"跑命令拿数 / 出产物"的所有重活收在这里——直转评测、校准数据提取、PTQ 训练、PTQ 结果评测，按 --algos 参数化覆盖直转与各 PTQ 算法。
只执行与记录，不判达标：delta 是否达标、PTQ 相对直转是否真改善，由 quant-reviewer 判读；第一轮方案 / 算法选择由 quant-analyzer 设计；本 skill 不改 adapter 逻辑、不改方案。
按需先读：../references/direct-quant.md；PTQ 升级读 ../references/ptq-escalation.md。
以 examples/eval.sh 为权威评测模板，不要凭空拼命令。四类命令：
# 1) 直转评测（无 algo）
python -m amct_pytorch.eval --model <path> --model_name <name> --device npu:N \
--granularity block --eval_mode quant --quant_target <mlp|moe|attn-linear|attn-cache> \
--quant_dtype <int|mxfp> --bit_config amct_pytorch/configs/<wXaY>.yaml --seq_len 4096
# 2) 校准数据提取（PTQ 前置）
python -m amct_pytorch.extract_ptq_data --model <path> --model_name <name> --device npu:N \
--quant_target <target> --nsamples 128 --data_dir <dir> --granularity block
# 3) PTQ 算法训练
python -m amct_pytorch.ptq --model <path> --model_name <name> --device npu:N --quant_target <target> \
--quant_dtype <int|mxfp> --bit_config <yaml> --algos <algo> \
--data_dir <dir> --<param_dir_flag> <param_dir> --granularity block
# 4) PTQ 结果评测（加载训练参数）
python -m amct_pytorch.eval --model <path> --model_name <name> --device npu:N \
--granularity block --eval_mode quant --quant_target <target> --quant_dtype <int|mxfp> \
--bit_config <yaml> --algos <同 ptq> --<param_dir_flag> <param_dir> --seq_len 4096
bf16 baseline = 命令 1 把 --eval_mode 换 bf16。
<param_dir_flag> 按 quant_target 取（无 --mlp_param_dir）：mlp / moe → --moe_mlp_param_dir（二者共用）；attn-linear → --attn_linear_param_dir；attn-cache → --attn_cache_param_dir。ptq 与对应 eval/deploy 用同一个。
--model_name 必填（已注册适配器名；缺失会默认 deepseek 误用）。--granularity block 必填（默认 model 不真量化、给假"无掉点"）。--quant_dtype 在 quant 模式必填（缺报 KeyError: '' is not registered in 'dtype'）。--algos 一致性：加载 PTQ 参数（评测 与 deploy 都）必带与 ptq 训练一致的 --algos，否则加载侧 quant 模块不构建 weight_quantizer.algorithms.<algo> 子模块、load_module 报 KeyError: Submodule '...algorithms.<algo>' is not found。ALGO_REGISTRY：当前 = autoround / lac / lwc / omniquant（gptq/awq/mxfp 视分支移植）；跑前确认算法在 new-path（忽略 classic 图量化名册，详见 L1 cross-model-pitfalls.md）。--quant_target 聚焦一个角色；多角色分别跑、分别给 --*_param_dir。HF_ENDPOINT 镜像 / 用 modelscope / 指本地数据路径（或调用方自备 wrapper patch get_wikitext2/get_pileval）；仍不可达按 progress 协议写 BLOCKED 停下，不臆造继续。extract_ptq_data 把校准数据写到 --data_dir（不是 --output_dir！），与对应 ptq --data_dir <D> 必须是同一个 --data_dir；产物名 block_<idx>_<target>_in.pkl。报 PTQ input file not found: <dir>/block_*_<target>_in.pkl → 先核对 extract 与 ptq 的 --data_dir 是否同一目录、find -name 'block_*_in.pkl' 确认真实位置，不要直接判 extract 未生成 / 有 bug（同 --algos：漏检自身用法别甩锅框架）。大模型 eval（30B+/35B 单段 ~20min+）、PTQ 训练（~1min/层）会超过 agent 单条 Bash 超时上限（如 ~600s）被杀。必须后台跑 + 轮询：nohup <命令> > run.log 2>&1 & 启动（Bash 立即返回、不计超时），再用多次短 Bash 调用 grep -E "PPL:|Error|Saved" run.log + ps -p <pid> 轮询到结束；不要一条命令既启动又阻塞等到结束。PTQ 被中断用 --start_block_idx <下一未完成层> 续跑（逐层存参不重复）。
PPL: 数值，写 progress（不判达标）。--data_dir。layer_*_<target>.pt，核对层数 ×（MoE 时 expert 数）齐全；缺层则该层 deploy 会 fallback 直转。quant-analyzer。把每步命令摘要、产物路径、ppl_bf16 / ppl_quant / ppl_algo、是否 crash 写入 progress 工作区，并更新顶部状态块 STATUS（达标与否、是否交付由 quant-reviewer 判读后定）。