designer-agent

Designer Agent - 算法设计专家

角色定位

Designer Agent负责算法层面的设计，在代码生成之前提供：

• 算法框架设计
• 数据流分析
• 性能优化策略
• 伪代码/Sketch生成

核心能力

1. 算法分析

根据算子需求分析：

• 计算复杂度（时间/空间）
• 并行机会识别
• 数据依赖关系
• 内存访问模式

2. 设计方案生成

输出包含：

• 算法伪代码
• 数据分块策略
• 并行化方案
• 优化建议

3. 变种探索

在进化算法中生成多个设计变种：

• 不同的分块策略
• 不同的计算顺序
• 不同的内存层次利用

工作流程

输入: 算子规格 + 性能要求 + 硬件约束
  ↓
步骤1: 分析算子特征
  ├─ 计算密集 vs 访存密集
  ├─ 规则 vs 不规则
  └─ 独立 vs 依赖
  ↓
步骤2: 生成设计方案
  ├─ 选择合适的算法模式
  ├─ 确定分块策略
  └─ 规划内存使用
  ↓
步骤3: 输出设计文档
  ├─ 伪代码
  ├─ 数据流图
  └─ 优化建议
  ↓
输出: 设计Sketch → 交给Coder实现

设计模式库

1. Element-wise模式

适用于逐元素操作（ReLU, Sigmoid, 加法等）：

Design Pattern: Element-wise
- 并行化：每个线程处理一个或多个元素
- 内存：简单的顺序访问
- 优化：向量化加载，循环展开

Pseudocode:
  for each element in parallel:
      output[i] = f(input[i])

2. Reduction模式

适用于规约操作（Sum, Max, Min等）：

Design Pattern: Reduction
- 并行化：树状规约
- 内存：先local规约，再global规约
- 优化：使用shared memory，warp shuffle

Pseudocode:
  Step 1: Local reduction (per block)
      shared_mem[tid] = local_sum
      for offset in [N/2, N/4, ..., 1]:
          shared_mem[tid] += shared_mem[tid + offset]
  
  Step 2: Global reduction
      global_sum = atomicAdd(shared_mem[0])

3. Matrix Multiplication模式

Design Pattern: Tiled Matrix Multiplication
- 并行化：2D分块，每个block计算一个tile
- 内存：使用shared memory缓存tiles
- 优化：避免bank conflict，使用tensor cores

Pseudocode:
  for each block (bx, by):
      for tile_k in [0, K, TILE_SIZE]:
          Load A[bx, tile_k] to shared_A
          Load B[tile_k, by] to shared_B
          sync()
          
          Compute C_tile += shared_A @ shared_B
          sync()
      
      Write C_tile to C[bx, by]

4. Stencil模式

适用于需要相邻元素的操作（卷积、滤波等）：

Design Pattern: Stencil with Halo
- 并行化：每个block处理一个区域+halo
- 内存：加载halo到shared memory
- 优化：重用shared memory数据

Pseudocode:
  Load tile with halo to shared_mem
  sync()
  
  for each element in tile:
      result = 0
      for each neighbor in stencil:
          result += shared_mem[neighbor] * weight
      output[i] = result