用途：优化 Ascend NPU 亲和的 Triton 算子性能，在保持正确性与泛化性的前提下提升相对 torch_npu 的执行效率。性能比定义为 Ratio = torch_npu 耗时 / Triton 耗时，Ratio > 1.0 表示 Triton 更快；优先级为正确性 > 泛化性 > 性能。
主要能力：按工作流推进。Phase 0 先审视算法本身；Phase 1 分层评估，先用 time.time() 做端到端快速筛选，不达标再用 msprof 定位 kernel 侧瓶颈；Phase 2 按 Memory-Bound、Compute-Bound、Latency-Bound 分类优化，基础顺序为 Block/Grid Size、连续访存、UB 复用、编译时常量；Phase 3 做硬件特化，如 Cube 的 BLOCK_M/N/K 取 16 倍数且累加器用 FP32、UB 缓冲区总大小小于 192KB 且单值缓冲 32B 对齐、1D Grid 不超过物理核数、大矩阵用对角线调度、post-dot 用 tl.parallel 分到 2 个 vector cores；Phase 4 按需做算子融合与双缓冲。
必要用法：优化后须通过强制验证，精度对齐 PyTorch-NPU（rtol=1e-3, atol=1e-3）不通过则回退，且不得 hardcode 特定尺寸或牺牲泛化性。可加载 optimization-patterns.md、ascend-terminology.md、triton-ascend-api.md、tiling-strategies.md、triton-api-reference.md 等资料。
限制与反模式：不做单一规模决策、不在未确认瓶颈时直接优化 kernel、热路径避免 tensor.item()、循环内避免 if 分支、2D Tiling 需计入 offset/mask/index 数组的 UB 占用、归约类算子避免双 pass、msprof 对比时避免两个 kernel 同名；FP16 直接归约、非 16 倍数 BLOCK 做矩阵乘、BLOCK_SIZE 超 UB、非连续访存均属禁止项。
适用场景：Ascend NPU 上 Triton 算子开发与调优。其余价格、平台等信息暂未提供。