Agent Evolution Code Generation NPU Optimization Knowledge Augmentation
摘要

针对昇腾 C 算子优化需深厚硬件 expertise 的难题,本文提出 AgenticCANN,一种面向低语料 NPU 环境的知识增强代理进化框架。该框架引入知识编排生成系统,提供结构化领域洞察以解决可行性瓶颈;并采用阶段自适应代理进化策略,动态调整 LLM 交互模式,平衡候选发现与性能调优。实验表明,该方法在多种算子上实现了高可行性及显著加速比,证明了知识注入的通用效益。

AI 推荐理由

论文提出基于代理进化的框架,核心机制是阶段自适应的代理进化策略,属于自我进化研究。

研究机构
1Department of Computer Science, City University of Hong Kong 2Hong Kong Yuyin Technology Co., Ltd
论文信息
作者 Junhao Qiu, Zidong Wang, Yansong Sun, Zhitong Ma, Ping Guo et al.
发布日期 2026-07-29
arXiv ID 2607.26661
相关性评分 9/10 (高度相关)