Ascend for PyTorch的研发链中，初级开发者常遇到这些问题：
上游PyTorch社区每周合入数百个Pull Request (PR)，哪些需要NPU适配？
单个算子适配要修改10+个文件，功能失败是哪一处不一致所致？
图模式相关报错，从Python到ACL运行时四层架构，从哪查起？
它们不是难在代码本身，而是那条“先做什么、再做什么、出错往哪查”藏在资深工程师脑子里的路径地图。
我们将这套路径沉淀成了可复用的Agent Skills与Bot能力矩阵，贯穿四个环节：看懂→动手→守住→修复。
看懂：分析“如何开发、影响谁”
需求分析Skill：自动感知与分析原生PyTorch特性
场景痛点
上游PyTorch社区每周合入上百个PR，哪些会影响NPU兼容性？如何适配到NPU？技术专家逐条分析变更内容、评估影响、制定适配方案，耗时长且容易遗漏关键特性。
解决方案
pytorch-pr-analysis Skill自动拉取指定时段全部PR，逐条分析变更与TorchNPU 耦合关系，标注影响等级和适配建议，最终生成一份带超链接的Excel报告。
以往耗时耗力的人工分析，现在一条命令10分钟产出完整分析报告，每条结论都附带源码证据，大幅释放技术专家的方案设计时间。
效果展示
TorchNPU Helper：在线智能机器人
场景痛点
开发者常常在问“这个模块的设计思路”、“这个报错日志怎么修复”。传统方式需要人工查找文档、阅读源码，层层定位修复，耗时耗力且容易遗漏关键信息。
解决方案
TorchNPU Helper是一个满载TorchNPU知识与问题定位方案的在线机器人，部署在云NPU上，支持运行代码。开发者提问后，TorchNPU Helper会结合源码，知识库，Skills直接给出可操作答案，从“反复翻文档”到“超80%准确率”的即问即答，充当开发者的外置大脑。链接：
https://ai.gitcode.com/ascend-model-ecosystem#mofix-agent
效果展示
动手：代码开发的全自动流水线
算子适配Skill：一套适配方案的端到端落地
场景痛点
算子适配是TorchNPU开发中需求量大且持续，细节复杂多样的工作。单个算子的适配就涉及约14个TorchNPU文件修改：YAML注册、C++实现、Meta入图、autograd反向等——任意一环的错漏，都会导致编译报错，调试失败或留下隐患。但传统方式依赖资深工程师经验，上手难度大，不同类型算子的适配流程和细节差异巨大。
解决方案
算子适配Skill op-adaptation，实现"解析输入→确认参数→生成YAML→推导反向 →编写C++→生成Meta→验证→构建"的自动闭环。同时支持从0适配新算子，和为不同代际芯片修改适配逻辑。
其中自动调用两个子Skills：op-test自动生成覆盖正例、负例和FakeTensor的单元测试。如果测试失败，它会区分是测试用例自身的问题、适配源码的bug还是测试环境扰动，给出明确处置建议。op-apidoc生成符合规范的API文档，确保开发者始终获得准确、最新的API参考信息。
新人从此一键上手，不仅可以快速完成适配，效率提升10倍，还能基于Skills快速跟随学习算子适配的逻辑原理与边界条件。
案例展示：grouped_matmul算子，依托op-adaptation，可端到端完成适配到自验证全流程：
守住：让隐藏问题自动被及时拦截
门禁检查Skill
场景痛点
某些PR可能影响大量测试用例，导致TorchNPU的PR门禁产生大量错误信息，全靠人工修复相当耗时，社区贡献者的PR容易因代码风格等细节规范问题被驳回，既拖慢合入进度，也影响社区贡献体验。
解决方案
ci-static-errors-fix Skill针对每次次修改合入的代码执行处理，按白名单规则执行安全修复，每条自主修复都记录改动理由，确保行为不变。这层防护让"格式问题"不再阻塞合入，也通过可控的修复边界避免误改引入新缺陷。同时会输出完整的执行命令、残留问题与修复明细清单，所有改动可追溯、可审查。
修复：一条全自动的从报错到修复的流水线
API一致性问题修复Skill
场景痛点
PyTorch API是模型稳定可靠的基石，API的能力一致性是关键的一环。当某个API 在NPU上的行为和CPU不一致，或在功能，确定性，精度，显存上出了问题，需要快速定位根因。
解决方案
api-consistency Skill通过"三出口分流+两遍规则"端到端解决一致性问题：
面对不同的芯片版本，也会自动分流处理。复现、定位、修复三步走完，证据以日志和数值对比为准。批量问题也能统一调度，共用前置环境，每个问题独立诊断。端到端解决成功率超过60%。同时会将排障中的判断依据沉淀到分析报告中，大幅降低了技术问题排查的经验门槛。
案例展示
torch_npu.npu_mrope精度异常问题定位
问题：fp16场景下NPU输出出现inf/nan，CPU正常
Skill工作流：
智能路由→识别为ATK分支
精准定位→锁定问题算子为aclnnRopeWithSinCosCacheV2
产出报告→自动生成分析结论.md和复现记录.md
运行明细、xlsx摘要与关键判读
复现时间线与交付产物
社区用例修复Skill
场景痛点
上游PyTorch的测试用例需要在NPU中验证并修复可能的问题。失败用例的修复需走环境搭建→复现→诊断→验证→交付完整流程。人工排查耗时长，易陷入循环，缺乏标准化流程。
解决方案
两套Skills按问题类型智能分流：
torch-npu-issue-pipeline-core Skills处理TorchNPU Core组件相关的失败用例，自动管理PyTorch,TorchNPU，OpPlugin三仓库，完成从诊断到PR创建的完整交付。
torch-npu-issue-pipeline-distributed Skills处理分布式/图模式组件的失败用例，专注于HCCL 通信、图模式、Triton codegen等复杂场景。
图模式诊断Skill：四层架构精准定位
场景痛点
模型层面的复杂图模式问题，定位修复调用链跨越四层：Python API→C++核心→ OpPlugin算子→ACL运行。任一层报错都需要跨栈追踪，定位门槛非常高。
解决方案
npu-graph-skill套件按"知识问答→报错诊断→性能剖析→日志分析"智能路由，5个子技能统一入口自动分发。
诊断采用逐层下沉策略（从上层用户代码向下层框架深入），输出结构化结论：用户代码问题/框架Bug（已定位/待定位）/OpPlugin算子问题/ACL运行时问题/环境/配置问题。
从“经验驱动”到“能力沉淀”
这套Ascend for PyTorch的Agent Skills与Bot能力的价值不在于替代人写代码，解决问题，而是将资深工程师脑中的“路径地图”转化为可复用、可调用的标准流程。
对于TorchNPU初学者，大幅降低上手成本，不必吃透各类隐性问题就能开展代码贡献；工具本身会持续动态更新指引内容，操作步骤与问题排查方向一目了然、有据可查。
性能提升不仅发生在模型层，也发生在研发过程本身——当“看懂、动手、守住、修复”每个环节都有Agent护航，工程师才能将更多精力将留给那些没有标准答案的创新问题。
Agent Skills可在昇腾官方Skill仓获取，点击进入，并查看使用说明：
https://gitcode.com/Ascend/agent-skills/tree/master/official/PyTorch
后续将上线Ascend for PyTorch Agent能力的系列直播课，赋能与答疑如何使用这套Agent能力，更好更快地学习与完成Ascend for PyTorch相关的研发全链路。欢迎进群交流讨论。
