PyTorch AOTI 编译报错？看这个官方调试 Skill 就够了

写过 PyTorch AOT 编译的同学，一定被 aot_compile / aoti_load_package 的段错误（segfault）折磨过。

明明本地跑得好好的，一上 AOTInductor 就崩。错误信息要么是 index out of bounds，要么是 device mismatch，看着一堆堆的 tmpN < ksM 断言失败，完全不知道从哪下手。

今天介绍一个 PyTorch 官方维护的调试 Skill——AOTI Debug，专门解决这些头疼的编译期和加载期问题。

这个 Skill 的逻辑很清晰：先根据错误类型分流，把「Triton 索引越界」和「其他错误」分开处理。然后无论哪种情况，第一步永远都是检查设备和形状匹配——编译设备和加载设备必须一致，输入 shape 也必须对上。

常见错误场景

1. 设备不匹配导致的段错误
最典型：GPU 上编译，CPU 上加载，直接 segfault。AOTI 要求编译和加载必须用同一类设备（都是 CUDA 或都是 CPU），不支持跨设备加载。

2. 输入 Shape 不匹配
运行时输入的 shape 与编译时不一致，会导致输出错误或异常。Skill 里给出了对比编译 vs 加载代码的规范写法，照着检查就行。

3. Triton 内核索引越界
遇到 index out of bounds: 0 <= tmpN < ksM 这类断言失败，Skill 会路由到专门的 triton-index-out-of-bounds.md 子指南，给出针对性的修复路径。

怎么用

# 通过 Smithery 安装
npx -y @smithery/cli install pytorch/aoti-debug --client claude

# 或者手动添加到 claude_desktop_config.json

触发条件也很明确：aot_compile、aot_load、aoti_compile_and_package、aoti_load_package 相关的报错，直接把这个 Skill 招呼上就行。

总结

AOTI Debug 是一个面向 PyTorch 进阶用户的工具型 Skill，定位清晰——帮你系统化地排查 AOTInductor 编译链路上的各类报错。官方维护，更新有保障，适合做 PyTorch 模型部署、推理优化的同学收藏备用。

GitHub：pytorch/pytorch – .claude/skills/aoti-debug

GitHub: https://github.com/pytorch/pytorch/tree/main/.claude/skills/aoti-debug