[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-OAID--AutoKernel":3,"tool-OAID--AutoKernel":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",157379,2,"2026-04-15T23:32:42",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":77,"owner_twitter":76,"owner_website":76,"owner_url":78,"languages":79,"stars":106,"forks":107,"last_commit_at":108,"license":109,"difficulty_score":10,"env_os":110,"env_gpu":111,"env_ram":112,"env_deps":113,"category_tags":119,"github_topics":120,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":132,"updated_at":133,"faqs":134,"releases":163},8031,"OAID\u002FAutoKernel","AutoKernel","AutoKernel 是一个简单易用，低门槛的自动算子优化工具，提高深度学习算法部署效率。","AutoKernel 是一款由 OPEN AI LAB 开源的自动算子优化工具，旨在降低深度学习算法在不同硬件上的部署门槛。随着神经网络应用的爆发式增长，如何让算法在各类设备（如 CPU、GPU 及专用加速器）上高效运行成为关键挑战。然而，手动编写针对特定硬件底层优化代码不仅难度极大，且极度依赖稀缺的专业开发人员。AutoKernel 正是为了解决这一痛点而生，它能自动生成高性能的底层代码，显著提升开发效率。\n\n该工具主要面向深度学习框架开发者、算法工程师及研究人员。其核心架构包含三大模块：基于 Halide 语言的“算子生成器”，负责将算法描述转化为优化的汇编代码；\"AutoSearch\"模块，利用强化学习等智能算法自动搜索最优执行策略；以及\"Tengine 插件”，支持将生成的优化代码一键集成到 Tengine 推理框架中，无需修改核心源码。\n\nAutoKernel 的最大亮点在于实现了从算法描述到多平台（x86、ARM、CUDA、OpenCL 等）高性能代码的全自动化流程。用户只需关注算法逻辑，无需深入复杂的硬件指令集细节，即可轻松获得接近手写水平的优化性能。无论是希望加速模型落","AutoKernel 是一款由 OPEN AI LAB 开源的自动算子优化工具，旨在降低深度学习算法在不同硬件上的部署门槛。随着神经网络应用的爆发式增长，如何让算法在各类设备（如 CPU、GPU 及专用加速器）上高效运行成为关键挑战。然而，手动编写针对特定硬件底层优化代码不仅难度极大，且极度依赖稀缺的专业开发人员。AutoKernel 正是为了解决这一痛点而生，它能自动生成高性能的底层代码，显著提升开发效率。\n\n该工具主要面向深度学习框架开发者、算法工程师及研究人员。其核心架构包含三大模块：基于 Halide 语言的“算子生成器”，负责将算法描述转化为优化的汇编代码；\"AutoSearch\"模块，利用强化学习等智能算法自动搜索最优执行策略；以及\"Tengine 插件”，支持将生成的优化代码一键集成到 Tengine 推理框架中，无需修改核心源码。\n\nAutoKernel 的最大亮点在于实现了从算法描述到多平台（x86、ARM、CUDA、OpenCL 等）高性能代码的全自动化流程。用户只需关注算法逻辑，无需深入复杂的硬件指令集细节，即可轻松获得接近手写水平的优化性能。无论是希望加速模型落地的企业团队，还是探索新硬件适配的研究者，AutoKernel 都能提供简洁、高效且友好的技术支持。","\u003Cdiv align=\"center\">\n  \u003Cimg width=\"30%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOAID_AutoKernel_readme_2ff00bfb7a12.png\">\n  \u003Ch3> \u003Ca href=\"https:\u002F\u002Fautokernel-docs-en.readthedocs.io\u002F\"> Documentation \u003C\u002Fa> | \u003Ca href=\"https:\u002F\u002Fautokernel-docs.readthedocs.io\u002F\"> 中文文档 \u003C\u002Fa>  \u003C\u002Fh3>\n\u003C\u002Fdiv>\n\nEnglish | [简体中文](.\u002FREADME_CN.md)\n\n# AutoKernel\n\n## Introduction\nNeural networks are now used in a wide variety of applications. Efficient execution of Neural networks on various devices plays a critical role for these applications. Facing the rapid evolution of deep learning algorithms, there're limited qualified programmers to write hand optimized low-level kernels on different hardware platforms. Using automatic optimization tools to generate high-performance implementations become a promising solution. \n\nAutoKernel began as a research project at OPEN AI LAB. The project is now open source. AutoKernel is an operator optimzation tools for automatically generating high-performance low-level codes for diverse hardware backends. It aims to accelerate the development of high performance operators on various hardware including specialized accelerators.\n\n## AutoKernel Architecture\n\n![AutoKernel arch](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOAID_AutoKernel_readme_dc4aef8b86b0.png)\n\nAutoKernel consists of three modules：\n* Operator Generator: \n\n  This module uses the open source project [Halide](https:\u002F\u002Fgithub.com\u002Fhalide\u002FHalide). Halide is a domain specific language (DSL), embedded in C++, designed to make it easier to write high-performance image processing code on modern machines. Halide seperates the algorithm description from its schedule. The input of this module is the algorithm description of operator, and the output is compiled optimized assembly code\u002Fobject file for corresponding back-ends.\n\n\n* AutoSearch\n\n  AutoSearch is an automatic module for searching optimized schedules for halide operators, using multiple optimization algorithms (greedy algorithm, reinforce learning, marchine learning, ...). It supports searching optimized schedules on both CPU and GPU, and generate code files running on different platforms (x86 or arm). This module is still under developping.\n\n* AutoKernel Plugin：\n  \n  AutoKernel Plugin realizes one-click integration of auto-generated optimized operator codes into [Tengine](https:\u002F\u002Fgithub.com\u002FOAID\u002FTengine), without modifying the core code base of Tengine.\n  AutoKernel plugin realizes the one-click deployment of the automatic generated operator implements.\n\n## Features\n\n- Automated    \n- Efficient   \n- User-friendly    \n\n\n## Docker\nWe provide following dockers with Halide and Tengine installed:\n- cpu: `openailab\u002Fautokernel`\n- cuda: `openailab\u002Fautokernel:cuda`\n- opencl: `openailab\u002Fautokernel:opencl`\n\nDetail Dockerfiles, see [Dockerfiles](https:\u002F\u002Fgithub.com\u002FOAID\u002FAutoKernel\u002Ftree\u002Fmain\u002FDockerfile)\n\n[NOTE]:\nif using the cuda image, you need use `nvidia-docker` instead of `docker`, here's [nvidia-docker install-guide](https:\u002F\u002Fdocs.nvidia.com\u002Fdatacenter\u002Fcloud-native\u002Fcontainer-toolkit\u002Finstall-guide.html#installing-on-ubuntu-and-debian).\n```\nnvidia-docker pull openailab\u002Fautokernel:cuda\nnvidia-docker run -it openailab\u002Fautokernel:cuda \u002Fbin\u002Fbash\n```\n\n## License\n\n- [Apache 2.0](LICENSE)\n\n\n## Discussion\n- Github issues\n- QQ group: 829565581\n","\u003Cdiv align=\"center\">\n  \u003Cimg width=\"30%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOAID_AutoKernel_readme_2ff00bfb7a12.png\">\n  \u003Ch3> \u003Ca href=\"https:\u002F\u002Fautokernel-docs-en.readthedocs.io\u002F\"> 文档 \u003C\u002Fa> | \u003Ca href=\"https:\u002F\u002Fautokernel-docs.readthedocs.io\u002F\"> 中文文档 \u003C\u002Fa>  \u003C\u002Fh3>\n\u003C\u002Fdiv>\n\n英语 | [简体中文](.\u002FREADME_CN.md)\n\n# AutoKernel\n\n## 简介\n神经网络如今已被广泛应用于各种场景。在不同设备上高效地执行神经网络对于这些应用至关重要。然而，面对深度学习算法的快速演进，能够针对不同硬件平台手写优化底层内核的专业程序员却十分有限。因此，利用自动优化工具生成高性能实现方案，成为一种极具前景的解决方案。\n\nAutoKernel 最初是 OPEN AI LAB 的一个研究项目，现已开源。AutoKernel 是一款算子优化工具，用于为多种硬件后端自动生成高性能的底层代码。其目标是在包括专用加速器在内的各类硬件上加速高性能算子的开发。\n\n## AutoKernel 架构\n\n![AutoKernel 架构](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOAID_AutoKernel_readme_dc4aef8b86b0.png)\n\nAutoKernel 由三个模块组成：\n* 算子生成器：\n\n  该模块使用开源项目 [Halide](https:\u002F\u002Fgithub.com\u002Fhalide\u002FHalide)。Halide 是一种嵌入式 C++ 的领域特定语言（DSL），旨在简化现代机器上高性能图像处理代码的编写。Halide 将算法描述与调度分离。该模块的输入是算子的算法描述，输出则是针对相应后端编译优化后的汇编代码或目标文件。\n\n\n* 自动搜索\n\n  自动搜索模块利用多种优化算法（贪心算法、强化学习、机器学习等）自动为 Halide 算子搜索最优调度。它支持在 CPU 和 GPU 上进行优化调度搜索，并生成可在不同平台（x86 或 ARM）上运行的代码文件。该模块目前仍在开发中。\n\n* AutoKernel 插件：\n\n  AutoKernel 插件实现了将自动生成的优化算子代码一键集成到 [Tengine](https:\u002F\u002Fgithub.com\u002FOAID\u002FTengine) 中，而无需修改 Tengine 的核心代码库。通过此插件，可以实现自动生成算子实现的一键部署。\n\n## 特性\n\n- 自动化    \n- 高效   \n- 用户友好    \n\n\n## Docker\n我们提供了安装了 Halide 和 Tengine 的以下 Docker 镜像：\n- CPU：`openailab\u002Fautokernel`\n- CUDA：`openailab\u002Fautokernel:cuda`\n- OpenCL：`openailab\u002Fautokernel:opencl`\n\n详细的 Dockerfile 可参见 [Dockerfiles](https:\u002F\u002Fgithub.com\u002FOAID\u002FAutoKernel\u002Ftree\u002Fmain\u002FDockerfile)。\n\n[注意]：\n如果使用 CUDA 镜像，需使用 `nvidia-docker` 而不是 `docker`。以下是 [nvidia-docker 安装指南](https:\u002F\u002Fdocs.nvidia.com\u002Fdatacenter\u002Fcloud-native\u002Fcontainer-toolkit\u002Finstall-guide.html#installing-on-ubuntu-and-debian)：\n```\nnvidia-docker pull openailab\u002Fautokernel:cuda\nnvidia-docker run -it openailab\u002Fautokernel:cuda \u002Fbin\u002Fbash\n```\n\n## 许可证\n\n- [Apache 2.0](LICENSE)\n\n\n## 讨论\n- Github Issues\n- QQ 群：829565581","# AutoKernel 快速上手指南\n\nAutoKernel 是一款由 OPEN AI LAB 开源的算子优化工具，旨在通过自动化方式生成针对不同硬件后端（如 CPU、GPU、专用加速器）的高性能底层代码。它基于 Halide DSL 分离算法与调度，并支持一键集成到 Tengine 推理框架中。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**: Linux (推荐 Ubuntu 18.04\u002F20.04)\n- **硬件架构**: x86_64 或 ARM64\n- **GPU 支持** (可选): NVIDIA GPU (需安装对应驱动) 或 OpenCL 设备\n\n### 前置依赖\n为了简化环境配置，强烈推荐使用官方提供的 Docker 镜像，其中已预装 Halide、Tengine 及相关编译工具链。\n- **Docker**: 版本 19.03+\n- **NVIDIA Container Toolkit**: 若使用 CUDA 镜像，必须安装 `nvidia-docker` (参考 [安装指南](https:\u002F\u002Fdocs.nvidia.com\u002Fdatacenter\u002Fcloud-native\u002Fcontainer-toolkit\u002Finstall-guide.html))\n\n## 安装步骤\n\n### 方式一：使用 Docker（推荐）\n\n根据目标硬件平台选择对应的镜像：\n\n1. **CPU 版本**\n   ```bash\n   docker pull openailab\u002Fautokernel\n   docker run -it openailab\u002Fautokernel \u002Fbin\u002Fbash\n   ```\n\n2. **CUDA (GPU) 版本**\n   *注意：需使用 `nvidia-docker` 运行*\n   ```bash\n   nvidia-docker pull openailab\u002Fautokernel:cuda\n   nvidia-docker run -it openailab\u002Fautokernel:cuda \u002Fbin\u002Fbash\n   ```\n\n3. **OpenCL 版本**\n   ```bash\n   docker pull openailab\u002Fautokernel:opencl\n   docker run -it openailab\u002Fautokernel:opencl \u002Fbin\u002Fbash\n   ```\n\n### 方式二：源码编译（进阶）\n若需在本地环境构建，请克隆仓库并参考 [Dockerfiles](https:\u002F\u002Fgithub.com\u002FOAID\u002FAutoKernel\u002Ftree\u002Fmain\u002FDockerfile) 中的依赖安装步骤手动配置 Halide 和 Tengine 环境。\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FOAID\u002FAutoKernel.git\ncd AutoKernel\n# 后续需手动编译 Halide 及配置环境变量\n```\n\n## 基本使用\n\nAutoKernel 的核心工作流是通过定义 Halide 算法描述，自动搜索最优调度策略并生成优化后的算子代码。\n\n### 1. 编写算子描述\n在容器内，创建一个 Halide 算法文件（例如 `my_operator.cpp`），定义输入输出及计算逻辑。Halide 将算法描述与调度策略分离。\n\n### 2. 生成优化代码\n利用 AutoKernel 的 Operator Generator 模块编译该描述。以下是一个简化的调用示例（具体命令依实际项目结构可能略有不同）：\n\n```bash\n# 假设当前目录包含 my_operator.cpp\n# 使用 g++ 链接 Halide 运行时进行编译\ng++ -std=c++17 -I$HALIDE_INCLUDE my_operator.cpp -L$HALIDE_LIB -lHalide -o my_operator_gen\n\n# 运行生成器，指定目标后端 (如 x86-64-linux-avx2)\n.\u002Fmy_operator_gen -o optimized_kernel.o -target=x86-64-linux-avx2\n```\n\n### 3. 集成到 Tengine\n使用 **AutoKernel Plugin** 可实现无需修改 Tengine 核心代码的一键部署。将生成的 `.o` 文件或动态库放置在 Tengine 插件加载路径下，并在初始化时启用插件即可自动加载优化算子。\n\n```cpp\n\u002F\u002F Tengine C++ 伪代码示例\n#include \"tengine\u002Fc_api.h\"\n\nint main() {\n    init_tengine();\n    \n    \u002F\u002F 加载 AutoKernel 插件\n    load_plugin(\"libautokernel_plugin.so\"); \n    \n    \u002F\u002F 创建图并运行，自动匹配优化后的算子实现\n    graph_t graph = create_graph(nullptr, \"tmfile\", \"model.tmfile\");\n    run_graph(graph, 1);\n    \n    release_graph_tensor(graph);\n    destroy_tengine();\n    return 0;\n}\n```\n\n> **提示**：详细的算子定义语法、自动搜索模块（AutoSearch）的使用方法及插件配置参数，请参阅 [中文文档](https:\u002F\u002Fautokernel-docs.readthedocs.io\u002F)。","某边缘计算团队正致力于将最新的超分辨率神经网络部署到资源受限的 ARM 架构工业相机上，以满足实时质检需求。\n\n### 没有 AutoKernel 时\n- **人力成本高昂**：资深工程师需耗费数周时间手动编写针对特定 ARM 核心的汇编代码，且极度依赖稀缺的底层优化专家。\n- **迭代周期漫长**：每当算法模型调整算子结构，底层代码必须推倒重来，导致算法验证与部署严重脱节。\n- **性能难以保证**：人工优化的算子往往难以穷尽所有调度策略，在异构硬件上无法稳定达到理论峰值算力。\n- **集成过程繁琐**：将手写的高性能算子嵌入 Tengine 推理框架时，常因接口不匹配引发核心代码冲突，调试困难。\n\n### 使用 AutoKernel 后\n- **自动化代码生成**：只需输入算子算法描述，AutoKernel 即可基于 Halide 自动搜索最优调度策略，瞬间生成高效的底层汇编代码。\n- **敏捷响应变更**：面对模型更新，团队仅需重新运行工具即可快速获得适配新结构的算子实现，部署效率提升十倍不止。\n- **极致性能释放**：通过内置的强化学习与贪婪算法，AutoKernel 生成的算子在 ARM 设备上运行速度显著超越人工手写版本。\n- **一键无缝集成**：借助 AutoKernel Plugin 插件，生成的代码可直接零修改融入 Tengine 框架，彻底消除了集成报错的烦恼。\n\nAutoKernel 通过将复杂的底层算子优化自动化，让算法团队能专注于模型创新，真正实现了深度学习在多样化硬件上的高效落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOAID_AutoKernel_2ff00bfb.png","OAID","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FOAID_1f35339f.jpg","Open AID, created by OPEN AI LAB",null,"yhuang@openailab.com","https:\u002F\u002Fgithub.com\u002FOAID",[80,84,88,92,96,99,103],{"name":81,"color":82,"percentage":83},"C++","#f34b7d",87.3,{"name":85,"color":86,"percentage":87},"C","#555555",9.8,{"name":89,"color":90,"percentage":91},"Python","#3572A5",1.5,{"name":93,"color":94,"percentage":95},"Makefile","#427819",0.4,{"name":97,"color":98,"percentage":95},"Shell","#89e051",{"name":100,"color":101,"percentage":102},"CMake","#DA3434",0.3,{"name":104,"color":105,"percentage":102},"Jupyter Notebook","#DA5B0B",747,82,"2026-04-15T11:35:07","Apache-2.0","Linux","可选。若使用 CUDA 镜像需 NVIDIA GPU 及 nvidia-docker；具体型号、显存及 CUDA 版本未说明。支持 CPU、GPU (CUDA\u002FOpenCL) 后端。","未说明",{"notes":114,"python":112,"dependencies":115},"该项目主要提供 Docker 镜像以简化环境部署，包括 cpu、cuda 和 opencl 三种版本。使用 CUDA 镜像时必须安装并使用 nvidia-docker 而非标准 docker。核心功能依赖 Halide 进行算子优化，并可通过插件一键集成到 Tengine 框架中。AutoSearch 模块（自动搜索优化策略）目前仍在开发中。",[116,117,118],"Halide","Tengine","nvidia-docker (仅 CUDA 环境)",[14,13],[121,122,123,124,125,126,127,128,129,130,131],"tensorflow","pytorch","tvm","halide","tengine","deep-learning","auto","reinforcement-learning","autosearch","optimization","tensor","2026-03-27T02:49:30.150509","2026-04-16T16:09:15.801181",[135,140,145,150,155,159],{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},35951,"当矩阵尺寸过小（如 M=20, N=30, K=40）时，使用 Tiling 优化为何会出现索引越界错误？如何解决？","这是因为大矩阵被分成了小 kernel（例如 prod x=16, y=4），并对 x 维度进行了向量化。在使用 reorder(x,y,k) 时，变量顺序是从里到外的（即先 k，再 y，最后 x）。Interleave 的作用是使数据访存顺序与计算顺序一致，确保计算时所需数据在 cache 中。如果遇到越界，需检查分块策略和循环重排序逻辑是否适配小尺寸矩阵。参考项目：https:\u002F\u002Fgithub.com\u002Flyuchuny3\u002FTengine_gemm_tutorial","https:\u002F\u002Fgithub.com\u002FOAID\u002FAutoKernel\u002Fissues\u002F19",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},35952,"构建所有插件时出现 'unknown vector operation: `{z}'' 汇编错误怎么办？","该错误通常由编译器不支持特定的向量指令引起。解决方法是将 CMake 编译器设置为 clang（推荐 llvm-10 版本）：\nexport CC=\u002Fusr\u002Flib\u002Fllvm-10\u002Fbin\u002Fclang\nexport CXX=\u002Fusr\u002Flib\u002Fllvm-10\u002Fbin\u002Fclang++\n然后重新运行构建流程。","https:\u002F\u002Fgithub.com\u002FOAID\u002FAutoKernel\u002Fissues\u002F13",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},35953,"编译 libautokernel.so 成功但运行时提示 'undefined symbol: halide_malloc' 错误如何解决？","此问题通常是因为 Tengine 库更新后默认关闭了符号导出。解决方法是手动重新编译 Tengine 并开启符号导出：\ncd \u002Fworkspace\u002FTengine\u002Fbuild\ncmake -DTENGINE_ENABLE_ALL_SYMBOL=ON ..\nmake -j4\nmake install\n完成后再次运行程序即可。","https:\u002F\u002Fgithub.com\u002FOAID\u002FAutoKernel\u002Fissues\u002F17",{"id":151,"question_zh":152,"answer_zh":153,"source_url":154},35954,"AutoKernel 中提到的 'sioutas2020' 是指哪篇论文？","sioutas2020 指的是发表在 ACM 上的论文，链接如下：\nhttps:\u002F\u002Fdl.acm.org\u002Fdoi\u002FfullHtml\u002F10.1145\u002F3406117\n该论文介绍了相关的自动内核优化技术。","https:\u002F\u002Fgithub.com\u002FOAID\u002FAutoKernel\u002Fissues\u002F18",{"id":156,"question_zh":157,"answer_zh":158,"source_url":149},35955,"在 Docker 环境中运行 AutoKernel 示例时遇到符号查找错误（symbol lookup error）怎么办？","这是由于 Docker 镜像中的 Tengine 库未开启符号导出导致的。临时解决方法是手动重新编译 Tengine 并启用符号：\ncd \u002Fworkspace\u002FTengine\u002Fbuild\ncmake -DTENGINE_ENABLE_ALL_SYMBOL=ON ..\nmake -j4\nmake install\n后续官方会更新 Docker 镜像以默认开启该选项。",{"id":160,"question_zh":161,"answer_zh":162,"source_url":144},35956,"如何在 Linux x86_64 平台上成功构建 AutoKernel 插件？","请确保使用正确的编译器（clang-10）并按文档步骤操作：\n1. 设置环境变量：\nexport CC=\u002Fusr\u002Flib\u002Fllvm-10\u002Fbin\u002Fclang\nexport CXX=\u002Fusr\u002Flib\u002Fllvm-10\u002Fbin\u002Fclang++\n2. 按照 doc\u002Ftutorials\u002F 中的 01-04 步骤执行。\n3. 若第 04 步失败，尝试将 target 从 assembly 改为 cpp 重新构建。\n4. 如遇运行时符号错误，需重新编译 Tengine 并开启符号导出（见其他 FAQ）。",[]]