AgenticCANN：基于知识增强智能体进化的Ascend C算子自动生成

Ascend C算子优化对NPU（Neural Processing Unit，神经处理单元）推理性能至关重要，但需要深厚的硬件专业知识。尽管大语言模型（LLM）已在自动化CUDA内核生成上展现出潜力，但Ascend C根本不同的编程模型带来了尚未被探索的独特挑战。本文提出AgenticCANN，一个专为低语料NPU环境下自动化Ascend C算子合成量身定制的知识增强智能体进化框架。为克服在陌生硬件上严重的平台知识匮乏，AgenticCANN引入知识编排生成系统，在整个开发生命周期提供结构化、多层次的领域洞见，以解决上游可行性瓶颈。在此基础上，它采用阶段自适应的智能体进化策略，动态地将LLM交互模式与特定的生成和进化阶段对齐，在高探索的候选发现与高收敛的性能调优之间取得平衡。在华为Ascend 910B上、跨五个模式类别的六个算子开展的大量实验表明，本方法在逐元素和归一化算子上达到90%到100%的可行性，在融合算子上为56%，并在1B Pangu模型推理内核上取得最高6.65$\times$的加速。进一步分析显示，知识注入使逐元素算子的可行性从57%单调提升至86%，证明其收益是通用性的，而非特定于某个算子。