Pull Request

描述

新增 pypto_add_custom 样例，把 PyPTO JIT kernel 通过 Python 自定义算子接入 GE 图执行。

主要变更：

• 使用 @register_op 注册 PyptoAddCustom 原型与 infer_meta，@register_op_impl 注册 schema-bound execute(x, y) 实现。
• execute 回调通过 GE EagerOpExecutionContext 申请输出 Tensor，把输入/输出 device 地址经 torchair create_npu_tensors 零拷贝包装为 torch Tensor，再执行 @pypto.jit Add kernel。
• PyPTO kernel 由 src/run.py 在 GE 初始化前于主线程预热编译，execute 回调只消费进程内编译缓存（GE 回调内触发 JIT 编译会因编译器子进程与 GE 运行时冲突而挂起）。
• 通过 ge.exec.static_model_ops_lower_limit=-1 强制 RT2 动态执行路径，使 execute 回调在每次图执行时被调用（默认静态路径下回调仅在任务生成阶段执行一次，与 PyPTO 即时启动模型不兼容）。
• execute 以设备同步保证输入/输出数据可见性，100 轮计时约 3-4 ms/iter。
• README 中英文双语说明 PyPTO 支持现状：仅支持 JIT 直接执行，无独立编译接口和 binary 导出接口，无法预编译为 kernel binary 或转换为 AnnotatedArgs 的 kernel_bin；Python execute 回调 + torchair 桥接是当前 PyPTO 接入 GE 的可行路径。
• examples/custom_op/README.md 与 README_en.md 总览表同步登记新样例。

变更类型

• 🐛 Bug 修复
• ✨ 新功能
• 💄 代码风格更新（格式化，局部变量）
• ♻️ 重构（既不修复错误也不增加功能的代码变动）
• 📦 构建过程或辅助工具的变动
• 📝 文档内容更新

关联的Issue

无。

如何测试

静态检查：

python3 -m py_compile examples/custom_op/pypto_add_custom/src/*.py examples/custom_op/pypto_add_custom/src/ge/*.py
bash -n examples/custom_op/pypto_add_custom/run.sh
git diff --check

已对全部变更文件执行 pre-commit（ruff/codespell/clang-format/OAT 等），全部通过。

NPU 环境验收（CANN 9.2.0 + Atlas A2）：

source ${ASCEND_HOME_PATH}/set_env.sh
cd examples/custom_op/pypto_add_custom
bash run.sh

实测输出：

[OnlinePython] PyPTO kernel warm-up PASS
[OnlinePython] PyptoAddCustom precision check PASS
[Perf] input shape: [8192], dtype: float32
[Perf] iters: 100
[Perf] PyptoAddCustom: 371476 us (avg 3714 us/iter)
[OnlinePython] NPU_EXECUTION=PASS
[INFO] Online Python PyPTO custom-op pipeline PASS

核对清单

• 我的代码遵循了项目的代码风格
• 我已对代码进行了自测
• 我已更新了相关的文档
• 我在标题中使用了合适的类型标签（如：feat:, fix:）
• 我已经详细阅读了贡献指南（CONTRIBUTING.md），并遵守了其中的所有规定，包括但不限于commit message的格式、无效commit的合并等

其他信息

• PyPTO JIT 编译产物（output/ 下 program.json、dy_kernel_*.o 等）为进程内部缓存，未纳入版本管理。
• Python 导入顺序要求 import torch / import torch_npu 在 import pypto 之前，否则可能触发 libc10.so 静态 TLS 报错，README 已注明。
• torchair 桥接优先使用公开 torchair.llm_datadist.create_npu_tensors；torchair 包初始化失败的环境自动降级为直接加载其 C++ 扩展。
• execute 回调的单轮耗时（约 3-4 ms）高于 Ascend C + AnnotatedArgs 路径（约 0.4 ms，参考 annotated_args_refresh_add_custom）：开销来自设备同步与 Python 回调，本样例聚焦链路打通而非性能。
• 如需声明式地址刷新或 om 模型下沉，请参考 annotated_args_refresh_add_custom 等基于 Ascend C 的样例。