用途：在 TileGym 仓库中系统化地分析、诊断并迭代调优 cuTile 内核性能，核心指标是降低延迟（ms），前提是不得损失数值正确性。
主要能力：按三阶段推进——环境与基线准备、带记录的实验循环、持续迭代直到达标或收益停滞。支持内核分类（算术强度<10 为访存受限，10-50 为均衡，>50 为计算受限）以确定优化优先顺序；可调内核体、tile 尺寸、占用率、num_ctas、TMA 使用、延迟提示、flush_to_zero、autotune 配置、持久化调度等 cuTile 专有参数，以及启动包装器的 grid 计算与 autotune 配置空间。
使用方式：先创建新分支如 git checkout -b cutile-perf-<kernel_name>-<date>，定位 src/tilegym/suites/<suite>/cutile/ 或 src/tilegym/ops/cutile/ 下的目标内核，确认 GPU 节点可用；正确性测试用 python -m pytest tests/suites/.../test_<kernel_name>.py -k "test_ and cutile and not test_perf" -v；性能基准用 python -m pytest ... -k "test_perf and cutile" --print-record -v 提取延迟。每轮只应用一项优化，验证正确性、重新基准并与基线比较，提交 git 并将结果追加到 @sandbox/perf_results.md 的五列表格（iteration、optimization、latency_ms、correctness、status）。
适用场景：cuTile 内核性能调优实验，需要逐项优化并保留干净的实验记录。
限制：不得更改内核功能语义、测试基础设施与基准测试框架；正确性失败须立即回滚；延迟不得比基线回退超过 2%；每轮实验须在 10 分钟内完成；优化收益 <2% 或连续两轮无提升则停止；调度或未知根因需上报用户；超过 25 轮或用户中断则终止。