用途：指导智能体用 OpenAI Triton 在 Python 中编写 GPU 内核，适合需要比纯 PyTorch 更快、但不想写原生 CUDA 的场景，如自定义 PyTorch 算子、融合内核原型（softmax+scale+bias）、用 autotuner 比较块大小与 warp 数、把 NumPy 风格逐元素运算移植到 GPU、以及系统化基准测试内核变体。
主要能力：@triton.jit 装饰器定义内核；tl.program_id 取块索引；tl.arange 生成块内索引向量；tl.load/tl.store 支持 mask 与 other 参数处理尾部元素；块指针（Triton 2.x+）支持结构化二维访问；tl.atomic_add 等原子操作（应少用，优先块内归约后每块单次原子）；BLOCK: tl.constexpr 作为编译期常量以分配共享内存并展开循环；@triton.autotune 首次运行时基准测试配置并按 key 形状缓存最优解。
使用方式：用 grid lambda 调用内核并传 BLOCK 等参数；用 triton.testing.Benchmark 做系统对比，或用 triton.testing.do_bench 快速计时；通过 torch.library.custom_op 加 register_fake 元函数接入 PyTorch 与 torch.compile；调试用 tl.debug_barrier 同步块内线程，用 TRITON_PRINT_AUTOTUNING=1 与 TRITON_CACHE_DIR 检查编译产物。
限制与常见问题：BLOCK 过大导致 OutOfResources；缺 mask 导致尾部结果错误；块大小不优时慢于 PyTorch；类型不一致引发编译错误；未初始化掩码通道产生 NaN（需 other=0.0）；torch.compile 缺少 fake kernel 会失败。JIT 函数中应避免 Python 副作用。资料未提供具体安装命令、版本要求与许可信息。