用途：对任意 PyTorch 项目做系统化的 Ascend NPU 迁移可行性分析，扫描 CUDA/NVIDIA 依赖并给出替代路径与工作量估算。适用于评估项目能否跑在昇腾 NPU、排查未替换的 CUDA 依赖、做 CUDA→Ascend 技术尽调。
主要能力：按 7 个迁移域逐步分析。域 1 第三方依赖审计（requirements.txt/setup.py/pyproject.toml 中 flash-attn、triton、xformers、nvidia-ml-py、cuda-python、cupy 等）；域 2 设备层扫描（torch.cuda.*、"cuda" 字符串、backend="nccl"、autocast(device_type='cuda')、torch.compile、Stream/Event、init_device_mesh）；域 3 注意力机制（flash_attn/FA2、flash_attn_interface/FA3、xformers、F.scaled_dot_product_attention、手写 attention 及 tensor layout）；域 4 自定义算子（.cu/.cuh/.cpp 内核、@triton.jit、CUDAExtension、autograd.Function、csrc/ops/kernels 目录）；域 5 分布式通信（init_process_group 后端、all_to_all/all_gather/broadcast、DeviceMesh、Ulysses/Ring/Sequence Parallel、P2POp）；域 6 精度（.float()/.double()、bf16/fp16、complex128、autocast dtype、数值敏感保护）；域 7 按任务阶段生成依赖矩阵，区分 P0/P1/不涉及，输出最小迁移集与完整工作量估算。常用替换参考：torch.cuda.empty_cache()→torch.npu.empty_cache() 或 transfer_to_npu；backend "nccl"→"hccl"；autocast('cuda')→('npu')；device "cuda"→"npu"；flash_attn_func→mindiesd.attention_forward(op_type="ascend_laser_attention")；xformers→mindiesd.attention_forward(op_type="fused_attn_score")；F.scaled_dot_product_attention 由 torch_npu 原生支持；RMSNorm .float()→torch_npu.npu_rms_norm()；LayerNorm 移除 .float()；RoPE complex128 降为 complex64 或用 mindiesd.rotary_position_embedding()。
输出为结构化报告，含执行摘要（可行性、预计工时、阻塞项）、按阶段的依赖矩阵、各域详细发现、迁移路线图与风险矩阵。
限制：替代方案知识来自 Wan2.2 实际迁移经验，DiT/Transformer 架构可复用性高；结果需结合实际 CANN/torch_npu 版本验证；部分方案依赖 mindiesd 库，需确认环境是否可用；Triton 内核等需逐个分析，置信度低到中；本资料未提供具体平台支持范围、收费与价格信息。