How to use
- Copy the installation command and review the source package before installing it in your own agent environment.
- Check the source document for required tools, credentials and supported hosts.
- Describe your input and desired deliverable; review the output against the source material.
npx skills add https://github.com/ascend/agent-skills --skill triton-operator-devBefore you start
- Installation does not include a model subscription, API allowance or permission to access your files.
- Repository stars and installation counts describe activity, not an independent quality or security test.
Original skill document
Rendered from the source repository. Headings, examples, code, tables, links, and referenced images are preserved.
Triton 算子全流程开发
工作流概览
构建 Triton 算子分 7 个阶段（含 1 个条件阶段）：
| # | 阶段 | 产出 | Skill | 是否可跳过 |
|---|---|---|---|---|
| 1 | 环境配置 | 环境验证报告 | triton-operator-env-config | 是：torch/torch_npu/triton 已可用 |
| 2 | 需求设计 | 设计文档 | triton-operator-design | 是：用户已提供完整设计文档 |
| 3 | 代码生成 | kernel + smoke test | triton-operator-code-gen | 否 |
| 4 | 静态检视 | 检视报告 | triton-operator-code-review | 否 |
| 5 | 精度验证 | 精度报告 | triton-operator-precision-eval | 否 |
| 6 | 性能评估 | 性能报告 + ratio | triton-operator-performance-eval | 否 |
| 7 | 性能优化 | 优化后代码 | triton-operator-performance-optim | 条件：ratio ≥ 目标则跳过 |
⚠️ 核心约束
- 必须走完全流程：阶段 3-6 不可跳过，不可在代码生成后停止
- 用 TaskCreate 跟踪进度：每阶段一个 Task，进入时
in_progress，完成后completed - 精度通过前不做性能优化（precision-eval 的核心原则）
- 输出最终报告：精度结果 + 性能 ratio + 优化历史 + 结论
场景路由
| 用户意图 | 正确做法 |
|---|---|
| "开发一个算子"、"从零开发" | 本 skill 全流程 |
| "帮我写算子代码" | 不用本 skill，直接 triton-operator-code-gen |
| "优化算子性能" | 不用本 skill，直接 triton-operator-performance-optim |
| "检查算子精度" | 不用本 skill，直接 triton-operator-precision-eval |
阶段执行要点
阶段 1-2：环境 + 设计（可跳过）
跳过判断：
- 阶段 1 跳过条件：能
import torch, torch_npu, triton且torch.npu.is_available() - 阶段 2 跳过条件：用户已提供设计文档（如
docs/context/*.md）或直接给出算子 API 规格
阶段 3：代码生成
调用 Skill(triton-operator-code-gen)。此阶段只生成代码和 smoke test，不运行。
进入下一阶段前：kernel 代码 + 测试文件已写入磁盘
阶段 4：静态检视
调用 Skill(triton-operator-code-review)。此阶段只静态分析，不运行。
进入下一阶段前：P0/P1 问题已修复
阶段 5：精度验证（MANDATORY 运行）
调用 Skill(triton-operator-precision-eval)。
此阶段必须在 NPU 上运行测试。 关键产出：
- 多 shape × dtype 的误差指标
- 通过/失败判定
进入下一阶段前：所有精度测试通过
阶段 6：性能评估（MANDATORY 运行）
调用 Skill(triton-operator-performance-eval)。
此阶段必须在 NPU 上运行 benchmark。 关键产出：
- Triton vs torch_npu 的 ratio
- 瓶颈类型诊断
阶段 7：性能优化（条件执行）
触发条件：阶段 6 的 ratio < 用户要求的性能目标。
调用 Skill(triton-operator-performance-optim)。优化后必须重新运行精度验证确认无回归。
常见陷阱
| 陷阱 | 症状 | 正确做法 |
|---|---|---|
| 代码生成后停止 | 用户以为开发完成但无验证 | 强制执行阶段 5-6 |
| 精度未通过就优化 | 优化了错误的代码 | 精度通过是优化的前提 |
| 跳过 TaskCreate | 阶段遗漏无法追溯 | 每阶段创建 Task |
| 混淆"生成测试"和"运行测试" | 只有测试文件但从未执行 | 阶段 5-6 必须实际运行 |
反模式清单（NEVER）
- ❌ 代码生成后停止，不执行精度验证和性能评估
- ❌ 精度未通过就做性能优化
- ❌ 不创建任务跟踪就开始执行
- ❌ 跳过阶段但不更新任务状态
- ❌ 只生成代码就说"开发完成"
- ❌ 用"只需代码"的借口跳过验证流程
检查清单（最终输出前确认）
- [ ] 代码已生成并通过静态检视（P0/P1 清零）
- [ ] 精度测试已在 NPU 上运行，所有 dtype/shape 通过
- [ ] 性能测试已在 NPU 上运行，有 ratio 数据
- [ ] ratio < 目标时已尝试优化并重新验证精度
- [ ] 性能报告已生成并写入磁盘（包含 ratio 数据、瓶颈诊断、优化历史、结论）
- [ ] 精度报告已生成并写入磁盘（包含多 shape × dtype 误差指标、通过/失败判定）
- [ ] 向用户输出完整最终报告（精度 + 性能 + 结论）
最终交付物
全流程完成后，必须在算子目录下输出以下文件：
| 文件 | 内容 | 必须 |
|---|---|---|
{算子名}.py | Kernel 代码 + Host 接口 | 是 |
test_{算子名}.py | Smoke test | 是 |
precision_eval.py | 精度评估脚本 | 是 |
precision_report.md | 精度报告 | 是 |
performance_eval.py | 性能评估脚本 | 是 |
performance_report.md | 性能报告 | 是 |
