LNN 模型辅助设计

核心工作流

把这个 skill 当成训练前或部署前的 architecture gate。按“审计 -> 修改 -> 复审”的短循环推进，直到模型能够通过 Linger export 和 Thinker packaging。

1. 需求收集：收集应用目标、目标平台（venus、mars、arcs、venusa）、input shape/range、latency/memory/accuracy 目标、当前模型来源，以及模型当前处于 float、constrained、QAT 还是已导出 ONNX 状态。
   如果 target platform 缺失，先让用户确认，再做 capability scan 或 pass/fail 判断。
   如果 model input size、input shape 或 dynamic input range 缺失，先让用户确认，再做 parameter、activation、memory 或 compatibility 分析。
2. 能力扫描：对本地 toolchain root 运行 scripts/collect_toolchain_capabilities.py。当需要查 source path、文档或命令变体时，读 references/toolchain-sources.md。当需要 Linger -> tpacker -> x86 -> tvalidator -> tprofile 的实操顺序时，读 references/workflow-playbook.md。
3. 静态模型审计：如果已有 ONNX，运行 scripts/inspect_onnx_model.py；否则根据 PyTorch module 或结构描述估算 tensor/parameter size，并在 export 前识别不支持的 PyTorch op。
4. 适配决策：对比 op、precision、parameter bytes、activation bytes、tpacker threshold、SRAM/PSRAM、dynamic shape range 和客户要求。提出结构修改建议前，先读 references/adaptation-guidelines.md。判断修复方式是 architecture shrinkage、threshold tuning、stream split 还是显式 op split 前，先读 references/npu-split-strategy.md。当 gate 失败原因不清晰时，先运行 scripts/triage_gate_blocker.py，对 structure / split-policy / threshold / toolchain 假设做排序，再改模型。
5. 全流程 gate：用 Linger 导出，用 Thinker tpacker 打包，并在 runtime library / input 可用时，通过 tvalidator 或直接的 test_thinker / test_dynamic 路径做验证。参考 references/full-flow.md，也可以直接使用 scripts/run_toolchain_gate.py。如果已经有失败的 tvalidator log 或 runtime log，把它回灌到 run_toolchain_gate.py，让 gate 对 runtime/consistency 问题做 triage，并按需自动生成 author issue bundle。
6. Toolchain bug 移交：如果 Linger / Thinker / tpacker / tvalidator 本身表现异常，或者打包后的模型出现更像 toolchain 问题而不是 architecture 问题的 consistency mismatch，就停止大范围结构反复修改。读取 references/author-handoff-template.md，运行 scripts/generate_author_issue_bundle.py，生成 problem.md 和 repro.sh，并保存最小可复现 bundle 给作者排查。
7. 结果汇报：输出 pass/fail matrix、明确 blocker、精确 tuning 建议、commands/logs/artifacts、下一轮动作，以及适用时的 author handoff bundle 路径。报告结构参考 references/report-template.md。

子 skill 模块