ascend Catlass 算子性能调优
核心工作流
阅读优化指南 → 获取基准数据 → 修改 Tiling 配置 → 重新编译运行 → profiler 双路径采集
→ 输出性能对比报告（落盘 + 聊天展示）→ 对比迭代 → 确定最佳配置
前置条件
| 检查项 | 说明 |
|---|---|
| 工程目录 | 存在 OPS_PROJECT_ROOT，且其下已有 catlass/docs/1_Practice/10_matmul_optimization.md |
| 算子状态 | 算子已可编译、可运行 |
| 性能数据 | 基线优先为 csrc/ops/<op>/test/ 下按 ascendc-operator-performance-eval 规范采集的 <op>_torch_npu_profiler_report.md（或本工程 benchmark_*_torch_npu_profiler.py 生成的等价 Markdown）。ascendc-operator-precision-eval 仅精度，不作性能基线 |
条件不明时追问用户。
调优原则
- 调优策略以 catlass 官方优化指南为准
- 每次修改仅调整一个变量，以便准确评估优化效果
- 记录所有尝试的配置和对应的性能数据
NEVER / ALWAYS
NEVER：未读 catlass 优化指南就随意改 tiling 参数；一次修改多个变量；忽略硬件资源限制；修改代码后不重新编译；在 NPU 与 profiler 可用时，仅改代码却不产出对比报告
ALWAYS：先阅读 catlass 优化指南再动手；每次迭代记录配置与性能数据；性能下降时回滚配置；修改代码后使用 ascendc-operator-compile-debug 重新编译；每次有意义的性能优化完成后，按 §6 产出并展示性能对比报告（落盘 + 聊天界面）
步骤
1. 阅读优化指南
在 OPS_PROJECT_ROOT 下读取：<OPS_PROJECT_ROOT>/catlass/docs/1_Practice/10_matmul_optimization.md
理解可调参数：TileShape、DispatchPolicy、Swizzle 等。请一定要阅读文档，按照其中的建议进行优化尝试，而并非随意修改参数。
2. 获取基准数据
迭代基线取自 ascendc-operator-performance-eval（或算子目录内等价的 torch_npu.profiler 脚本）产出的报告对比表中的 各 case 耗时与 native/custom 比值。调优前在同一 csrc/ops/<op>/test/ 目录完成采集并得到首版报告，作为「优化前」参照。
3. 修改 Tiling 配置
根据优化指南中的建议，修改算子的 tiling shape 配置：
| 修改项 | 说明 |
|---|---|
| TileShape 大小 | 调整 L1/L0 层 TileShape |
| DispatchPolicy | 选取其他的调度策略 |
| Swizzle 策略 | 尝试修改数据搬运 Swizzle |
4. 重新编译与采集
修改代码后须重新编译（使用 ascendc-operator-compile-debug），再运行算子采集性能数据，与基准对比：
- 性能提升 → 记录配置，继续尝试其他优化建议
- 性能下降 → 回滚配置，尝试其他方案
- 性能稳定 → 在当前配置附近进行微调
5. 迭代与确定最佳配置
在合理的迭代次数内，找到性能最优的 tiling 配置。记录最佳配置的详细参数和对应的性能指标。
6. 性能对比报告交付（强制）
每次完成一轮可提交的性能优化（或向用户交付调优结论）时，在 NPU 与 torch_npu.profiler 可用 的前提下 MUST 执行：
| 序号 | 要求 |
|---|---|
| 6.1 | 按 ascendc-operator-performance-eval 约定：warmup=5、active=5，自定义算子 vs 标杆双路径均在 NPU 上采集；标杆可为 torch.matmul / torch_npu 等价 API 或小算子拼接（与 eval skill 一致）。 |
| 6.2 | 在 csrc/ops/<op_name>/test/ 落盘 Markdown 性能对比报告（文件名与工程脚本一致即可，例如 <op>_torch_npu_profiler_report.md）。报告须含 Case / Shape / 自定义 per-step / 标杆 per-step / 比值 等对比表，并注明用例 JSONL、trace 根目录、schedule。 |
| 6.3 | 在当前对话中展示：至少贴出 对比表主体或目标 shape 对应行、报告与 JSONL 的完整路径，并用 1～3 句说明结论（例如：何者更快、关键 case 的 native/custom 比值、是否达到预期）。不得仅写「已优化」而不附数据。 |
| 6.4 | 若环境不可用（无 NPU、profiler 失败）：诚实说明原因，列出已改动的配置与建议用户本地执行的采集命令，不伪造报告。 |
6.5 优化前 / 优化后对照（相对上一版 Kernel 时强制）
当本轮任务包含 「相对优化前的性能变化」 结论（而非仅与 torch.matmul 标杆对比）时，MUST 额外满足：
| 序号 | 要求 |
|---|---|
| 6.5.1 | 改 Kernel/tiling 之前：在同一 CANN / 驱动 / 时钟条件下，用当前二进制跑一次完整 torch_npu.profiler（与 §6.1 同约定），落盘 优化前报告，建议命名 <op>_torch_npu_profiler_report_PRE.md（或 *_baseline.md），并保留对应 trace 目录备查。 |
| 6.5.2 | 改代码并重新编译安装后：再跑一轮 profiler，落盘 优化后报告，建议命名 <op>_torch_npu_profiler_report_POST.md。 |
| 6.5.3 | 合并交付：生成 优化前 vs 优化后 对照表，至少含 Case / Shape / 工程 custom per-step（前）/（后）/ 工程 Δ%；标杆列可取自优化后报告。允许使用算子 test/ 下合并脚本（如 merge_profiler_before_after.py）或等价表格。 |
| 6.5.4 | 在当前对话中展示该对照表（至少覆盖用户点名的 shape），并如实说明部分 case 回退（Δ%>0）的情况；禁止只挑选变快的 case 而隐瞒回退。 |
注意：与标杆
torch.matmul的双路径报告（§6.2）并存：前者回答「离框架差多少」，§6.5 回答「这次改 Kernel 比改之前好多少」。
说明：本步与 catlass-operator-dev Phase 6「聊天中展示性能摘要」对齐；本 skill 强调 调优迭代后同样必须交付可复核的 Markdown + 对话摘要。
质量验证
- 已阅读 catlass 优化指南，非随意修改
- 每次迭代仅调整一个变量（或单次合并变量已在报告中说明例外原因）
- 所有尝试的配置和性能数据已记录
- 最佳配置已确定并记录参数与指标
- 已生成并落盘性能对比 Markdown，且在当前对话中展示表与结论（满足 §6；环境不允许时已说明）
- 若声明了「优化前/后」效果：已落盘 PRE/POST 两份 profiler 报告及 合并对照表（§6.5），对话中已展示含 Δ% 的表
- 若进行了单目标 shape tiling 扫描：已在
test/更新TILING_EXPLORATION_*.md与TILING_SEARCH.md摘要，且未遗留探测用极简 kernel
参考资料
| 文档 | 用途 |
|---|---|
<ASCEND_KERNEL_ROOT>/catlass/docs/1_Practice/10_matmul_optimization.md |
调优策略以此为准 |
| ascendc-operator-performance-eval | 性能基线与 profiler 对比流程、JSONL 规范 |
| ascendc-operator-compile-debug | 修改代码后重新编译、安装 whl |
持续检索 tilings（建议）
在尚未达到目标性能时，应在 csrc/ops/<op>/test/ 维护 TILING_SEARCH.md（或等价文档）：按 10_matmul_optimization.md 列出 已验证无效/回退 的配置与 待试 项（Swizzle offset、Preload、Split-K、TLA 等），每项 PRE/POST 对照后再勾选；避免重复踩坑。
单目标 Shape 的 Tiling 探索（笔记固化）
当用户只关心少数大 shape（例如单一 M×N×K）并希望在相对 Catlass example / 文档默认 tiling 下寻找更优 L1/L0/Swizzle 组合时：
| 要求 | 说明 |
|---|---|
| 探测笔记 | 在 csrc/ops/<op>/test/ 新增或维护 TILING_EXPLORATION_<brief>.md（例如 TILING_EXPLORATION_1280x16384x4096.md），并在 TILING_SEARCH.md 的「已验证结论」中 一行摘要 + 链接，避免与全形状调参混写成一团。 |
| 表格字段 | 建议列：日期、标签、L1(M,N,K)、L0（若与默认不同）、Swizzle、工程 custom per-step (μs)、标杆 (μs)、相对默认 Δ% 或结论（最优 / 回退 / 待复测）。每新增一次探测 追加一行，勿覆盖历史。 |
| 隔离探测（整文件替换 kernel） | 为只跑一种 tile，可 临时将 op_kernel 改为「全问题单实例化」的极简 kernel；同一轮任务结束前必须恢复带 形状分派的生产版，并再编译安装；禁止把探测用极简 kernel 当作最终交付。 |
| 与 §6 的关系 | 正式采纳某配置前，仍应对 完整 JSONL 或用户指定 case 集跑 PRE/POST（§6.5）并落盘报告；单 shape 表仅记录 检索过程，不替代全量回归。 |