推荐系统是搜索、推荐、广告等业务的核心技术支撑，广泛应用于电商、内容平台、社交网络等场景。昇腾 NPU 具有高算力、低功耗的优势，正在被越来越多的开发者用于推荐系统的训练与推理。然而，将推荐系统模型迁移到昇腾 NPU 上，开发者通常面临以下挑战：挑战一：论文与源码获取繁琐挑战二：迁移过程复杂为了解决这些痛点，我们构建了一套基于 Agent-Skills 的端到端推荐系统模型 NPU 迁移流水线。通

推荐系统是搜索、推荐、广告等业务的核心技术支撑，广泛应用于电商、内容平台、社交网络等场景。昇腾 NPU 具有高算力、低功耗的优势，正在被越来越多的开发者用于推荐系统的训练与推理。然而，将推荐系统模型迁移到昇腾 NPU 上，开发者通常面临以下挑战：挑战一：论文与源码获取繁琐挑战二：迁移过程复杂为了解决这些痛点，我们构建了一套基于 Agent-Skills 的端到端推荐系统模型 NPU 迁移流水线。通

推荐系统是搜索、推荐、广告等业务的核心技术支撑，广泛应用于电商、内容平台、社交网络等场景。昇腾 NPU 具有高算力、低功耗的优势，正在被越来越多的开发者用于推荐系统的训练与推理。然而，将推荐系统模型迁移到昇腾 NPU 上，开发者通常面临以下挑战：挑战一：论文与源码获取繁琐挑战二：迁移过程复杂为了解决这些痛点，我们构建了一套基于 Agent-Skills 的端到端推荐系统模型 NPU 迁移流水线。通

推荐系统是搜索、推荐、广告等业务的核心技术支撑，广泛应用于电商、内容平台、社交网络等场景。昇腾 NPU 具有高算力、低功耗的优势，正在被越来越多的开发者用于推荐系统的训练与推理。然而，将推荐系统模型迁移到昇腾 NPU 上，开发者通常面临以下挑战：挑战一：论文与源码获取繁琐挑战二：迁移过程复杂为了解决这些痛点，我们构建了一套基于 Agent-Skills 的端到端推荐系统模型 NPU 迁移流水线。通

目前，这套基于 Agent-Skills 的工作流已经可以为 SAM 3.1 这类经典深度学习模型提供从入口梳理、候选识别、ONNX/ATC 转换到主路径接回的完整适配路径，为传统模型在昇腾（Ascend）OM 环境下的部署提供了一条可复用的参考方案，使适配效率从周级提升至天级。本次实践的另一个重要意义在于，通过 Agent Skills 将复杂的适配工作拆解为可执行、可复用、可持续演进的工作流程

目前，这套基于 Agent-Skills 的工作流已经可以为 SAM 3.1 这类经典深度学习模型提供从入口梳理、候选识别、ONNX/ATC 转换到主路径接回的完整适配路径，为传统模型在昇腾（Ascend）OM 环境下的部署提供了一条可复用的参考方案，使适配效率从周级提升至天级。本次实践的另一个重要意义在于，通过 Agent Skills 将复杂的适配工作拆解为可执行、可复用、可持续演进的工作流程

目前，这套基于 Agent-Skills 的工作流已经可以为 SAM 3.1 这类经典深度学习模型提供从入口梳理、候选识别、ONNX/ATC 转换到主路径接回的完整适配路径，为传统模型在昇腾（Ascend）OM 环境下的部署提供了一条可复用的参考方案，使适配效率从周级提升至天级。本次实践的另一个重要意义在于，通过 Agent Skills 将复杂的适配工作拆解为可执行、可复用、可持续演进的工作流程

当大模型和 Agent 持续进入软件研发、测试场景，如何把专家经验从"隐性知识"转化为"可复用能力"正成为越来越重要的问题。无论是算子开发、模型训练与推理、性能调优，背后都依赖大量专业知识、实践经验和标准流程。如果这些能力只能停留在个人经验里，就很难被规模化复用；如果能被沉淀为标准化 Skills，就可以真正释放 AI 辅助的价值。Agent-Skills 正是在这样的背景下持续建设的核心仓库。

指标目标实际情况状态精度验证通过100% 通过✅ 完成代码质量优秀优秀✅ 完成文档完整性完整完整✅ 完成开发效率高效1 小时完成✅ 完成同时提升了开发效率，传统方式需要 3-5 天完成的矩阵算子开发，使用 CATLASS Skills 后缩短至 1 小时，且代码质量有保障。CATLASS Skills 通过模块化的技能体系，将昇腾 NPU 上 CATLASS 算子开发的最佳实践固化为一套可复用的工

Ascend C Skills 通过模块化的技能体系，将昇腾上 Ascend C 算子开发的最佳实践固化为一套可复用的工作流程。从环境配置到性能优化，每个阶段都设有明确的输入输出、详细的参考文档和标准化的质量检查。目前，Ascend C Skills 已支持多种算子的开发，覆盖 Vector 算子类别，且精度验证均已通过。未来，我们将继续扩展算子支持范围，优化性能表现，为昇腾生态建设贡献力量。As