用途：在昇腾 NPU 上对 Vector 类 Triton 算子做单算子深度性能优化，目标是将指定算子性能提升至少用户要求的 x 倍，达标后越高越好。禁止使用入图方式提升性能，只关注单算子独立优化。
主要能力与优化要点：优先批量处理多个 Token 以减少访存；按 UB 容量规划单次循环最大 Token 数 N（UB 总容量 192 KB，取 170 KB 的 50% 即 85 KB 以启用 Double Buffering，满足 N×S_token≤85×1024，用整数除法 // 计算）；用 mask 处理尾块；减少 kernel 内 Scalar 运算；index_select 等非连续访问逐行读取；加载与计算交织；多写入流边算边写；用 tl.arange 生成二维索引；避免 tl.where、避免重复 insert_slice；规约优先选最大维度；不变参数用 tl.constexpr，可变参数用动态参数。
使用方式：先配置环境 export LD_LIBRARY_PATH=/usr/local/Ascend/driver/lib64/driver:/usr/local/Ascend/driver/lib64/common:/usr/local/Ascend/driver/lib64:$LD_LIBRARY_PATH && source /usr/local/Ascend/ascend-toolkit/set_env.sh；用 python -m pytest test_<op_name>.py 验证正确性；用 msprof op --output=<用户指定的路径> --kernel-name="<op_name>kernel" --warm-up=20 --launch-count=20 python test<op_name>_perf.py 测性能，Task Duration(us) 为基线。修改前备份源码，每次修改后都需正确性验证与性能测量，迭代至达标，并按模板输出优化结果报告。
限制：仅适用于昇腾 NPU 与 Triton 单算子场景；tensor 须内存连续；kernel 内 if-else 同名变量 Shape 必须一致；避免 tl.load 的 other 参数；具体性能倍数、支持算子范围与版本要求资料未提供。