本文详细介绍了面壁智能开源的AI优化系统ForgeStencil，展示其如何通过双Agent协同实现Stencil算子的全自动优化，帮助开发者实现研发效率的百倍提升。
在高性能计算领域，Stencil模式的优化长期依赖专家经验。面壁智能推出的ForgeStencil通过双Agent协同，实现了从代码研究到应用部署的全自动闭环，将研发效率提升了百倍。
一、ForgeStencil系统核心价值
在高性能计算领域，Stencil模式的优化长期被视为一道难题。这类计算对内存访问模式高度敏感，传统研发模式严重依赖资深工程师的直觉与经验，往往需要耗费大量时间进行手动调优，不仅周期漫长，而且难以复用，极大地限制了研发吞吐量。面对这一行业痛点，面壁智能推出的ForgeStencil系统提供了一种全新的自动化解决方案，旨在通过AI技术彻底改变算子优化的工作流。
与传统人工优化不同，ForgeStencil实现了从代码分析到性能调优的全自动闭环。其最显著的价值在于研发效率的数量级跃升：该系统将单个应用的优化周期缩短至小时级，相比传统模式实现了约100倍的效率提升。这意味着原本需要数天甚至数周才能完成的工作，现在可以在一天内批量处理。
这种效率革命带来的成本优势同样惊人。按此效率估算，一周内即可完成百个应用的优化任务，其工作量相当于4-8名资深工程师一整年的产出。对于追求极致性能且需要频繁迭代的高性能计算团队而言，这不仅是工具的升级，更是研发范式的转变，能够显著降低人力成本并加速产品上市进程。通过这种自动化机制，开发者可以从繁琐的手动调优中解放出来，专注于更核心的算法创新。
二、双Agent协同的自动化机制
这种百倍效率的提升并非凭空而来，其核心在于ForgeStencil内部构建的双Agent协同架构。该系统将复杂的优化任务拆解为两个紧密耦合的逻辑单元：专注于算法层面的Kernel Agent与负责工程落地的App Agent。这种分工打破了传统单一脚本的局限，使得系统具备了对复杂计算场景的深度理解能力。
Kernel Agent是系统的“大脑”，它并不依赖预置的代码模板，而是通过自主研究来合成高性能的Kernel。它能够深入分析数学表达式的底层逻辑，结合硬件特性探索最优的计算路径，从而生成具备高并发和低延迟特性的基础代码。与此同时，App Agent扮演了“工程专家”的角色，它负责在实际运行环境中定位性能热点，建立基准测试基线，并对生成代码进行集成验证。两者通过实时反馈机制不断迭代：Kernel Agent根据App Agent提供的性能数据调整优化策略，App Agent则根据新的Kernel代码重新评估系统整体表现。
这种协同流程标志着算子优化从简单的“自动生成代码”向“自动研究优化”的进化。开发者不再需要手动编写复杂的CUDA或OpenCL代码，只需提供数学定义，系统便能自动完成从理论推导到实际部署的全过程。这种闭环机制确保了生成的代码不仅在理论上最优，更在实际业务场景中具备极高的稳定性与效率，为后续在大规模计算集群中的广泛应用奠定了坚实基础。
三、性能实测与广泛应用场景
架构的先进性最终需通过性能数据来验证。在标准测试基准中，ForgeStencil展现了显著的效率优势：在fp32精度下实现了2.35倍加速，而引入混合精度fp16后，提速比进一步达到1.95倍。这表明该系统不仅能优化计算逻辑，还能智能利用硬件的低精度计算单元，在保持精度的前提下大幅提升吞吐量。
实际应用场景是检验工具实用性的试金石。在Hypre这一经典大规模稀疏矩阵求解器中，ForgeStencil将整体性能提升了3.86倍；而在Minisweep中，加速比更是高达5.78倍。这些数据并非孤立存在，而是覆盖了电磁仿真、石油勘探及量化金融等多个对计算密度要求极高的行业。无论是处理复杂的三维电磁场分布，还是进行大规模地质数据反演，ForgeStencil都能稳定发挥其优化能力。对于研发者而言，这意味着无需深入底层硬件细节，即可在既有科学计算软件中快速获得数量级的性能增益，真正实现了从实验室到工业级应用的平滑落地。
