wenyi-li FlagGems 算子 PR 提交 Skill
提交流程：规范名查询 → 建分支 → 提取 worktree 代码(6文件) → 脚本验证 → pre-commit → push → 创建 PR → 回填链接。
Rules（违反会导致 PR 被拒）
25+ 项检查已由
check_operator.py自动执行（详见下方检查表），以下仅列出模型需主动注意的规则。
流程规则
- 先跑脚本再 commit —
check_operator.py --strict必须 0 errors - 使用规范命名 — 提交前用
operator_registry.py lookup查询 - 回填 PR 链接 — PR 创建后必须
operator_registry.py backfill - PR 描述由脚本生成 —
gen_pr_description.py输出 JSON，映射到模板（英文）
代码规则
- 代码必须与 worktree 原版一致 — 不允许重写测试逻辑，仅允许 import 调整和格式化
- 不删 worktree 现有注释
- 下划线命名 — 前导
_的算子，mark/yaml id/文件名去掉下划线，其余保留（详见references/naming.md） - dtype 默认用常量 — test 用
utils.FLOAT_DTYPES，benchmark 用consts.FLOAT_DTYPES；CUDA 不支持时可硬编码但必须加注释 - 非 pointwise benchmark — 简单场景用
GenericBenchmark(input_fn=...)；需要自定义 shape 时继承并覆盖set_shapes - hardcode size 需加注释 — kernel BLOCK、test shapes、benchmark shapes 都需注释说明原因
- 不支持的 dtype 在 wrapper 加 assert
- overloaded ops yaml 拆成独立条目 — 参考
eq/eq_scalar模式 - 禁止 .is_cuda — 设备判断使用
flag_gems.device，不用.is_cuda或device.type == "cuda"（多后端） - Autotune 配置放 config 文件 — 不在 kernel 中内联硬编码 autotune configs
- Logger 格式 —
logger.debug("GEMS <OP_NAME_UPPER>")，不用其他格式 - Fused 算子放 fused/ 目录 —
src/flag_gems/fused/，不放src/flag_gems/ops/
提交规则
- 不修改上游已有测试 — 只新增，不改已有函数
- 先提交通用版，再提交特化版
- 概率算子用统计验证 — mean ≈ p，不能只查 0/1
- nan 比较用 gems_assert_close(equal_nan=True)
Environment
| 环境变量 | 必需 | 说明 | 默认值 |
|---|---|---|---|
FLAGGEMS_REPO |
是 | FlagGems 仓库本地路径 | — |
GH_TOKEN |
是 | GitHub Personal Access Token | — |
FLAGGEMS_FORK |
否 | Fork 仓库（自动从 git remote 推断） | XDYuanzhuLee/FlagGems |
FLAGGEMS_UPSTREAM |
否 | 上游仓库 | flagos-ai/FlagGems |
FLAGGEMS_NORM_XLSX |
否 | 规范名 Excel 路径 | /workspace/规范名.xlsx |
FLAGGEMS_PR_XLSX |
否 | 待提交算子 Excel 路径 | /workspace/第一批pr算子.xlsx |
FLAGGEMS_DOMESTIC_DIR |
否 | 国产 GPU 测试数据目录 | /workspace/国产GPU算子测试情况 |
每次新会话需确保 FLAGGEMS_REPO 和 GH_TOKEN 已设置（禁止硬编码）。
Workflow（模型只需调用 3 个命令）
Phase 0: Name Lookup
cd $FLAGGEMS_REPO
python <SCRIPTS_DIR>/operator_registry.py lookup <op>
Phase 1: Preparation
cd $FLAGGEMS_REPO
git checkout -b pr/<op> upstream/master
确认算子不存在于上游。Never cherry-pick or rebase。
Phase 2: Extract Code（一步完成，禁止手动编写）
python <SCRIPTS_DIR>/extract_from_worktree.py <op> --repo-dir $FLAGGEMS_REPO
脚本自动从 worktree 提取 6 个文件：kernel、test、benchmark、ops/init.py、init.py、operators.yaml。 所有注册按字母序插入，所有代码从 worktree 原样提取。禁止手动编写 test/benchmark 代码。
脚本完成后检查 operators.yaml 的 description 是否需要补充（脚本可能使用默认占位描述）。
Phase 3-7: Validate, Test, Submit（一步完成，禁止手动跳过）
CUDA_VISIBLE_DEVICES=<N> python <SCRIPTS_DIR>/submit_operator.py <op> --repo-dir $FLAGGEMS_REPO
脚本串行执行 9 步（含 1.5 多重载检查）：check_operator → 多重载一致性检查 → pre-commit → 本地测试 → 本地 benchmark → PR描述生成 → commit → push → 创建 PR → 回填链接。 任何一步失败立即中断退出。不允许手动执行单独步骤来绕过。
可选参数：
--dry-run— 只验证不提交（调试用）--skip-test— 跳过本地测试（仅当环境不支持时）--skip-benchmark— 跳过 benchmark，仅查国产卡数据
References
references/workflow.md— Phase 2 六文件详细模板、代码 review 要点references/pr-template.md— PR 描述模板、JSON 字段映射references/naming.md— 下划线算子命名规则对照表references/pr-checklist.md— 提交前逐项检查清单references/common-issues.md— 历史 review 问题汇总scripts/check_operator.py— 自动化验证脚本（25+ 检查项）scripts/check_overload_consistency.py— 多重载算子 yaml/mark/op_name 一致性检查scripts/extract_from_worktree.py— 从 worktree 提取 6 个 PR 文件scripts/gen_pr_description.py— PR 描述数据生成scripts/submit_operator.py— 一站式提交（9 步串行）scripts/operator_registry.py— 规范名查询 + PR 链接回填scripts/pr_gate_check.sh— git push 前门禁（PreToolUse hook）
check_operator.py 自动检查项一览
| 检查 | 级别 |
|---|---|
| Kernel 文件存在 + KernelGen 首行 | error |
| 无 print()、无重复函数 | error |
| ops/init.py 注册 + 字母序 | error |
| _FULL_CONFIG 注册（映射到 wrapper） | error |
| Fallback 递归检测（kernel 中禁止 torch.()） | error |
| operators.yaml 完整性 + 唯一性 | error |
| 测试 pytest mark + import 方式 + gems_assert | error |
| gems_assert_close 无 rtol | error |
| dtype 硬编码检查（需常量或加注释） | error |
| 私有 API torch._xxx | error |
| Benchmark pytest mark + op_name + dtype | error |
| Git commit 无 Co-Authored-By | error |
| Inplace mark 守卫 | error |
| yaml/config 一致性交叉验证 | error |
| Anti-hack Layer 1 (AST) + Layer 2 (dual execution) | error |
| 单算子 PR（git diff 验证） | error |
| @use_tl_extra 未使用桩函数 | error |
| 硬编码超参无注释 | error |
| 上游冲突检查 | error |
| 测试函数命名规范 | warning |
| logging 模块、torch import | warning |
| 代码质量（行长、EOF、行尾空白） | warning |
| 别名封装、NaN 处理、Worktree 一致性、Wrapper dtype assert | warning |
| Benchmark case 数量 | info |
.is_cuda / device.type == "cuda" 硬编码设备判断 |
error |
| Autotune configs 内联硬编码（应在 config 文件） | error |
Logger 格式不符合 "GEMS <OP_NAME_UPPER>" |
error |
| Benchmark torch/gems 测量范围不一致 | error |
| 测试文件或 Benchmark 文件缺失 | error |
| Fused 算子放在 ops/ 而非 fused/ 目录 | error |
| 自定义 shapes 与 core_shapes.yaml 重复 | warning |
模型必须人工检查的规则（无法自动化）
以下规则依赖领域判断，模型每次提交前必须逐项确认：
- dtype 预检测 — 该算子 PyTorch 参考实现是否支持 Half/BFloat16？linalg/special/cdist 等通常不支持
- benchmark 类选择 — 非 pointwise 算子是否使用了正确的封装类？需要自定义 shape 时是否覆盖了
set_shapes？ - 无效分支清理 — pointwise_dynamic 已处理类型分发时，是否有多余的 isinstance 判断？
- 不修改上游已有测试 — 新增算子时是否无意中改动了同文件中其他算子的测试？
- 概率算子 — 如果是 dropout/bernoulli/rand 等，测试是否用统计方法验证（mean/variance）而非精确比较？
- 先通用后特化 — 特化版本是否依赖尚未 merge 的通用版？
- 设备判断禁止 is_cuda — kernel/wrapper 中是否使用了
.is_cuda或device.type == "cuda"？必须用flag_gems.device - Autotune 配置位置 — autotune configs 是否放在 config 文件中？禁止在 kernel 内联硬编码
- Logger 格式 —
logger.debug是否使用"GEMS <OP_NAME_UPPER>"格式？ - Benchmark 公平性 — torch 和 gems 是否测量了相同范围的计算？
- Fused 算子目录 — fused 算子（AddRMSNorm、FusedRoPE 等）是否放在
src/flag_gems/fused/而非ops/？ - Benchmark shapes 去重 — 自定义 shapes 是否与
core_shapes.yaml已有条目重复？
强制执行策略（模型必须遵守）
- check_operator warning = error —
submit_operator.py使用--strict模式，所有 warning 升级为 error。模型不得手动绕过脚本。 - AI 生成代码不可信 — anti-hack Layer 2 (dual-execution) 会验证 kernel 是否真正使用 Triton 计算。如检测到 hack，拦截 PR 不提交该算子。
- 异常自动记录 —
submit_operator.py的fatal()自动追加事件到pr状态记录.md，无需手动记录。