Pull Request已成功合入, 合并人@CANN-robot
（感谢 wangmingming 的贡献）
Thanks for your pull-request.
The full list of commands accepted by me can be found at here。
You can get sig-info at here
PR Approval Progress
✅ Congratulations! All modules have met the lgtm and approve requirements.
Module Approval Details
| module | lgtm status | approve status |
|---|---|---|
| repo-cann/graph-autofusion | ✅ xchu42, zhang_shengjie, zhanj (3/2) | ✅ zhanj (1/1) |
💡 Tip:
- Committer can comment
/approveor/lgtm- Commenting
/approveimplies both code review (lgtm) and intent to merge (approve)
CLA Signature Pass
gcw_WTfSfUy7, thanks for your pull request. All authors of the commits have signed the CLA. 👍
CANN-robot
/lgtm
compile
流水线任务触发成功
任务链接 [7f47f741e938469bb8048efc26695370][流水线指导]
| 任务名称 | 状态 | 日志 | 下载链接 |
|---|---|---|---|
| UT_Test_Python_superkernel | ✅ SUCCESS | >>>>> | |
| ST_Test_Python_superkernel | ✅ SUCCESS | >>>>> | |
| UT_Test_superkernel | ✅ SUCCESS | >>>>> | |
| UT_Test_autofuse_framework | ✅ SUCCESS | >>>>> | |
| ST_Test_autofuse_framework | ✅ SUCCESS | >>>>> | |
| UT_Test_autofuse_ascendc_api | ✅ SUCCESS | >>>>> | |
| ST_Test_autofuse_ascendc_api | ✅ SUCCESS | >>>>> | |
| ST_Test_autofuse_e2e | ✅ SUCCESS | >>>>> | |
| pre_comment | ✅ SUCCESS | >>>>> |
[2026-07-15 17:35:22] CI执行结束
/lgtm
参考https://mp.weixin.qq.com/s/X8WycG-70lhxB4sOdz9uJQ?scene=1&click_id=164741409这个软文的风格，只参考风格，不参考内容，给即将要直播的 graph-autofusion 仓库写一段宣传软文，参考昇腾 CANN 官方内容：https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/latest/programug/graphdevg/autofuse_1_0000.html和 graph-autofusion 仓库描述https://gitcode.com/cann/graph-autofusion，或者你对 autofusion 自动融合有更好的理解，也可以补充。另外，graph-autofusion 仓库有 superkernel 业务内容，不属于 autofusion，不要体验 superkernel 的字眼，要求写的宣传软文要有足够吸引力。
PPT 内容通俗总结
这一页是昇腾 CANN 讲解AI 模型必须做算子自动融合的核心原因，先列出当下大模型、推荐网络遇到的三大性能痛点，最后提炼共性问题：
三个核心性能难题
- 大 Transformer 类模型：主核算子外围细碎小算子扎堆
像 DeepSeek-V4 这类大模型，每一层 Attention/MoE 主计算算子周围，都会伴随 reshape、cast、concat 这类轻量 “胶水小算子”。
每一层都要单独调度、读写全局内存，61 层重复叠加后，内核调度、内存反复搬运的开销会被成倍放大，拖慢整体速度。 - 业务模型算子组合不固定，胶水结构版本多变
同一个业务功能，不同模型版本的算子串联顺序不一样，比如版本 A 是 reshape→reduce→where，版本 B 换成 reshape→gather→cast→where。
传统固定规则的融合方案只能识别写死的算子路径，新版本的组合很容易漏掉，没法自适应变化；必须靠能理解算子语义、动态识别融合机会的方案。 - 推荐网络：算子分布零散、碎片化组合多
推荐模型没有统一的大主核，Embedding、特征交叉、稀疏分支、MLP 之间穿插大量零散小算子，张量形状、计算路径很分散。
单个小算子优化收益不明显，但这类算子数量极多，全部累加起来，整体性能损耗非常可观。
三大痛点共同特性
AI 模型普遍存在算子数量多、算子组合不固定、覆盖场景广的特点。
如果不做自动算子融合，大量细碎算子会带来频繁内核调度、反复读写全局内存 GM 的额外开销，造成严重性能损耗，这也是 AutoFuse 自动融合框架诞生要解决的核心问题。
/approve
Pull Request
描述
新增
af-reg-ascirSkill，为 graph-autofusion 项目提供 ASCIR 算子注册、修改、dtype 扩展、tmp buffer 注册及配套 UT/ST/E2E 测试的辅助指引，并覆盖 regbase 构建注册、ATT、Codegen、Python 暴露、性能模型、打包和上板故障诊断的完整修改面。Skill 覆盖的核心能力：
REG_ASC_IR、ATT/Codegen 实现类、注册表）。GetConversionDtype）和 tmp buffer 注册（CalcTmpBufSize/CalcXxxTmpSizeV2）。变更文件：
.claude/skills/af-reg-ascir/README.md：Skill 说明、功能、触发场景和验证方法。.claude/skills/af-reg-ascir/SKILL.md：Skill 主体，包含触发场景、执行原则、信息收集、关键路径、注册机制、新增/修改/dtype 扩展/UT/ST 生成流程、完整修改面检查矩阵、regbase 与官方 API 头规则、Python 暴露规则、上板错误分阶段诊断表、提交历史回归检查和验证要求。.claude/settings.json：在allowed_skills中注册Skill(af-reg-ascir)。变更类型
关联的Issue
关联 issue：#183
Issue 链接：https://gitcode.com/cann/graph-autofusion/issues/183
如何测试
ascir_builtin_ops_v2.cpp、v2_ascir_codegen_impl.h、share_graph、run_autofuse_test.sh）与仓库实际结构一致。核对清单
其他信息
本 Skill 沉淀了 ASCIR adapter 适配过程中（issue #180 / PR #1257）积累的注册、regbase、Codegen、Python 暴露和上板故障经验，用于规范后续 ASCIR 新增/修改流程，减少遗漏。