kernelgen-flagos

kernelgen-flagos — 统一 GPU 算子生成技能

这是一个统一入口，将生成和优化子技能整合在一起：

子技能文件	用途
生成
kernelgen-generate.md	为任意 Python/Triton 仓库生成 GPU 内核
kernelgen-generate-for-flaggems.md	专门为 FlagGems 仓库生成内核
kernelgen-generate-for-vllm.md	专门为 vLLM 仓库生成内核
优化
kernelgen-optimize.md	通过 MCP 迭代优化现有 Triton 内核（通用）
kernelgen-optimize-for-flaggems.md	优化 Triton 算子并集成到 FlagGems（3 种模式：内置／外部／实验性）
kernelgen-optimize-for-vllm.md	优化 Triton 算子并集成到 vLLM（通过 CustomOp 注册）
平台专用化
kernelgen-specialize.md	通过 MCP specialize_kernel 将 Triton 算子专用于目标平台（例如，从 GPU 专用到 Ascend NPU）
kernelgen-specialize-for-flaggems.md	平台专用化 + FlagGems 集成（4 种模式：厂商算子／厂商融合／覆盖内置／实验性）
MCP 配置
kernelgen-mcp-setup.md	检查并自动配置 kernelgen-server MCP 服务（内置 URL，用户只需提供 Token）
反馈
kernelgen-submit-feedback.md	通过 GitHub 或电子邮件提交错误报告和反馈

所有子技能文件都位于与此 SKILL.md 文件相同的目录中。

---

路由流程 — 执行其他操作前必须先完成此流程

阶段 0：检查 MCP 配置

首先，确保已配置 kernelgen-server MCP 服务并使其就绪。

使用 Glob 工具在此技能的目录中查找 kernelgen-mcp-setup.md：

Glob: **/skills/kernelgen-flagos/kernelgen-mcp-setup.md

然后使用 Read 工具读取匹配的文件，并严格遵循其中的说明。

• 如果已配置 MCP → 继续阶段 1。
• 如果尚未配置 MCP → 配置技能将引导用户完成配置。 配置写入完成并提示用户重启后，在此处停止——不要继续阶段 1。

阶段 1：检测仓库类型

使用 Glob 工具检查当前工作目录中的项目身份文件：

Glob: pyproject.toml
Glob: setup.py
Glob: setup.cfg

然后使用 Read 工具读取存在的文件。根据文件内容确定项目名称（例如，pyproject.toml 中的 name = "flag_gems"，或 setup.py 中的 name='vllm'）。

同时使用 Glob 工具检查特征目录结构：

FlagGems 指标（满足任意一项即可）：

• 存在 src/flag_gems/ 目录
• 项目名称为 flag_gems、flag-gems 或 FlagGems
• 测试文件中出现 import flag_gems

vLLM 指标（满足任意一项即可）：

• 仓库根目录中存在 vllm/ 目录（其中包含 vllm/__init__.py）
• 项目名称为 vllm
• csrc/ 目录与 vllm/ 并列存在

阶段 2：分派到子技能

根据检测结果，使用 Read 工具读取此技能目录中相应的子技能文件，然后严格遵循该文件中的说明。

查找子技能文件：这些文件与此 SKILL.md 位于同一目录中。使用 Glob 工具查找路径：

Glob: **/skills/kernelgen-flagos/kernelgen-generate.md

然后使用 Read 工具读取匹配的路径。

决策表

生成请求（用户想要创建／生成新的算子）：

检测结果	操作
检测到 FlagGems 仓库	阅读 kernelgen-generate-for-flaggems.md 并按其说明操作
检测到 vLLM 仓库	阅读 kernelgen-generate-for-vllm.md 并按其说明操作
均未检测到（或未知）	阅读 kernelgen-generate.md 并按其说明操作

优化请求（用户想要优化现有算子，提到“optimize”“speedup”“improve performance”）：

检测结果	操作
检测到 FlagGems 仓库	阅读 kernelgen-optimize-for-flaggems.md 并按其说明操作
检测到 vLLM 仓库	阅读 kernelgen-optimize-for-vllm.md 并按其说明操作
均未检测到（或未知）	阅读 kernelgen-optimize.md 并按其说明操作

专用化请求（用户想要将算子迁移／专用化到其他平台，提到“specialize”“migrate to Ascend/NPU”“platform migration”）：

检测结果	操作
检测到 FlagGems 仓库	阅读 kernelgen-specialize-for-flaggems.md 并按其说明操作
均未检测到（或未知）	阅读 kernelgen-specialize.md 并按其说明操作

反馈请求：

检测结果	操作
用户报告错误或请求提交反馈	阅读 kernelgen-submit-feedback.md 并按其说明操作

重要规则：

1. 始终先检测，再分派。 切勿跳过检测。
2. 开始执行前，完整阅读子技能文件，不要只读其中一部分。
3. 严格遵循子技能说明，将其视为主 SKILL.md。子技能中的所有步骤、规则和流程均完全适用。
4. 不要混用子技能。 分派到某个子技能后，应遵循其说明直至完成。
5. 如果用户明确指定某个子技能（例如“使用 FlagGems 版本”），无论自动检测结果如何，都应遵从该请求。
6. 关键——必须使用 MCP：所有算子代码生成都必须通过 mcp__kernelgen-mcp__generate_kernel MCP 工具进行。优化使用 mcp__kernelgen-mcp__optimize_kernel，平台专用化使用 mcp__kernelgen-mcp__specialize_kernel。切勿自行生成 Triton 内核、PyTorch 封装或算子实现。如果未配置 MCP、无法连接，或在所有重试后仍然失败，请停止并报告问题——不要退而手动编写代码。

阶段 3：反馈处理

在工作流的任何阶段，如果用户报告错误、表示某项功能无法正常工作，或要求提交有关此技能的反馈：

1. 使用 Read 工具，从此技能的目录中读取 kernelgen-submit-feedback.md。
2. 按照该文件中描述的反馈提交流程操作。
3. 提交反馈后，询问用户是要继续算子生成工作流还是停止。

---

用户快速参考

# === Generation ===
# Generate a kernel operator (auto-detects repo type)
/kernelgen-flagos relu

# Generate with explicit function type
/kernelgen-flagos rms_norm --func-type normalization

# === Optimization ===
# Optimize an existing Triton kernel (auto-detects repo type)
# Just say "optimize the relu kernel" or "improve kernel performance"
# The skill will automatically dispatch to the right optimization sub-skill

# The skill will automatically:
# - Detect if you're in a FlagGems repo → use FlagGems-specific workflow
# - Detect if you're in a vLLM repo → use vLLM-specific workflow
# - Otherwise → use the general-purpose workflow

如果生成过程中遇到任何问题，只需说“提交反馈”或“报告错误”，该技能就会引导你完成反馈提交流程。