CUDA-Q 量子入门指南
帮助开发者安装 CUDA-Q、编写量子内核，并使用 GPU 模拟器或真实 QPU。
技能声明仅使用 Read、Glob、Grep，未见恶意、凭据窃取或破坏性默认行为；对 QPU 凭据提出环境变量、避免提交和优先使用密钥管理器，并要求先用 emulate=True，且明确云/QPU外部影响。扣分在于安装、云连接和真实硬件提交缺少逐步用户确认、权限边界、数据流说明及回滚方案。
路由表、平台前提、目标选择和故障排查基本一致，且包含 CPU/GPU/QPU 分支；但引用的本地文档未随所给材料提供，版本与依赖未锁定，没有覆盖关键路径的可执行测试或明确异常反馈。静态证据不足，按上限保守给分。
目标用户、安装、测试程序、GPU模拟、QPU、应用和并行化场景清晰，且列出 macOS、无GPU、MPI和内核限制等非适用边界；负向评测也定义了 CUDA-Q 与相近请求的区分。未提供中文交互指导，部分云/QPU资料依赖外部服务，面向中国大陆的可达性和替代路径未说明，因此扣分。
SKILL.md具有结构化章节、路由、示例、限制、故障排查、版本1.0.1、作者和Apache-2.0声明；skill-card补充了所有者和更新背景。扣分在于缺少明确变更日志、维护责任/更新入口和依赖版本矩阵；给定仓库许可证元数据为NOASSERTION，与文件内许可证声明存在治理层面的不确定性。
内容可直接支持安装决策、Bell状态验证、模拟目标选择、QPU两步询问、应用概览和多GPU并行建议；但关键安装和Bell程序正文未完整给出，实际步骤依赖未提供的文档，且静态审查不能确认命令、API和输出可运行。基于已有评测报告只能给予接近静态上限的分数。
存在固定修订号、文档路径、外部文档引用、结构化evals和一份声称通过的基准报告，提供了有限追溯线索；但没有可由所给材料独立复现的关键路径测试、CI覆盖或第三方原始结果，基准结论主要是作者报告，故不能提高到静态上限以上。
- 不要把技能中的外部文档链接、安装命令或QPU提供商步骤视为已验证；在执行安装、联网或真实硬件提交前，应确认版本、目标、费用、权限和凭据范围。
- 面向中国大陆用户时，应预先验证 NVIDIA 文档、云服务和QPU提供商端点的网络可达性，并准备离线文档或本地模拟替代方案。
- 补充完整的Bell状态示例、依赖版本矩阵、命令级确认点、回滚方案和可执行CI测试，以降低文档漂移风险。
这个 Skill 能做什么，适合哪些场景？
这是 NVIDIA CUDA-Q 的入门型 Agent Skill，面向 Python 和 C++ 用户。它覆盖安装、Bell 态验证程序、GPU 加速模拟、真实 QPU 接入、量子应用示例以及多 GPU/QPU 并行执行。Linux 可使用 NVIDIA GPU 目标，macOS 主要使用 CPU 模拟，Windows 需要通过 WSL。若需要本地文档内容之外的编译器内部分析，应转交给另一个编译器相关技能。
读取 CUDA-Q 本地文档，并根据参数路由到安装、测试程序、GPU 模拟、QPU、应用或并行化主题；指导用户执行 pip 或 C++ 安装命令；构建和运行 Bell 态内核并检查约为 { 00:~500 11:~500 } 的结果；解释 cudaq.sample()、run()、observe() 和 get_state()；推荐 nvidia、tensornet、qpp-cpu、mgpu 或 mqpu 目标；按技术类别和提供商分步说明 QPU 使用方式。
- Python 初学者希望在本地安装 CUDA-Q 并运行首个 Bell 态程序时使用。
- 拥有 NVIDIA GPU 的开发者需要选择单 GPU、跨 GPU 或张量网络模拟后端时使用。
- 没有 GPU 或使用 Apple Silicon 的用户需要配置 CPU-only 模拟时使用。
- 量子应用开发者希望探索 QAOA、VQE、Grover、量子机器学习或金融示例时使用。
- 准备连接 IonQ、Quantinuum、IQM、QuEra、AWS Braket 等 QPU 提供商的用户可用它分步配置。
- 需要同时运行多个电路或分摊大型 Hamiltonian 计算的用户可用它选择 `mqpu`、线程或 MPI 策略。
这个 Skill 有哪些优点和局限？
- 覆盖从安装到 QPU 接入的完整 CUDA-Q 入门路径。
- 同时提供 Python 和 C++ 路径，并区分 GPU、CPU、单 GPU、多 GPU 和多 QPU 场景。
- 包含明确的验证步骤、安全凭据建议和常见故障排查。
- 技能本身使用 Apache-2.0；集合仓库由 NVIDIA 维护并每日从产品仓库同步。
- GPU 模拟需要 Linux；macOS 仅支持 CPU 模拟，Windows 需要 WSL。
- Python 内核只能使用受限子集，不能在内核中使用 NumPy 或 SciPy。
- `mgpu` 需要 MPI，QPU 使用需要提供商账户和凭据。
- 源材料没有提供该单项技能的独立测试套件或实际平台测试证据。
如何安装这个 Skill？
使用 NVIDIA 技能集合中的默认 CLI 安装该技能：npx skills add nvidia/skills --skill cudaq-guide --yes。README 未说明该命令具体把技能目录放到哪个本地路径；不需要手动克隆仓库或复制文件。安装后可用 npx skills update 更新已安装技能。
如何使用这个 Skill？
通过 /cudaq-guide 触发；不带参数时显示完整菜单。可使用 /cudaq-guide install、/cudaq-guide test-program、/cudaq-guide gpu-sim、/cudaq-guide qpu、/cudaq-guide applications 或 /cudaq-guide parallelize 直接进入对应主题。QPU 流程会先询问技术类别，再询问提供商。
这个 Skill 与同类方案有什么区别？
与 qpp-cpu 相比，nvidia 目标面向 NVIDIA GPU 加速模拟，而 qpp-cpu 是无 GPU、macOS 或小型测试电路的 CPU-only 后备方案；mgpu 用于扩展单个大型电路的内存，mqpu 用于并行运行多个独立电路。