用途：把 Ascend NPU 算子设计文档或直接需求转换为可执行的 Triton kernel 代码，并附一个基本正确性（smoke）测试。
核心原则：按“计算逻辑 → Tiling 策略 → 代码实现”的顺序推进，顺序不可颠倒。
主要能力与用法：
- 需求确认：提取数学公式、输入输出规格与约束，用伪代码描述计算过程并与用户确认。
- Tiling 策略：已有设计文档则按其实现，否则在此设计。核间切分遵循 grid = 物理核数（get_npu_aicore_num() 或 get_npu_vectorcore_num()），核内循环处理多任务并自行负载均衡；超过物理核数的 grid 只会增加开销。UB 空间安全 BLOCK_SIZE = (196608 - 32) / (缓冲区数 × dtype大小) × 0.8。
- 生成 kernel：按算子类型选模板——归约类（vector core）、GEMM/注意力（AI core）、激活/损失/索引/MoE/后处理（vector core）、卷积（AI core）。Triton API 优先级为 tl.tanh/tl.erf/tl.sqrt，其次 tl.math.*，最后 libdevice。
- 生成测试：单 shape × 单 dtype 的 smoke test，确认可编译运行且结果正确；全面精度验证由 precision-eval skill 负责。
使用方式：需按阶段加载参考资源——设计 Tiling 时读 hardware-architecture.md，生成 Kernel 时读 templates.md，查 API 签名时完整阅读 triton-api-reference.md。
限制与常见陷阱：不使用 PyTorch 替代核心计算（matmul、conv、norm、scan 等），kernel 中不用第三方库或逐元素计算；归约需升 FP32；避免 grid > 65535 或 grid ≠ 物理核数；NPU 上不使用 GPU 专用参数（num_stages/num_warps/num_ctas）；循环内不可 return/break，tensor 不支持 [i] 下标，改用 tl.where、tl.gather、tl.extract_slice；大矩阵用对角线调度；归约类用单 pass。资料未提供具体安装命令与价格信息。