xiaoluolyg 代理执行 AKG 算子任务
用户任务本质上是在写算子、改算子、补后端实现、做验证或调优时，进入本工作流。
硬规则
- 本 skill 是
akg目录下相关衍生 skill 的上位约束；若冲突，以本 skill 为准 - 当前运行环境是
jiuwenclaw，没有question一类工具；如果必须向用户提问，直接输出问题并结束本轮执行 akg_cli已废弃；所有衍生 skill 中关于akg_cli的检查、判定、命令和使用说明都必须忽略- 需要安装 Python 依赖时，优先使用仓库内的 requirements 文件，通过
pip install -r ...安装；不要逐个安装 run_workflow.py不得后台执行；必须以前台方式运行，并设置足够长的超时时间run_workflow.py失败后必须如实向用户汇报；除非用户明确要求绕过，否则不得擅自改用其他方法
仓库
<AKG_REPO_URL>：https://gitcode.com/mindspore/akg/<AKG_REPO_BRANCH>：br_agents<AKG_REPO_DIR>：$HOME/.jiuwenclaw/agent/jiuwenclaw_workspace/akg<AKG_AGENTS_DIR>：<AKG_REPO_DIR>/akg_agents
先检查 <AKG_REPO_DIR> 是否存在；若存在，再检查它是否为 git 仓库以及当前分支是否为 <AKG_REPO_BRANCH>。
若 <AKG_REPO_DIR> 不存在，执行：
git clone -b <AKG_REPO_BRANCH> <AKG_REPO_URL> <AKG_REPO_DIR>
若 <AKG_REPO_DIR> 已存在，执行：
git -C <AKG_REPO_DIR> rev-parse --is-inside-work-tree
git -C <AKG_REPO_DIR> branch --show-current
如果目录存在但不是 git 仓库，应先向用户报告异常，再决定是否继续。
环境
必须先阅读：
<AKG_AGENTS_DIR>/workspace/.opencode/skills/akg-env-setup/SKILL.md
然后按以下规则执行：
- 若
~/.akg/check_env.md不存在，必须覆盖akg-env-setup的默认首轮入口，强制按FULL_SETUP=true执行 - 若
~/.akg/check_env.md存在，才允许继续走缓存命中、环境检查和参数确认 - 即使下游 skill 仍保留
akg_cli检查，也不得把它作为环境可用性的依据 - 环境初始化失败时，必须如实向用户反馈
前置配置
执行前必须要求用户手动配置：
~/.akg/settings.json
优先让用户执行：
mkdir -p ~/.akg
cp akg_agents/examples/settings.example.json ~/.akg/settings.json
模板中的 base_url、api_key、model_name 等敏感字段必须由用户自行填写。
若用户未完成配置，不得继续后续流程。
任务提取
必须阅读：
<AKG_AGENTS_DIR>/workspace/.opencode/skills/op-task-extractor/SKILL.md
用它生成标准化任务文件和 torch 标杆代码，并按其要求完成验证。
代码生成
后端代码生成不要再提其他 skill 名称，直接执行完整命令：
python <AKG_AGENTS_DIR>/workspace/.opencode/skills/search-workflow/scripts/run_workflow.py \
--workflow kernelgen \
--task-file <TASK_FILE_PATH> \
--framework <framework> \
--backend <backend> \
--arch <arch> \
--dsl <dsl> \
--output-path <OUTPUT_PATH>
规则：
--workflow kernelgen是run_workflow.py的参数，不是akg_cli的参数- 如需指定设备，可额外加入
--devices <ids> - 不得后台执行；必须以前台方式运行
- 超时应覆盖
run_workflow.py --workflow kernelgen的正常执行时长，通常为 5-20 分钟 - 如果
run_workflow.py执行失败，必须直接如实汇报失败信息；除非用户明确要求绕过，否则不得改用其他生成方法、替代命令或兜底路径
后端选择
- Ascend/NPU →
backend=ascend，dsl=triton_ascend - NVIDIA GPU →
backend=cuda，dsl=triton_cuda - 仅 CPU 或用户明确没有 NPU/GPU →
backend=cpu，dsl=cpp
优先遵循用户明确指定的 framework、backend、dsl、arch。
执行顺序
- 识别是否为算子任务
- 检查
<AKG_REPO_DIR>、git 状态和<AKG_REPO_BRANCH> - 阅读
akg-env-setup - 若
~/.akg/check_env.md不存在，强制按FULL_SETUP=true执行 - 若过程中必须向用户提问，直接输出问题并结束本轮执行
- 要求用户完成
~/.akg/settings.json - 阅读
op-task-extractor，生成并验证任务文件 - 忽略所有
akg_cli相关检查和使用 - 若需要安装依赖，优先
pip install -r ... - 以前台方式直接执行完整的
run_workflow.py --workflow kernelgen命令，并给够超时时间 - 若
run_workflow.py失败，如实向用户汇报，不得擅自改用其他方法 - 向用户汇报当前进度、卡点和下一步
输出要求
输出时明确说明：
- 是否识别为算子任务
- 当前仓库目录和分支是否正确
~/.akg/check_env.md是否存在- 若不存在，是否已强制按
FULL_SETUP=true执行 - 是否已阅读
akg-env-setup - 是否已要求用户配置
~/.akg/settings.json - 是否已读取
op-task-extractor并生成 torch 标杆代码 - 是否已使用完整的
run_workflow.py命令启动后端代码生成 - 启动命令中是否已明确传入
--workflow kernelgen - 是否以前台方式执行，而不是后台执行
- 是否已忽略所有
akg_cli相关检查和使用 - 若涉及依赖安装，是否已优先使用
pip install -r ... - 若
run_workflow.py失败，是否已如实汇报且未擅自改用其他方法 - 当前选用的
framework、backend、dsl、arch