Graph-autofusion 是一个面向昇腾（Ascend）芯片的轻量级、解耦式组件集合，旨在通过自动融合技术加速模型执行。 目前已开源 SuperKernel 组件和 Autofuse 组件，未来将持续开放更多自动融合相关模块。
当前项目代码仓暂无内容
Graph-autofusion
🔥Latest News
- [2026/04] Autofuse 组件开源！ 在昇腾芯片上提供 Autofuse 自动融合功能，可以自动将相邻算子融合为1个，消除输入输出的搬运耗时，降低算子数量，优化算子总时长。
- [2025/10] Graph-autofusion 项目开源！ 在昇腾芯片上提供 SuperKernel 融合功能，可以减少任务调度等待时间和调度开销，优化算子执行头开销。
🚀概述
Graph-autofusion 是一个面向昇腾（Ascend）芯片的轻量级、解耦式组件集合，旨在通过各种融合相关技术，加速模型执行。 目前已开源 SuperKernel 组件和 Autofuse 组件，未来将持续开放更多融合相关模块。
组件特点：
- 专注融合加速技术：基于 codegen 的 JIT 编译机制实现高效融合与加速。
- 模块化与解耦：各组件之间独立，可按需选用；底层依赖极少，仅依赖 AscendC 与 runtime 环境。
⚡️快速入门
- 若您想体验 Graph-autofusion 的完整构建、测试与样例运行流程，请参考：构建验证
- 若您希望了解 SuperKernel 组件的原理与使用，请参考： SuperKernel 简介。
- 若您希望了解 Autofuse 组件的原理与使用，请参考： Autofuse 简介与快速上手。
📚文档
如果希望了解 Graph-autofusion 架构、模块功能、Skills等，可参考以下文档：
- AutoFuse 架构说明：介绍 AutoFuse 的整体架构、关键技术方案、处理流程和模块职责。
- 贡献指南：说明如何参与项目贡献、提交 Issue 和 Pull Request。
- Skills 管理指南：介绍仓内默认使用的 Skills 及其管理方式。
- Skill 复用指南：介绍如何复用 Skill，并使用 Agent 辅助代码阅读、开发和问题定位。
🌐生态集成
AutoFuse 可作为上层图编译器和深度学习框架的自动融合后端，为模型编译和执行提供 Ascend C 融合算子生成能力。当前主要集成路径包括：
- GE：作为 GE 的自动融合后端。GE 项目
- PyTorch：作为 PyTorch Inductor 的 Ascend C 后端，通过
torch.compile使用 AutoFuse。TorchAir 项目 - TensorFlow：作为 TensorFlow Adapter 对接 GE 后使用的自动融合后端。TensorFlow Adapter 项目
上述集成路径以对应 CANN 版本和上层组件的实际支持情况为准。
🔍目录结构
graph-autofusion/
├── autofuse # Autofuse 组件，Autofuse 源代码、测试、文档均在该子目录中
├── build.sh # 一键式项目工程编译脚本
├── cmake # 项目工程编译目录
├── CMakeLists.txt # 项目 CMakeLists
├── docs # 项目整体文档
│ ├── zh # 中文文档
│ │ ├── build.md # 一键式构建脚本文档
│ │ └── ... # 其他中文文档
│ └── en # 英文文档
│ ├── build.md # 一键式构建脚本文档
│ └── ... # 其他英文文档
├── scripts # 构建、环境安装和测试脚本
│ ├── env_install # 环境安装脚本
│ ├── package # 打包脚本
│ ├── test # 测试脚本
│ ├── check_env.sh # 环境检查脚本
│ ├── init_env.sh # 环境初始化脚本
│ ├── oat_check.sh # OAT 合规性检查脚本
│ └── support_multiple_versions_of_lcov.sh # 多版本 lcov 兼容脚本
├── super_kernel # SuperKernel 组件，SuperKernel 源代码、测试、文档均在该子目录中
├── README.md # graph-autofusion 项目整体功能介绍
└── README_en.md # graph-autofusion 项目英文介绍