lohiaj/autokernels-genesis

# autokernels 自动化的 GPU-kernel 优化循环。一个 LLM agent 提出修改， 运行你的基准测试，如果分数提升超过了噪声 阈值，则保留更改，否则回滚。重复此过程，直到被告知停止。改编自 Karpathy 的 autoresearch 模式；唯一特定于领域的细节是，评估 指标是 "kernel/e2e throughput"（核函数/端到端吞吐量）而不是 "training loss"（训练损失）。 三个文件： | 文件 | 用途 | |---|---| | `bench.py` | 裁决工具。运行 N 次你的基准测试，检查正确性，与基线进行比较，输出 KEEP/REVERT JSON。 | | `prompt.md` | agent 提示词。描述了该循环。将其交给你使用的 LLM agent。 | | `README.md` | 本文件。 | 这就是全部内容。没有编排，没有沙箱，没有守护进程，也没有 假设类别的清单。 ## 使用 ``` # 1. 告诉 bench.py 如何运行你的 bench (必须向 stdout 打印 "score: ") export AUTOKERNEL_BENCH_CMD="python my_bench.py --some-flags" export AUTOKERNEL_TEST_CMD="pytest tests/" # optional; "" to skip export AUTOKERNEL_TRIALS=3 # default; raise if your bench is noisy # 2. 建立基线 (首次调用会在不进行比较的情况下写入 baseline.json) python bench.py # 3. 使用 prompt 启动你的 agent # (无论你的 agent CLI 是什么 — Claude Code, Cursor, Aider, 等等。) your-agent < prompt.md ``` agent 将读取 `prompt.md`，运行循环，并将每次接受的 更改写入为一个 git commit。`SESSION_LOG.md` 是它在不同尝试间的记忆。 ## 配置 所有标志都是可选的；合理的默认值已内置在 `bench.py` 中： | 环境变量 | 默认值 | 说明 | |---|---|---| | `AUTOKERNEL_BENCH_CMD` | （必填） | shell 命令，必须打印输出 `score: ` | | `AUTOKERNEL_TEST_CMD` | `""` | 正确性检查命令；退出码为 0 = 通过；为空则跳过 | | `AUTOKERNEL_TRIALS` | `3` | 基准测试取平均值的运行次数 | | `AUTOKERNEL_TIMEOUT_S` | `600` | 每次测试的超时时间 | | `AUTOKERNEL_SIGMA_K` | `2.0` | 提升幅度必须超过 K * combined_sigma | ## 为什么这么简短 这个 repo 的早期版本有大约 1600 行的 harness、沙箱、watchdog、 分类器、多 GPU 编排器和五元裁决分类法。这些 都不是核心价值所在。核心价值在于这个循环：*提出、测量、 保留或回滚，重复。* Karpathy 在 LLM 训练中发现了这一点；我们 正将其应用于 GPU kernel。其他所有内容都是为了 应对特定事件而增加的范围蔓延——而且大多数事件最好直接呈现给 人类，而不是用更多的代码来掩盖。 如果你需要 8 GPU 多活动编排，只需在 8 个终端中运行此程序的 8 个 实例即可。“全局损失日志”就是跨 分支的 `git log --all --oneline`。 ## 许可证 见 `LICENSE`。

标签：AI智能体, AMD MI300X, Autoresearch, Cutter, DLL 劫持, Genesis物理模拟器, Git, GPU优化, GPU集群, LLM代理, Python, 内核优化, 吞吐量优化, 多GPU, 多智能体协同, 大语言模型, 循环优化, 性能调优, 损失日志, 无后门, 网络安全研究, 自动化代码生成, 自动化研究, 自动调优, 逆向工具