为 AI Infra 加速 RSI

G-Watch 是一款面向 GPU 运行分析的框架。它集成了包含指令级别的核内追踪 (Xtrace)、GPU 二进制分析、微基准测试在内的多项技术，旨在为 AI Agent 提供精确数据，助力其在 NVIDIA 和 AMD 平台上实现全自动的 Kernel 优化。

G-Watch 是 Mars Compute 旗下的开源项目。

阅读文档快速开始

安装 G-Watch

核内追踪 (Xtrace)

看清单次 kernel 内部的 phase 时间线：load、compute、epilogue，以及它们之间的气泡。在 CUDA、TileLang、CuTeDSL 或 Triton 里打 scope，然后以人类报告或 agent 视图查看追踪结果。

基于计数器的剖析

Range profiling 按每次 launch 采集硬件计数器——占用率、pipe/tensor core 利用率、访存吞吐、达成-对-峰值的 cycle 比；PC 采样进一步把瓶颈定位到具体 stall 的指令及其原因（访存等待、依赖、分支发散、throttle），并映射到源码与 SASS。

二进制分析

检视编译器生成的 SASS/AMDGPU 二进制：反混淆 kernel 名、遍历反汇编指令、映射 PC→源码行、导出控制流图与基本块——用于寄存器分析与二进制插桩。

面向智能体的自动优化

以 agent skill 形式提供，驱动推理闭环：剖析 → 提出假设 → 施加一处最小改动 → 验证正确性、性能与硬件行为。支持 CUDA C++、Triton、CuTe、TileLang 与 HIP。

快速开始

一分钟安装

装上包与 agent skill，然后直接让你的智能体去剖析一个 kernel。

$ pip3 install gwatch
$ npx skills add mars-compute-ai/G-Watch -g

1
安装 G-Watch
pip3 install gwatch 从 PyPI 拉取剖析 + 程序分析工具箱。
2
安装 agent skill
npx skills add mars-compute-ai/G-Watch -g 把 G-Watch skills 全局分发给你的编程智能体。
3
向智能体提问
例如 加载 gwatch intra-kernel tracing skill，追踪 bench.py 里的 matmul kernel——智能体会完成剖析并写出报告。

G-Watch 支持 NVIDIA、AMD GPU 与 Google TPU。各平台的具体配置见文档。

博客

→

2026年6月22日

G-Watch 发布

一个面向智能体的 GPU/TPU kernel 优化工具箱——性能剖析、程序分析，以及推理驱动的自动优化闭环。