在 AI 加速计算场景中，算子迁移是一类典型的工程任务。

例如，将一个 CUDA kernel 迁移到新的计算平台，并不是简单替换几个 API。

开发者通常需要：

• 理解原有 kernel 的计算逻辑；
• 分析 CUDA runtime 调用方式；
• 调整内存管理流程；
• 根据目标平台重新组织工程结构；
• 完成编译和验证。

对于这类任务，AI Agent 的价值并不仅仅是生成代码，而是参与整个工程流程。

本文以一个简单的 vector add CUDA kernel 为例，展示 Kerminal 如何辅助完成从 CUDA 到 AscendC 的迁移分析。

1. 首先理解已有 CUDA 代码

面对已有工程，Kerminal 首先读取 CUDA 源文件。

它分析：

• 当前代码实现的功能；
• 使用的 CUDA 特有 API；
• 迁移过程中需要调整的部分。

示例中的 CUDA kernel 实现的是经典向量加法：

c[i] = a[i] + b[i]

虽然计算逻辑简单，但其中包含典型 CUDA 编程模型：

• global kernel；
• threadIdx/blockIdx 索引；
• cudaMalloc/cudaMemcpy 内存管理；
• kernel launch

  
  2. 根据迁移目标拆解任务

复杂工程迁移的难点，不在于单段代码转换，而在于明确整体路径。

Kerminal 根据已有代码分析，生成迁移方案：

• 创建目标平台工程结构；
• 迁移 kernel 计算逻辑；
• 调整 Host 侧调用；
• 处理数据切分；
• 编译验证。

这一过程类似开发者进行迁移前的技术方案设计。

3. 根据目标平台生成工程结构

CUDA 工程通常围绕 GPU 编程模型组织。

而迁移到 AscendC 后，需要适配新的开发方式。

Kerminal 根据迁移方案创建：

vector_add_ascend/

├── op_kernel
├── op_host
├── main.cpp
├── CMakeLists.txt
└── scripts

分别对应：

• 算子 kernel 实现；
• Host 调度逻辑；
• 编译配置；
• 测试验证脚本。

4. 持续检查任务状态

除了执行任务，Agent 还需要知道任务推进到什么阶段。

Kerminal 对当前工程状态进行检查：

已完成：

• 工程目录结构；
• 测试脚本；
• 部分代码框架。

待完成：

• kernel 核心实现；
• 目标环境编译；
• NPU 真机验证。

同时给出下一步建议。

总结

对于计算工程任务而言，真正困难的往往不是生成某一段代码。

而是理解已有系统，拆解迁移路径，处理工程约束，持续推进任务。

这也是 Kerminal 在计算场景中的价值所在。

点击体验：Kerminal — AI 驱动的算子开发平台