shmem-ops-skills

Plugin shmem-ops-skills from marketplace cannbot in hicann/cannbot-skills. Commands read from the repo's manifest — today.

Skills (23)

• aiss-tiling-solver

  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。

• ascendc-evolution-knowledge

  Domain knowledge base for AscendC evolution optimization covering hardware architecture, algorithm insights, API pitfalls, optimization patterns, proven solutions, and the OKF self-evolution knowledge base (discovered strategies / proven solutions / failure patterns) for A3 (910B) architecture. 当进行

• ascendc-evolution-report

  进化优化完成后自动生成标准化 HTML 可视化报告（全自动脚本生成，含自检，支持 ops-evo 和 lingxi-evo 两种 pipeline）。当进化轮次结束或需要汇总基线与各轮变体的性能对比、决策树与资源消耗时使用。

• ascendc-evolution-strategies

  AscendC kernel optimization strategy library with 292 strategies (175 curated P/D/A/R + 117 discovered X), supporting tiered retrieval, compatibility checking, and autonomous strategy discovery. 当需要为 AscendC kernel 选择优化策略、按瓶颈/算子族筛选策略、检查策略兼容性或登记进化发现的新策略时使用。

• ascendc-evolution-world-model

  World model decision tree tools and reference documentation for evidence-driven AscendC kernel evolution, providing CLI operations (select, validate, summary, deep-profiling) and schema/operations reference. 当进行证据驱动的 AscendC 内核进化优化，需要初始化、选择、验证、更新世界模型决策树或查询其 schema/操作规范时使用。

• ascendc-ops-evaluation

  从 ops-nn/cv/math/transformer 等算子仓库构建、部署并评估 AscendC 算子，比较基线与进化后的性能差异。当需要构建 ops 仓库算子、运行正确性验证与性能评测、或对比基线版本与进化版本差异时使用。

• pypto-pro-kernel

  Write, verify, debug and optimize native pypto_pro kernels on Ascend NPUs using @pl.jit, VF, SIMT and Cube APIs. Includes runnable examples, static checks and native-task timing. Use for kernel development rather than development of the PyPTO framework itself.

• shmem-ops-code-gen

  根据 design.md 生成基于 SHMEM 的算子代码、CMake、README 和目录结构。触发：用户需要基于 SHMEM 生成算子实现、kernel、CMake 或工程目录时使用。关键词：基于SHMEM代码生成、算子实现、code-gen、kernel、CMake。

• shmem-ops-code-review

  基于 SHMEM 的算子实现与设计一致性走读，生成 review-report.md。触发：用户需要检查 SHMEM 算子代码与 design.md 的一致性或进行代码审查时使用。关键词：基于SHMEM代码走读、code review、design review、一致性检查、走读。

• shmem-ops-compile-debug

  编译、运行和调试基于 SHMEM 的算子。触发：用户需要编译、运行 SHMEM 算子，或定位构建和运行失败时使用。关键词：基于SHMEM编译调试、compile、debug、build、运行、失败定位。

• shmem-ops-correctness-eval

  执行基于 SHMEM 的算子正确性契约验证并生成报告。触发：用户需要验证 SHMEM 算子结果、执行 case matrix 或检查精度时使用。关键词：基于SHMEM正确性验证、correctness、测试执行、精度验证。

• shmem-ops-design

  基于 SHMEM 设计通信算子与通算融合算子，将需求转化为 design.md。触发：用户需要分析通信算法、PE、内存、同步或制定 SHMEM 算子设计方案时使用。关键词：基于SHMEM算子设计、算子设计、设计文档、design、Canonical DSL、capability mapping。

• shmem-ops-dev

  基于 SHMEM 的通信算子与通算融合算子端到端开发编排器，串联需求→设计→代码→编译→验证→性能全流程。触发：用户需要端到端开发、验证、评测或优化 SHMEM 通信/通算融合算子时使用。关键词：基于SHMEM算子开发、端到端开发、算子开发、编排、工作流、通信算子、通算融合。

• shmem-ops-performance-eval

  基于 SHMEM 的算子性能采集、baseline 对比、瓶颈分析和性能报告生成。触发：用户需要采集 SHMEM 算子时延/带宽、对比 HCCL 或 aclnn baseline 时使用。关键词：基于SHMEM性能评估、性能采集、performance、baseline、bandwidth、性能报告。

• shmem-ops-performance-optim

  基于 SHMEM 的算子性能优化迭代，固定 5 轮机制优化，每轮输出 Δ% 对比。触发：用户需要定位 SHMEM 算子瓶颈、调优通信机制或执行自动性能优化时使用。关键词：基于SHMEM性能优化、调优、optimization、机制优化、性能调优。

• shmem-ops-testcase-gen

  为基于 SHMEM 的算子生成正确性测试计划、case matrix、golden/checker 和测试脚本。触发：用户需要设计 SHMEM 算子测试用例、case matrix、golden、checker 或测试脚本时使用。关键词：基于SHMEM测试用例、case matrix、golden、checker、gen_data、check_result。

• shmem-ops-torch-bind

  将基于 SHMEM 的算子封装为 PyTorch CustomClass，生成 Python 测试脚本并验证。触发：用户明确需要为 SHMEM 算子接入 Torch/PyTorch、生成绑定或执行 Torch 验证时使用。关键词：基于SHMEM的Torch接入、torch、PyTorch、CustomClass、torch_binding。

• tilelang2ascend-case-simplifier

  测试用例精简专家 Skill。读取 `{output_dir}` 中与算子对应的 `.json` 文件， 对其中的输入 cases（JSON Lines 格式，每行一个 `{"inputs": [...]}` 对象）进行精简， 使 case 数量尽量不超过 10 个，同时保证覆盖度。 当测试用例数量过多需要精简时，使用此 skill。 输入：output_dir 目录路径。 输出：精简后的 cases 已更新到对应的 `.json` 文件中。

• tilelang2ascend-operator-project-init

  初始化 AscendC 算子工程并创建可编译的算子骨架。触发场景：(1) 用户要求创建新算子；(2) 关键词：ascendc算子、新建算子、算子目录、算子初始化；(3) 需要基于 ascend-kernel 模板快速落地。本 skill 不只建目录，还输出“可继续开发”的标准文件与检查清单。

• tilelang2ascend-precision-tuning

  用于DumpTensor进行AscendC算子精度的调试。 Use when: - AscendC kernel / 算子精度失败，结果不对，数值错误，部分位置错误，或 NaN/Inf - 需要用 DumpTensor / dumptensor / dump tensor 看中间结果、GM/UB/Workspace 数据 - 需要分段定位 `Cube输入/中间/输出`、`Vector输入/中间/输出` 哪一段出问题

• tilelang2ascend-tilelang-designer

  TileLang kernel 设计调度 Skill。协调 tilelang-op-design（设计方法论）和 tilelang-op-develop（编码规范）， 完成 block-level 设计、tile-level 设计和 model_new_tilelang.py 生成， 并通过步骤 4（tilelang-perf-optimization 本体）完成测量驱动的性能迭代。 产物对接下游 AscendC translator 算子生成流程。 触发：当需要为复杂算子（Attention、MatMul 变体、Norm 变体、Sort、多输入融合）生成 TileLang kernel 设计

• tilelang2ascend-trace-recorder

  执行 trace 记录员 + 知识演进 Skill。在算子任务完成后，回顾整个执行过程， 生成结构化的 trace 记录（{output_dir}/trace.md），并从 trace.md 提取 "走偏点"与成功模式，经 cannbot-knowledge 的 ops-knowledge-ingest 标准路由 沉淀为 OKF (okf.v1) 知识卡写入共享知识库 runbooks/，供后续算子生成任务 经 knowledge-query 检索复用。当算子任务完成后需要记录执行过程 并进行知识演进时，使用此 skill。 输入：output_dir 目录路径、各阶段执行结果信息。 输出：{

• tilelang2ascend-translator

  AscendC kernel 转译与实现专家 Skill。将 TileLang 设计转译为 AscendC kernel， 并生成 model_new_ascendc.py 调用 AscendC kernel。 当 TileLang 设计完成需要转译为 AscendC kernel 时，使用此 skill。 输入：output_dir 目录路径（包含 tile_level/ 和 model_new_tilelang.py）。 输出：kernel/ 下的 AscendC 实现、model_new_ascendc.py。

Similar plugins