ascend-kernel-ut

ascend-kernel-ut

Ascend C 算子开发工具，通过 Kernel 直调工程完成算子中部分单元模块的完整开发流程（环境 → 设计 → 开发 → 测试 → 验收）。

为什么不直接用cannbot提供的kernel直调工程？

• 目前cannbot提供的kernel直调算子工程过于庞大，代码编写和验证效率过低，不适合日常算子开发过程中单元模块开发测试。本skill相较于cannbot，完整流程耗时从30min->5min。

ascend-kernel-ut想做什么

• 就两个目标：快和简单！ 只做单模块功能验证，采用bisheng直接编译，单次编译在1-5s内，速度快；由 AI 自动完成 golden 数据、kernel 代码与测试用例的设计，并实现 自验证、自修正 的完整闭环。

依赖

采用 (Claude Code + cc-switch) / (Codex) + CANNBot + ascend-kernel-ut 协作：

ascend-kernel-ut 功能详解

定位

做什么：生成 Kernel 直调 UT 项目，设计白盒测试用例覆盖关键路径，生成代码，编译运行，验证正确性并自查代码。

支持范围：Vector 算子，MemBase 和 RegBase 两种编程模式。

生成项目结构(交付件)

• DESIGN.md：详细介绍该功能实现逻辑，和针对该功能的白盒用例设计。（建议严查！）
• golden.py：python实现的cpu golden逻辑。
• kernel.asc：具体kernel逻辑实现，kernel单元模块数据输出。
• verify_result.py：读取golden和kernel输出，进行对比。

交付件简单，开发只需聚焦核心kernel实现即可。

<op_name>/
├── main.asc              # Kernel 直调源码（含 Device + Host 端）
├── golden.py             # 白盒测试数据生成 + 参考计算
├── verify_result.py      # 精度验证脚本
├── input/                # 测试输入数据（golden.py 生成）
│   ├── input_x.bin
│   └── input_y.bin
└── output/               # 运行输出 + 参考输出
    ├── output.bin
    └── golden.bin

工作流程

Step 1: 环境检测
    ├── ASCEND_HOME_PATH → CANN 环境
    ├── npu-smi info → 芯片型号（A2/A3/A5）
    ├── bisheng → 编译工具链
    └── cannsim → 仿真工具（可选）

Step 2: 解析需求
    ├── 提取：op_name, 功能描述, data_type, npu_arch, core_count
    └── 自动选择编程模式：A2/A3 → MemBase, A5 → RegBase

Step 3: 方案设计
    ├── 查阅 CANNBot API 文档（禁止编造 API）
    ├── 组合多种 API 实现算子功能
    └── 输出 DESIGN.md 供用户审核

Step 4: 白盒测试用例设计
    ├── 基本路径：正常输入验证核心计算逻辑
    ├── 边界值：全零、极大值、极小值
    ├── 特殊约束：算子域约束（如 Sqrt 需正值）
    └── 对称性：如 Add 的 x+(-x)=0

Step 5: 生成项目文件
    ├── main.asc — Kernel 直调源码（MemBase/RegBase 模板）
    ├── golden.py — Python 参考计算 + 测试数据生成
    └── verify_result.py — 精度验证脚本

Step 6: 编译、运行、验证、自查
    ├── bisheng 编译
    ├── golden.py 生成数据 → 运行 kernel → verify_result.py 比对
    ├── 自查代码（API 一致性、dtype 统一、输入输出数量）
    └── 失败最多重试 3 次

支持内容

• 环境检测（CANN、NPU、bisheng、cannsim）
• 解析需求并查阅参考代码和 API 文档（通过 CANNBot Skill 检索）
• 方案设计（输出 DESIGN.md，含 API 选型与功能映射）
• 设计白盒测试用例（基本路径、边界值、特殊约束、对称性）
• 生成项目文件（main.asc + golden.py + verify_result.py）
• 编译、运行、验证（bisheng 编译 → 数据生成 → kernel 执行 → 精度比对 → 代码自查）

案例：编写单元测试代码 — CastNd2Nz 功能

比如在客户现场没有A5环境，需要使用cannsim进行仿真验证的时候，用AI可以节省大量时间，不必每次修改都自己盯着，交给AI可以节省时间。

需求输入

/ascend-kernel-ut 在A5上，不使用datacopy的随路转换，基于RegBase实现nd2nz的转换，数据类型是bf16，输入的nd矩阵shape为n*d，其中d固定为512。

自我任务安排

环境检测 → 方案调研 → 方案撰写输出 → 白盒用例设计 → 代码实现 → 验证检测

Step 1-2：环境检测 + 需求解析

因为我在蓝区没有A5环境，所以在skill中写了cannsim的逻辑， 首先会判断当前cann、bisheng、cannsim是否可用。

然后根据结合用户需求 → 选择 MemBase 编程模式，解析参数：

• op_name: nd2nz_custom
• functionality: ND→NZ 矩阵格式转换
• data_type: bfloat16
• npu_arch: dav-3510
• 编程模式: RegBase
• 输入shape: n×d，d固定512

并加载对应的方案实现最佳实践。

Step 3：方案设计

查阅 API 文档后开始写方案设计 DESIGN.md：

完成的DESIGN.md如下，点击查看完整方案设计：

Step 4：白盒测试用例

这一步也涵盖在Step 3中，并写入DESIGN.md文件里。

Step 5：生成

完成三个代码部分的交付件，golden、kernel和验证脚本。

Step 6：编译 → 验证

编译kernel → 生成验证数据 → 运行仿真 → 检查结果。

如果精度不对，skill将对结果进行检查（这里他逐点检查，查看哪个错误）：

而后经过三轮修改后，精度正确：

首case通过后，开始验证其他case：

所有case都通过后，最后完成交付汇报：

# 编译
bisheng main.asc --npu-arch=dav-3510 -o main

# 生成测试数据
python3 golden.py

# 运行 kernel
./main

# 精度验证
python3 verify_result.py output/output.bin output/golden.bin
# 输出: 验证失败： 最大差异 1024.0，平均差异 512.0
# 输出: 验证通过! 形状: (4096,), 最大差异: 0.0
# 验证失败，则修改方案继续。否则结束。

总结

最后整个skill通过五轮修改，完成了整个函数的编写，配合赋予适当的权限，整个流程5min，AI全自主可以生成一个函数模块，关闭thinking可以进一步提升速度。

不足

• 项目依赖cannbot提供的部分skill，比如regbase的最佳实践真的是最佳实践嘛？对于ascend的知识还需要补充。
• FA部分的知识还需要凝练，FA算子有自己的特点，这里还需要再补充。
• 实现只注重功能，最终的方案性能不好（比如bank conflict等方案都没有考虑到），也是第一点，需要更新最佳实践。