学习何时优化：源自专家GPU内核谱系的已验证优化技能

基于LLM的智能体越来越多地被用于生成GPU内核，但它们往往知道可以尝试哪些优化，却不知道这些优化何时才可靠。我们提出KLineage，它从专家内核中学习这种缺失的“何时”知识：KLineage不依赖前向推演，而是沿验证门控的简化反向遍历专家实现，并将每一步被接受的简化逆转为一条可复用的优化技能。每条技能不仅记录优化意图，还记录它适用于代码中的哪个位置、哪些条件使其成立、它产生了什么效果，以及其前提假设能避免哪些失败。下游LLM在相同的编译/正确性/性能剖析门控下，将这些技能落实到新的代码表面上。在横跨两代NVIDIA架构的五个专家工作负载上，这些由谱系推导出的技能充当了有效的优化课程，在相同固定预算下，最终内核质量与优化效率均超过近期的基于记忆的LLM内核基线。我们还另外使用一个独立的22实例留出检查，作为防范源案例记忆化的健全性测试。