msProbe 精度比对分析

适用场景

• 分析 msprobe compare 的结果文件（CSV/XLSX），定位整网精度问题
• 找"第一个开始变差的位置"，而非全局最大误差
• 输出多个可疑算子候选，不强制收敛为单点结论
• 支持多轮迭代分析：辅助信息帮助跳过已验证项、聚焦未解问题

分析流程

1. 数据模式检测 + 阈值确定

• 读取 CSV 表头：有 Max diff 字段 → 统计量模式
• 全自动自适应阈值：脚本内置自适应阈值级联检测算法（序列变点 → 锚定回溯 → Delta-NRE 离群 → 分布间隙 → 统计兜底），自动从数据分布中确定最优 NRE 阈值，无需用户干预。序列变点检测（SICD）支持多窗口变体（滑动窗口 200/500/1000），小窗口独立检测局部跳变，取所有有效检测的最小值作为最终阈值。所有方法结果钳制在 0.1% 下限（被钳制时方法标注 (clamped to 0.1%) 且置信度降级）。序列变点检测的 epsilon 基于序列前 100 节点 p25（局部前导基线，对后段污染免疫）。阈值远高于变点前段分布时警惕数据伪影并交叉核对 §7 数据质量告警。
• Read references/thresholds.md 了解自适应阈值算法详情

2. 辅助信息收集

• Read references/aux_info.md
• 辅助信息获取按以下优先级取首个可用来源，禁止因低优先级来源不可用而中断分析：
  1. 请求内附带（最高优先级）：用户已在本次请求中附带辅助信息 → 直接使用，跳过交互
  2. 交互询问：请求内无辅助信息且 AskUserQuestion 工具可用 → 使用该工具询问（「跳过」或 Type something. 自由输入）
  3. 降级（工具不可用）：请求内无辅助信息且 AskUserQuestion 不可用（当前 agent 运行环境未注册该工具）→ 按标准流程分析，报告省略 §0，并在 §1 元信息标注「辅助信息未收集——当前运行环境无交互工具，如需多轮迭代请在请求中附带辅助信息后重跑」
• 无辅助信息时：禁止自行搜索历史报告
• 多轮迭代支持：上一轮的单算子验证报告（*_verify_report_*.md）可作为辅助信息——验证通过的算子自动归入"已排除算子"，验证失败的归入"已知根因"

3. 运行辅助脚本（结构化输出模式）

python <skill_dir>/scripts/analyze_stat.py <compare_result.csv|xlsx> --format json

• 脚本默认启用自适应阈值级联检测（序列变点 → 锚定回溯 → Delta-NRE 离群 → 分布间隙 → 统计兜底），自动确定最优 NRE 阈值。脚本输出的 JSON 中 auto_threshold 字段包含检测方法、置信度、统计量，以及 分段检测信息（per_segment_thresholds、segment_count、low_signal_nodes）
• JSON 默认写入 <csv_dir>/.compare_result_analyzer/<csv_stem>_result.json
• 若过滤比例 >50%，报告中说明
• 脚本自动进行近零噪声过滤：识别因 bench_l2norm 趋近 dtype 精度下限导致 NRE 虚高的节点，清零其误差指标使其不参与首问题点发现和传播分析。过滤规则：双向近零判定——bench 与 npu l2norm 同时低于分界线（数据自适应断层 / dtype 精度边界兜底）且 NRE >= 阈值。仅当两侧都处于精度下限才是分母效应噪声。单侧近零（bench≈0 而 NPU 有信号）= 发散信号，保留并标记 divergence_signal。实测教训：此规则曾把根因算子的 backward 行整行清除使其在 JSON 隐形。仅作用于浮点 dtype（float32/16/bf16/64），整型和 float8/bool 不参与。噪声节点在 §7 汇总中体现，不在 §E 正文中出现。JSON 输出保留 noise_filtered_nodes 明细，计数见 noise_filter.divergence_signal_nodes
• 自适应阈值级联顺序：序列变点检测（SICD）→ 锚定回溯（AnchoredBacktrack）→ Delta-NRE 离群检测（DeltaNREOutlier）→ 分布间隙检测（DistributionGap）→ 统计兜底（StatisticalFallback）。详见 references/thresholds.md
• 脚本运行时在 stderr 输出 per-dtype 近零噪声自检日志：格式 [noise_filter] dtype=<dtype> cutoff=<value> source=<adaptive_gap|dtype_boundary> total=<count> noise=<count>。agent 应关注该日志确认各浮点 dtype 均被正确过滤、无遗漏

3.5 按需查询（Agent 直接读取 JSON）

Agent SHALL 直接读取 analyze_stat.py --format json 输出的 JSON 文件获取所有分析数据。 JSON 已包含 propagation 明细、预计算字段（amplifier_candidates、spike_indicators、 fb_association_candidates、pool_external_indicators、pool_input）等结构化数据， 无需额外的缓存查询接口。

• 禁止重新运行全量分析来获取细节——直接读 JSON
• 如需统计摘要，读取 JSON 中的 summary 字段
• 如需补充候选，读取 JSON 中的 pool_external_indicators 字段并按 C-ANALYSIS-028 筛选

3.6 多卡汇总分析（可选）

当用户提供多张卡的比对文件时：

# 对每张卡独立分析（阈值自动检测）
python <skill_dir>/scripts/analyze_stat.py <card0.csv> --format json
python <skill_dir>/scripts/analyze_stat.py <card1.csv> --format json

Agent SHALL 读取每张卡的 per-card JSON，按 references/multi_card_rules.md 中的规则 （M-001 ~ M-010）执行跨卡聚合分析，包括：

• 跨卡共识根因（M-002）、卡特定根因（M-003）
• 首问题点对齐（M-004）
• 接近阈值告警（M-005）、共识回溯（M-006）
• Backward Amplifier 共识（M-007）
• FB Confidence 分布（M-008）、Scenario Flags 聚合（M-009）
• 最差卡与趋势判定（M-010）

多卡报告：使用 assets/multi_card_report_template.md 模板生成，包含逐卡对比表、共识指标、 跨卡根因、最差卡、趋势分析，以及 数据覆盖缺口（逐卡独立列出 + 跨卡共有缺口优先排查）。

3.7 场景定向过滤流程

当 spike_indicators.spike_condition_met == true 或 backward 方向存在 NRE>100% 极端节点时， 本聚焦流程为必选。流程：

1. 先聚焦：python <skill_dir>/scripts/analyze_stat.py <csv> --keep-only parameters_grad --format json
2. 区域定位：在聚焦子集中找「首个显著脏参数梯度」
3. 族内首脏成员优先：执行序首个脏成员 = 根因高优先候选
4. 全量合并呈现：聚焦与全量分析结论合并呈现
5. 返回空时降级：改用全量 backward + fb_association_candidates 分析
6. 三分类兜底：Agent SHALL 从 JSON param_grad_three_category 字段读取三分类候选（同块成堆 / 孤立大NRE / 执行序靠前），三类并列呈现、不做优先级取舍，各自保留既有传播分类标注

4. 数据质量检查 + 定位首差异链（核心分析阶段）

• 数据质量优先检查：查看 §7 中 shape/dtype 不一致的数量。shape 不一致分级告警：>10% 标注"关键数据异常"（warning），>50% 标注"严重数据异常——建议先修复数据结构对齐"（critical）。shape 不一致节点在传播分类中标注"NRE 可能不可信"
• 首问题点数据质量稀释保护：当首问题点节点自身的 input→output 签名清晰（单侧脏输入或明显引入误差）时，即使邻域存在大量 shape 不一致伪象，仍应把该首问题点作为首要可行动结论给出；数据质量告警降级为「局限说明」（提示其 NRE 可信度受结构错位影响，标注 "⚠️ 数据质量局限：邻域存在结构伪象，首问题点 NRE 可信度可能受结构错位影响，但其 input→output 签名清晰——仍为首要排查方向"），而非唯一结论。区分「局部结构伪象」与「首点本身仍承载真实载荷」
• 数据覆盖缺口检查：查看 JSON 中 meta_errors.data_coverage_gaps。若存在缺口（干净输出→脏输入之间无可比对节点），报告 §1 增加「数据覆盖缺口」子节
• Read references/constraints.md（重点看分析逻辑约束 C-ANALYSIS-xxx）
• 按执行顺序和堆栈信息定位，遵循分析逻辑约束（C-ANALYSIS-xxx）
• 首问题点判定：C-ANALYSIS-001（不可忽略标准）+ C-ANALYSIS-002（上下游传播检查，必须经过 INPUT_PROPAGATION 和 DOWNSTREAM_ABSORBED 检查后方可确认）
• 传播跳变分析：C-ANALYSIS-003（四种模式）+ C-ANALYSIS-014（多 input 复合优先级规则，消除 ROOT_CAUSE/PASS_THROUGH 双标签）
• 多 input/output 检查、下游吸收、INPUT_PROPAGATION 溯源（执行顺序链追溯，C-ANALYSIS-015）、反向重计算处理
• 分析范围：上游溯源/下游吸收 ±500 行（C-ANALYSIS-011，报告 §1/§4 须注明）
• 显著放大算子（Jump > 2×）从 ROOT_CAUSE 独立呈现（§5.1a），参数误差节点（weight/bias）自动提升优先级
• 确认首问题点后记录行号范围起始值（C-ANALYSIS-013），作为后续过滤基准
• 低置信首点标注：首点 NRE ∈ [阈值, 5×阈值] 时标注"低置信首点"，建议结合 fb_association_candidates / spike_indicators 交叉解读，不得因量级小直接贬低其指针价值（曾有根因指针被误判为 bf16 噪声而错过 backward 证据）
• ROOT_CAUSE 分类含 dirty_inputs 字段、input_subtype（INPUT_ALL_CLEAN / INPUT_PARTIALLY_DIRTY / INPUT_ALL_DIRTY）、trace_boundary_reason（上游追溯中断原因）
• C-ANALYSIS-014 数据输入优先检查：存在脏数据输入时，仅当 output NRE > max(数据输入 NRE) × 1.1 才判 ROOT_CAUSE（避免干净 weight 覆盖脏 data input）
• 首检点引导标注：当全局首检点与 §5.1 中最大 NRE 的 ROOT_CAUSE 节点满足以下条件时，agent SHALL 在报告 §4 增加引导性标注：首检点 NRE < 根因区域最大 NRE × 0.1（量级显著差异）且行号距离 > 500 行（无直接因果链）。触发场景：grad_norm_spike 下 forward 首检点 NRE 常仅 0.1%，而 backward 根因区域 NRE 可达百万十亿%，两者行号距离数千行——用户仅看首检点会被引向无关区域。标注文本 SHALL 根据实际数据填入方向信息，禁止硬编码"参数梯度"："⚠️ 全局首检点（{fp_direction}方向，NRE={fp_nre}%）与最大误差区域（{max_direction}方向，NRE={max_nre}%）相距较远且无直接因果链——首检点的误差量级远小于另一方向，建议优先排查 {max_direction} 方向的根因候选（详见 §5.1），并结合前向/反向根因关联（§4）交叉验证。" 此标注为增强性引导，不替换首检点，首检点仍置顶第一行

4.5 方向分池与显著放大算子

• Agent SHALL 直接读取 JSON top_root_causes（脚本已按 C-ANALYSIS-027 三池合并去重）填充 §5.1，整表总计 ≤15 条（保底 ≤5 + 常规 ≤10，整表统一按行号升序），不再自行合并。三池合并规则（保底 ∪ 执行序 ∪ 量级、去重、保底保证入选、整表按行号升序、≤15）由脚本执行，详见 references/constraints.md C-ANALYSIS-027。
• 全量 ROOT_CAUSE 列表保留在 propagation.root_cause（执行序、不截断）。需要更多候选时从该列表直接提取，无需重新运行脚本。
• 显著放大算子（§5.1a）：Agent SHALL 按 C-ANALYSIS-025 从 JSON amplifier_candidates 字段筛选 all_inputs_clean == true 且 amplification_ratio > 2 的算子。
  • output_nre >= threshold → 保底池候选（纳入 §5.1）
  • output_nre < threshold → 显著放大算子（纳入 §5.1a，至多 5 条）
• Grad Norm Spike 场景：Agent SHALL 按 C-ANALYSIS-016 从 JSON spike_indicators 字段判定。若 spike_condition_met == true：
  • 清空 top_root_causes.forward
  • Backward 参数梯度输出节点置顶
  • top_root_causes.backward 顶部已有脚本置顶的 FB 关联同族 backward（fb_associated == true，与首点同算子族）——Agent SHALL 保留并置为最优先排查项，禁止从 §5.1 剔除
• 参数梯度三分类候选（grad_norm_spike / backward 场景必选）：Agent SHALL 从 JSON param_grad_three_category 字段读取三分类候选，三类并列呈现、不互斥、不排序压制，均为"待排查项/候选来源"维度，仅并列呈现、不各自判为根因。是否定位为误差引入点仍需按既有传播判定规则单独确认：
  • 同块成堆（same_block_cluster）：同一子模块块（同一模块路径前缀）内多个参数梯度同时超标——族内集中异常是高置信度信号
  • 孤立大NRE（isolated_large_nre）：单点绝对 NRE 最大的参数梯度——防止绝对值最大的入口被成堆候选淹没
  • 执行序靠前（execution_order_first）：参数梯度中执行序最早出现的超标节点——最接近误差最初扩散点的入口
  • 三类各自 SHALL 保留既有传播分类标注（误差引入/误差放大/误差继承），不得因"三类并列"而全部定性为根因
  • 在报告 §5.1 后增加「参数梯度三分类候选」子节（单卡）或在多卡报告对应位置增加子节，提示"以下候选三类并列、不做优先级取舍，均为待排查项而非根因定性"
• 报告中使用规则：分析时应区分 forward/backward 方向的根因特征。显著放大算子应在报告 §5.1a 独立展示。参数误差节点（weight/bias，含 backward 参数梯度输出）标注优先级提升。

4.6 前向/反向根因关联 + Backward 优先分析路径

• Agent SHALL 按 C-ANALYSIS-026 从 JSON fb_association_candidates 字段判定 forward↔backward 关联（含 confidence 字段：high/medium/low）。条目多时只列 top 5， 按 confidence + backward_nre 排序。
• 纯信号判定：backward 端检查 pre_filter_root_cause_snapshot（过滤前原始信号）中 NRE > 100% 的极端节点；forward 端检查首问题点 Jump > threshold。
• 报告中使用规则：若 fb_association_candidates 非空，在报告 §4 中增加「前向/反向根因关联」节。与首点同族的关联是最高优先排查项。
• spike 场景置顶：脚本已把与首点同族的 FB 关联 backward 置顶进 top_root_causes.backward 顶部（fb_associated == true）——这正是「首点算子的 backward 实现可能有问题」的直接证据，Agent SHALL 在 §5.1 置顶呈现并优先排查，不得降级为普通 §4 参考。
• Backward 优先分析路径（grad norm spike 场景）：按 C-ANALYSIS-021 三档继承性对照（继承 / 放大 / 实现问题）。族内首脏成员前置（详见 §4.7 和 C-ANALYSIS-028）。

4.7 补充候选检查（防漏检）

• Agent SHALL 按 C-ANALYSIS-028 从 JSON pool_external_indicators 字段筛选补充候选：
  • (a) Family 首脏成员：is_earliest_in_family == true 且 NRE ≥ 阈值
  • (b) Output 显著放大：jump > threshold × 2
  • (c) 无 input 参数梯度：is_param_grad_no_input == true
• 判定指标仅使用 NRE 和 jump，不引入新指标。
• 报告呈现：取 NRE 最大的至多 5 条 + 族内首脏成员（强制补入），并入 §3 表尾（标注"补充候选"来源）。保留完整 prefix 路径，禁止聚合抹平。纯 forward 场景不触发族内首脏成员逻辑。

5. 结合算子类型修正

• Read references/thresholds.md 了解自适应阈值算法详情
• Read references/operator_types.md 了解特殊算子处理规则（类别 1 / 类别 2）
• 占位、冗余、无法比对算子仅做说明，不作为根因
• 无计算算子豁免（类别 1）：empty* / numpy / to 即便 NRE 超阈值也仅做说明、不作为根因，不进入 §3/§5.1/§5.1a 候选
• 集合通信算子输入豁免（类别 2）：_reduce_scatter_base / _all_gather_base / all_to_all_single / batch_isend_irecv 禁止用 input 做传播判定，仅用 output 判定——按 output NRE 可作为根因候选/首点（跳过 C-ANALYSIS-002 step2 / 003 / 004 / 014 的 input 侧检查）；上游溯源到此停止（跨 rank），标注边界并引导跨卡共识分析（M-002）交叉确认。细则见 references/operator_types.md

6. 输出多个候选

• 按条目上限（C-REPORT-009/C-REPORT-013），在报告 §3（内容 = {首问题点} ∪ §5.1 全部条目 ∪ §5.1a 显著放大算子 ∪ §5.2 全部条目 ∪ §5.3 全部条目，上限 31 行 + 补充候选至多 5 条，不含 INPUT_PROPAGATION 和 ABSORBED）、§5.1（常规 ≤10 + 保底 ≤5 = ≤15 条，整表不区分方向）、§5.1a（≤5 条）、§5.2~§5.5（各 ≤5 条）、§5.6（不限制，汇总所有）中列出候选节点
• §3 补充候选：Agent SHALL 按 C-ANALYSIS-028 从 JSON pool_external_indicators 取 NRE 最大的至多 5 条并入 §3 表尾（标注"补充候选"）。Backward / grad_norm_spike 场景触发族内首脏成员强制补入时（窄化条件见 §4.7），补充候选取舍为「NRE-top-5 ∪ 族内首脏成员」——族内首脏成员即使 NRE 不在 top-5 也须补入，标注「族内首脏成员」，保留完整 prefix 路径禁止聚合抹平。纯 forward 场景不触发，零影响
• §5.1 以 JSON top_root_causes 为准：脚本已按 C-ANALYSIS-027 三池合并去重（保底 ∪ 执行序 ∪ 量级，整表总计 ≤15，整表统一按行号升序、保底保证入选），agent 直接取池内条目填充 §5.1，禁止用 output 行手工覆盖脚本分类（grad_norm_spike 下 top_root_causes.forward 已清空、backward 参数梯度输出已置顶；含 parameters_grad 的 backward 算子由 C-ANALYSIS-021 独立评估，不受 C-ANALYSIS-007 吸收检查影响）。池外真实量级候选用 --cache 下钻补入
• §5.1 行序前 10 之外必须再按 NRE 降序交叉核对：无 input 的 parameters_grad 节点无 jump，用 output_nre（同量级池口径）。必须包含「区域入口 + 族内首脏成员」强制项（根因常是量级并非最大的族首成员）。Backward 场景族内首脏成员：当同族有 ≥2 成员在 backward root_cause（尤其 impl_only/amplified）或 pool_external_indicators 中出现时，执行序最早/input 最干净的族成员须强制列入候选，标注「族内首脏成员」，不得因 NRE 不在 top-5 而省略（详见 §4.7）
• §5.2/§5.3 按 jump 交叉核对：禁止仅按行号截断。Module 族聚合兜底——单条 jump 略低但族内多条不得整体遗漏
• 参数梯度三分类候选（grad_norm_spike 场景）：在 §5.1 后增加独立子节，从 JSON param_grad_three_category 读取三分类候选人（同块成堆 / 孤立大NRE / 执行序靠前），三类并列呈现、不互斥，至多每类 5 条。各条目保留既有传播分类标注（误差引入/误差放大/误差继承），不得因"三类并列"而全部定性为根因。子节抬头提示"以下候选三类并列、不做优先级取舍，均为待排查项而非根因定性"
• 按 高 / 中 / 低 三档优先级排列，不强制收敛为单点结论

7. 生成报告（报告输出阶段）

• Read assets/report_template.md，按模板生成完整报告
• grad_norm_spike 场景：报告 SHALL 在 §5.1 后增加「参数梯度三分类候选」子节（同块成堆 / 孤立大NRE / 执行序靠前），从 JSON param_grad_three_category 读取，三类并列呈现不互斥。多卡报告对应增加子节
• Read references/constraints.md（重点看报告输出约束 C-REPORT-xxx）
• 报告可读性约束（C-REPORT-xxx，所有报告适用）：报告正文 SHALL 避免 skill 内部专属名词，尽量使用通用词汇；术语无法避免时必须首次出现给出解释。术语对照表见下：

  Skill 内部术语	报告中的通用表达
  ROOT CAUSE / PROPAGATION / PASS_THROUGH / INPUT_PROPAGATION / ABSORBED / DOWNSTREAM_ABSORBED	误差引入点 / 误差放大点 / 误差缩小点 / 误差继承（源自输入）/ 误差被消除
  FB association / fb_association / fb_association_candidates / FB 高置信	前向↔反向关联（高置信）
  候选池 / 呈现池 / 三池合并 / 保底维度 / 候选池置顶 / pool_source / top_root_causes	根因候选（直接列出即可，不描述池机制）
  SICD / 序列变点 / 锚定回溯 / DeltaNREOutlier / 分布间隙 / 统计兜底	自适应阈值检测（基于数据分布自动确定）
  grad_norm_spike / scenario_flags	梯度范数尖刺（梯度爆炸场景）
  低置信首点 / 首检点引导	首点误差偏小、置信度有限 / 首点与最大误差区域差异提示
  divergence_signal / 发散信号	发散信号（NPU 有数值而 GPU 接近零）
  parameters_grad / param_grad_output	参数梯度（weight/bias 的梯度）
  继承性三档（继承/放大/实现问题）	误差继承上游 / 放大上游 / 独立引入
  pool_external_indicators	补充候选（未被常规候选覆盖、但值得排查）
  Module 算子 / API 算子	自定义模块算子 / 基础算子（Tensor 级算子）
  无法重建计算图	缺少配套前向数据，无法自动验证
  NRE / MeanBias	NRE（归一化相对误差）/ MeanBias（整体均值偏移）——已在核心术语表定义，正文可直接使用

  禁止在报告中出现：C-ANALYSIS-xxx / C-REPORT-xxx 约束编号、JSON 字段名（fb_association/top_root_causes/scenario_flags 等）、阈值算法内部名。

• 报告保存为 <比对文件名>_analysis_report_<YYYYMMDDHHmmss>.md，保存到比对文件所在目录
• 遵循报告输出约束（C-REPORT-xxx）：§1~§7（§7 含元信息异常 + 近零噪声过滤，为现在必选子节）必选、算子粒度呈现、行号范围标注、条目上限、排序检查
• 禁止使用 memory，最终输出仅允许 .md 格式文件
• 报告完成后自检：逐一核对 §1~§7 章节编号是否存在且顺序正确

8. 单算子验证（API 候选实锤，自动执行）

• 本步骤在分析报告生成后自动执行，无需用户手动触发
• 单算子验证流程细节（算子注册、构造策略、反向验证、边界情况）详见 references/verify_op.md
• 比对分析报告中 §3 的可疑候选分为两类：API 算子（如 Tensor.__truediv__.3，非 Module. 前缀）和 Module 算子（如 Module.xxx.forward.0）
• 仅 API 算子可进行单算子验证——Module 算子涉及自定义实现，无法自动验证
• 验证流程：
  1. agent SHALL 自动从报告 §3 表格中提取 API 候选，保持完整 NPU Name 含方向（如 Tensor.__truediv__.3.backward），与分析报告 §3 格式一致
  2. 去重后直接传全部 API 候选给 --op-list，由 verify_op.py 的自动注册机制（get_operator_fn(auto_register=True)）自行处理注册

     python <skill_dir>/scripts/verify_op.py <compare_result.csv> --op-list "<候选1>,<候选2>,..." -o verify.json
     

     ❗ 禁止先调用 --list-ops 预过滤——verify_op.py 内置了三层递进注册（精确匹配 → 通配匹配 → 自动推断），agent 预过滤会拦截自动注册流程。仅在 verify_op.py 返回"自动注册失败"时才在验证报告中标注"未注册" ❗ 禁止传递 --atol、--rtol、--construct-* 参数——使用 verify_op.py 默认值（dtype 自适应容差：float64 atol=1e-9/rtol=1e-7，float32 atol=1e-4/rtol=1e-3，float16 atol=1e-3/rtol=1e-3，bfloat16 atol=5e-3/rtol=5e-3；construct-strategy=auto, construct-l2norm-rtol=5%, construct-clamp-ratio=10%）
  3. 读取 JSON 结果，按 assets/verify_report_template.md 生成单算子验证报告
     • 验证报告头部须包含「核心术语」表（NRE/MeanBias/ROOT CAUSE/PROPAGATION 一句话定义），便于用户单独查看验证报告时理解术语
  4. 保存为 <比对文件名>_verify_report_<YYYYMMDDHHmmss>.md，与比对分析报告同目录
• 验证结果含义：
  • ✅ 通过：CPU vs NPU 结果一致（dtype 自适应容差下）→ 算子实现无问题，可排除嫌疑
  • ❌ 失败：CPU vs NPU 结果有差异 → 确认问题，标记为已知根因
  • ⚠️ 未注册：verify_op.py 自动注册失败（非"不在注册表中"）→ 无法自动验证，需手动排查或在 _verify_core.py 中通过 @register_op 装饰器手动注册
  • 构造质量差：输入 tensor 构造时 l2norm 偏差或 clamp 比例超标 → 验证结论置信度降低，仅供参考
• 反向验证时，verify_op.py 自动使用同调用序号（instance）的前向数据构造计算图。若该 instance 无前向数据，验证失败并报错"未找到同调用序号的前向数据"。
• Read assets/verify_report_template.md 获取完整报告模板
• ❗ 每个候选实例逐一独立验证，禁止因"同类算子"而跳过。每个实例的 shape / dtype / 数据分布不同，一个实例通过不能保证同类算子的其他实例也通过
• 验证报告中 SHALL 直接复制分析报告 §3 的完整表格作为"可疑候选来源"章节，让用户无需跨文件对照
• 未注册的 API 候选和所有 Module 候选在验证报告中列出但标注"无法验证"
• 若无 API 候选或全部未注册，仍生成验证报告但标注"无已验证候选"
• verify 语义边界：verify 用 NPU 统计值自构造输入，只能证明实现一致性，无法覆盖「weight/bias 参数值在两侧真实不同」的根因类型——当根因模式为「参数行脏 + 输出放大」时，验证报告须标注「✅ 通过仅证明实现一致，不排除参数值差异」；verify 通过 ≠ 根因排除
• 验证受限说明：当验证流程无法正常完成（或结论不可靠）时，agent SHALL 在验证报告中说明原因（标准化模板详见 references/verify_op.md「验证未能正常完成的情况」章节），区分以下场景：
  • NPU 环境不可用：「⚠️ 验证环境不可用——NPU 设备未授权/不可达，跳过单算子验证」
  • 自动注册失败：「⚠️ 自动注册失败——算子 <name> 三层递进注册均未命中，需在 _verify_core.py 中通过 @register_op 装饰器手动注册」
  • 混合 dtype 跳过：「⚠️ 跳过——算子 <name> 输入/输出含混合 dtype，verify_op.py 不支持」
  • 构造质量差：「⚠️ 构造质量差——l2norm 偏差 X%，clamp 比例 Y%，验证结论置信度降低，仅供参考」
  • 无法重建计算图：「⚠️ 无法重建——未找到同调用序号的前向数据，反向验证不可用」
  • 未正常完成验证的候选 SHALL 在验证报告「未能验证的候选及原因」子节集中呈现

输出风格

• 先给结论，再给证据。先给首差异，再给全局最差
• 先给主候选，再给备选候选
• 每个候选写清楚"为什么选中"和"为什么未直接定性"
• 报告里优先说明"命中哪套阈值"，再说"看起来像谁的问题"

9. 生成综合分析总结报告（自动执行）

• 在 Step 8 单算子验证报告生成完成后自动执行，无需用户手动触发
• Read assets/summary_report_template.md，按模板生成总结报告
• 排序自检（C-REPORT-014）：「待排查节点」表生成后 SHALL 逐档核对高、中、低三档各自起始行号是否递增——常见缺陷是只排了高优先级、漏排中/低优先级，须重点检查中、低档
• 总结报告将分析报告和验证报告的核心结论整合为精简的两章结构：
  1. 结论与建议：待排查节点（嫌疑候选，按优先级高/中/低分组，高、中、低每一档优先级内部都必须按起始行号升序排列——不得只对高优先级排序而漏排中、低优先级）、已排除节点、后续行动建议
  2. 详细发现：可疑候选列表与验证结果的交叉对照表（Module 算子无法自动验证，原因并入验证结论列）
• 结论性质约束：总结报告 SHALL NOT 出现「已确认根因」小节——本 skill 仅提供分析与建议，不产出"已确认根因"，所有候选均为嫌疑（按高/中/低优先级分组，高、中、低每一档优先级内部都必须按起始行号升序排列——禁止只对高优先级排序而漏排中、低优先级，生成后须逐档核对）；最终根因需人工结合报告、代码与补充验证实锤。唯一可确认的是「已排除」——单算子验证通过可确认某算子实现一致、排除嫌疑
• 头部元信息后须包含「核心术语」表（NRE/MeanBias/误差引入点/误差放大点/首问题点 一句话定义），便于用户单独查看总结报告时理解术语
• 总结报告是独立文件，不替代分析报告和验证报告，后两者作为引用参考
• 无 API 候选或未运行验证流程时：总结报告退化为分析报告的浓缩版，「待排查节点」写"无已验证候选"
• 报告保存为 <比对文件名>_summary_report_<YYYYMMDDHHmmss>.md，与比对分析报告同目录
• 整网误差会累积，首差异优先于全局最差值
• 阈值不是一刀切，必须明确使用了哪一套标准
• 如果存在多个合理候选，必须列出备选，不强行收敛成一个答案