用途：面向使用 Helion（import helion; import helion.language as hl）编写内核的开发者，解决两类易错问题——嵌套/不规则（ragged/jagged）张量迭代，以及自动调优与配置管理。
主要能力：一、锯齿张量。数据以前缀打包存储：扁平 x_data 加长度 num_rows+1 的 x_offsets，第 i 行为 x_data[x_offsets[i]:x_offsets[i+1]]。核心 API 为 hl.jagged_tile(parent)，parent 是来自外层 tile 上下文的每 lane 结束位置张量，它降为稠密 hl.tile(parent.amax()) 循环并自动掩码 tile_k.index >= parent[lane]，无需手写掩码。限制：parent 秩须≥1，各轴须来自外层 tile；不能作为内核最外层循环；锯齿子 tile 须用父轴索引（x[tile_b, tile_k] 合法，x[tile_k] 不合法）；内层边界统一时用普通 hl.tile()。
二、自动调优与配置。Kernel.autotune(args) 返回 helion.Config，可 save/load、to_json/from_json/from_dict、minimize。默认首次调用自动调优并按硬件、特化（形状/类型/步长）、运行时、后端与源码哈希缓存到磁盘。环境变量包括 HELION_CACHE_DIR、HELION_AUTOTUNE_CACHE、HELION_FORCE_AUTOTUNE、HELION_SKIP_CACHE、HELION_ASSERT_CACHE_HIT、HELION_AUTOTUNE_EFFORT、HELION_AUTOTUNE_BUDGET_SECONDS。少量已知形状可用 configs=[...] 加 key=；可用 helion.from_cache() 预热搜索。AOT 启发式用 helion.experimental.aot_kernel 装饰，并以 python -m helion.experimental.aot_runner -- python my_benchmark.py 离线生成 helion_aot<kernel>_<device>_sm<NN>.py，运行时按计算能力回退查找，实现零成本按形状选配置。跨机共享可实现 RemoteCacheBackend 并设置 HELION_REMOTE_CACHE_BACKEND 与 HELION_AUTOTUNE_CACHE=RemoteAutotuneCache。static_shapes、hl.specialize、torch._dynamo.mark_static、key= 控制特化粒度。
适用场景：多形状、多 GPU 部署且不希望运行时重新调优；团队/CI 共享配置；锯齿数据上的归约、softmax、归一化、矩阵乘与注意力等。
限制：AOT 离线扫描较慢（每个不同形状约 5–15 分钟）；未找到启发式文件时回退默认配置并一次性告警；新增 GPU 需在该硬件上重跑 aot_runner。具体收费与平台支持暂未提供。