用途：指导智能体进行 NVIDIA CUDA C/C++ 开发，覆盖内核启动配置、从寄存器到全局内存的存储层级、基于流的异步执行、nvcc 编译选项、Thrust 库使用，以及 warp 分歧、非合并访存等常见性能陷阱的诊断。
主要能力：编写与优化矩阵乘、归约、模板计算等 CUDA 内核；选择 block/grid 维度并估算占用率；排查访存模式或低占用率导致的慢内核；用 cudaMemcpyAsync 搭建多流流水线；用 nvcc 选择架构标志（-gencode）；用 Thrust 替代手写内核实现并行原语。
使用方式：CUDA 以线程组成 block、block 组成 grid 组织工作。内核用 global 声明，以 vector_add<<<blocks, threads>>>(...) 启动，线程索引为 blockIdx.x * blockDim.x + threadIdx.x。内存层级包括寄存器、shared 共享内存、全局内存、constant 常量内存与纹理内存；共享内存分块（如 TILE 16 的矩阵乘）可减少全局访存。流与异步拷贝示例：cudaStreamCreate、cudaMemcpyAsync、cudaStreamSynchronize，配合 cudaMallocHost 固定内存实现真正的异步 DMA 重叠。编译示例：nvcc -O3 -arch=sm_80 -o prog vector_add.cu；多架构胖二进制用 -gencode arch=compute_80,code=sm_80 等；调试用 nvcc -G -g -O0；查看 PTX/SASS 用 -ptx、-cubin 与 cuobjdump -sass。常用标志包括 -O3、-G、-lineinfo、--use_fast_math、-maxrregcount=N。占用率可用 cudaOccupancyMaxActiveBlocksPerMultiprocessor 或 Nsight Compute 指标估算。Thrust 示例：thrust::device_vector、thrust::sort、thrust::reduce。
适用场景：矩阵乘、归约、模板计算等内核编写与优化；block/grid 维度选择与占用率估算；多流流水线搭建；nvcc 编译与架构标志选择；用 Thrust 实现排序、扫描、归约。
限制与常见问题：warp 内分支会导致串行化；连续线程应访问连续地址以保证合并访存。cudaErrorIllegalAddress(700) 需用 compute-sanitizer --tool memcheck 排查；cudaErrorLaunchTimeout(702) 需减少工作量或拆分内核；低占用率需减少寄存器或共享内存；CPU/GPU 结果不一致需加 __syncthreads() 或用原子操作；no kernel image available 说明 -arch=sm_XX 与 GPU 计算能力不匹配，可用 nvidia-smi --query-gpu=compute_cap 查询；H2D/D2H 拷贝慢通常因使用可分页内存，应改用 cudaMallocHost 固定缓冲区。相关技能包括 cuda-profiling、cuda-debugging、gpu-memory-model、hip-rocm、triton-lang、openmp。