这个 Skill 能做什么，适合哪些场景？
该技能面向需要把 cuTile Python 内核转换为 cuTile.jl Julia 内核的开发者。它覆盖语法、索引、广播、内存布局、类型系统和启动 API 的差异，并提供转换、调试、测试和验证流程。技能要求 Julia 内核独立运行，不依赖 Python 桥接或 pytest 集成。运行环境需要兼容版本的 Julia、CUDA 13.1 以上驱动和 Blackwell GPU。
分析 Python 的 @ct.kernel 内核及其形状、数据类型和运算；生成 julia/kernels/<op>.jl 中的 cuTile.jl 内核和桥接函数；编写 Julia Test 与 NNlib.jl 测试；注册测试；运行 scripts/validate_cutile_jl.py 静态验证器；使用 julia --project=julia/ julia/test/runtests.jl 执行测试；针对 MethodError、IRError 和数值不匹配提供调试指引。
- GPU 内核开发者需要把现有的 cuTile Python 加法、矩阵乘法或 softmax 内核迁移到 Julia。
- Julia 开发者遇到 0/1 索引、行主序/列主序、广播或 ct.load order 导致的转换错误。
- 团队需要为新转换的 cuTile.jl 内核补充 Julia 原生测试和 NNlib.jl 参考结果。
- 开发者需要在运行 Julia 测试前检查常见 cuTile.jl 反模式和启动参数错误。
- 维护者需要诊断 MethodError、IRError 或转换后数值不匹配问题。
如何安装这个 Skill？
- 不要在未确认前自动写入项目、安装依赖或运行 GPU 测试；先检查目标文件和工作区状态。
- rm -rf ~/.julia/compiled/cuTile* 具有破坏性，应改为可恢复或更精确的缓存清理，并明确确认要求。
- 必须核实 cuTile.jl、CUDA、Julia 版本、驱动和 Blackwell GPU 是否实际兼容；当前材料未证明 Julia 转换示例已通过执行测试。
- 基准报告整体 FAIL，且报告的正向样本仅 1 个，不能据此推断广泛有效性。
- Shell / 命令行
- 网络访问
- 本地文件系统
Julia version declared in julia/Project.tomlCUDA 13.1+ driverBlackwell GPU with compute capability 10+CUDA.jlcuTile.jlNNlib.jlTestPython
在支持 Agent Skills 的客户端中运行：npx skills add nvidia/skills --skill tilegym-converting-cutile-to-julia --yes。README 未说明该命令的具体安装目录；CLI 会处理安装目标。安装 Julia 依赖：julia --project=julia/ -e 'using Pkg; Pkg.instantiate()'。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/NVIDIA/skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/tilegym-converting-cutile-to-julia" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
安装后，把下面任意一句发给 Agent 即可触发：
- 将这个 @ct.kernel cuTile Python GPU 内核转换为 cuTile.jl Julia 内核，并按照该技能的测试和验证流程检查结果。
让代理处理类似请求：“将这个 @ct.kernel cuTile Python GPU 内核转换为 cuTile.jl Julia 内核，并按照该技能的测试和验证流程检查结果。”标准流程包括分析内核、编写 julia/kernels/<op>.jl、编写并注册 julia/test/test_<op>.jl、运行 python <skill-dir>/scripts/validate_cutile_jl.py <file.jl>，以及运行 julia --project=julia/ julia/test/runtests.jl。
这个 Skill 有哪些优点和局限？
- 专门覆盖 cuTile Python 到 cuTile.jl 的实际语义差异。
- 提供 add、matmul 和 softmax 的示例及 Julia ground-truth 内核和测试。
- 包含 17 条关键规则、API 映射、调试和测试参考资料。
- 包含静态验证脚本和完整的 Julia 原生测试流程。
- 仅针对 cuTile Python 到 cuTile.jl，不是通用 Python 到 Julia 转换器。
- 要求兼容版本的 Julia、CUDA 13.1 以上驱动和 Blackwell GPU。
- 源材料没有说明在其他 GPU 架构或较旧 CUDA 驱动上的支持情况。
- 仓库元数据的许可证标记为 NOASSERTION，而技能声明为 CC-BY-4.0 AND Apache-2.0，采用前应核对许可要求。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| cuTile Python 到 Julia 转换助手 本页 ✓ NVIDIA · 官方 | 47 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| cuTile 到 Triton 内核转换助手 ✓ NVIDIA · 官方 | 38 · 不推荐 | ★ 3.8k | 今天 | Apache-2.0 |
| CuTile 自动调优指南 ✓ NVIDIA · 官方 | 52 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| cuTile Python 内核助手 ✓ NVIDIA · 官方 | 44 · 不推荐 | ★ 3.8k | 今天 | Apache-2.0 |
| TileGym cuTile 内核性能优化 ✓ NVIDIA · 官方 | 44 · 不推荐 | ★ 3.8k | 今天 | Apache-2.0 |
FollowSkills 如何评估这个 Skill？
技能范围明确，主要指导本地内核文件编写、依赖安装和测试；未见恶意行为、凭据窃取或数据外传。扣分原因是流程要求直接写文件、安装依赖并运行测试而未要求用户确认，调试文档还给出 rm -rf 编译缓存命令，缺少回滚和数据流说明；依赖 CUDA、Julia、GPU，且未讨论依赖安全。
文档提供转换步骤、错误模式、示例和测试命令，且说明若遇内部编译器错误应提交最小复现。静态证据不足，未展示该技能路径对应的 Julia 源码、测试套件或 CI；存在基准报告整体 FAIL、重复内容和若干未验证 API 断言。因此按静态上限保守扣分。
目标用户、输入类型和主要转换场景清楚，涵盖内核转换、调试和优化，并列出硬件与版本前提。扣分原因是未明确非适用边界、触发排除条件、中文使用支持或大陆网络可达性；依赖本地 Blackwell GPU，适用环境较窄。
目录结构、工作流、API 映射、关键规则、测试和调试文档较完整，技能声明了 CC-BY-4.0 AND Apache-2.0、作者和标签，仓库也提供许可证及官方组织归属。扣分原因是缺少明确版本、变更日志、维护责任和更新路径；基准报告指出重复内容、缺少推荐 Examples 章节及脚本表格，且引用层级较深。
技能给出从分析、编写、测试到验证的端到端流程，并提供 add、matmul、softmax 示例和静态验证命令，理论上可减少手工迁移成本。扣分原因是本次仅静态阅读，Julia canonical kernels、测试文件和 validator 实现未随证据提供；基准报告总体 FAIL，无法确认输出可直接使用。
技能包含可审计的规则、命令、示例验证代码和一份基准报告。扣分原因是没有提交的 Julia 测试、CI 日志或独立复现结果，基准报告仅给出汇总指标且总体判定 FAIL；因此只能获得有限静态可验证性。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →