最近自己在做 Triton、算子、AI Infra 相关的东西时有一个感受很强通用 AI 助手在这类场景下最大的问题往往不是“不会写代码”而是太急着写代码。比如让它帮忙分析一个 kernel它很容易直接给一段实现但很多关键前提都没想清楚shape / stride / layout 没分析vectorization 轴没说清楚benchmark 设计不严谨backend 假设默认成立却不验证做论文复现时也常常只会总结不会拆 MRU、baseline、ablation所以我做了一个小仓库Cursor Skills for AI Infra想做的事情很简单把 Cursor 在 AI infra 场景下的输出从“直接给代码”变成“先给结构化工程方案再进入实现”。目前先放了两个 skilltriton-cpu-kernel-engineer一个面向 Triton / Triton-CPU 风格 CPU operator 的 pre-codegen planning skill。核心不是直接写 kernel而是先把这些东西明确下来op classificationshape / stride / layout 分析vectorizable axisbackend-sensitive assumptionsARM64 readiness knobscorrectness / benchmark / profiling plangpu-paper-to-code一个 reproduction-first 的论文到原型 skill。重点不是“总结论文讲了什么”而是提取 MRU设计 weak / strong baseline设计 ablation matrix输出 repo roadmap仓库里现在已经有 worked examples比如CPU LayerNormCPU SoftmaxFlashAttention-style paper → MRU / ablation / roadmap整体还在持续迭代后面准备继续补llm-benchmark-auditorpytorch-op-scaffoldprofiling / benchmark hygiene 相关 skill仓库地址https://github.com/MaXiaoTiao1105/cursor-skills-for-ai-infra.git欢迎提建议。如果你也在做 Triton、算子优化、AI Infra、论文复现这类事情也很想知道这种 skill 形式到底有没有用。