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

akg-agents