写在前面

近年来，专用量子计算正从实验室走向更多科学研究与工程实践。组合优化、能量模型、采样与生成等任务，开始尝试借助量子的方法求解。但要把量子能力真正用起来，开发者仍然要面对一些门槛。

AI编程助手的出现，在开发者理解任务、编写代码和执行程序上提供了很大帮助。但把业务问题交给AI编程助手，到真正落地时并不只是“写一段代码”：业务指标如何转化为变量、目标和约束？QUBO/Ising模型应该怎么写？训练能量神经网络应该选哪个模型？这些都需要专业且准确的领域知识及验证规范。

玻色量子于近期正式推出Kaiwu Coding Skill及KPP Coding Skill，助力开发者快速处理量子+AI应用开发中的系列问题。

本文将详细介绍两个Skill的安装和使用说明，既是一篇使用指南，也可作为产品技术手册。

一、认识Kaiwu Coding Skill和KPP Coding Skill

使用本手册的完整流程，需要AI应用支持本地Skill加载、终端执行及文件读写。

两个Skill可以在同一个任务中配合使用，AI工具应根据任务所需的能力和SDK依赖版本安排调用与运行环境。

Kaiwu Coding Skill主要面向组合优化任务。可以帮助将业务问题中的目标、变量和约束转化为模型，调用求解器，再将结果还原为业务方案；也可以提供已有的模型或Kaiwu代码，让AI协助建模、求解、检查及结果解码。

组合优化的代表性使用场景：

KPP Coding Skill主要面向量子采样及能量模型训练任务。玻色量子的Kaiwu-PyTorch-Plugin（KPP）插件提供了BM/RBM、Q-VAE、Q-Diffusion等能量模型，以及部分特征选择工具。在训练能量模型时，可以通过Kaiwu SDK接入本地求解器或专用量子计算机，完成采样或训练过程。KPP Coding Skill集成了这些模型的用法、训练与采样流程、结果检查方法，可以帮助从数据和目标出发，让AI协助选择模型、编写和运行代码，保存模型参数、生成样本或特征筛选结果等。

KPP Coding Skill的代表性使用场景

一句话总结：如果仅需进行运筹优化任务，使用Kaiwu Coding Skill即可；如果进行“预测分类、数据生成”等基于采样的任务，KPP Coding Skill是必须使用的（当然，Kaiwu Coding Skill也需视任务情况选择使用）。
 
二、下载安装Skill

此处提供两种方式安装Skill工具。

方式一：AI协助安装

在支持本地文件操作和Skill管理的AI应用中，新建对话，按照安装Skill的需求不同，发送以下内容：

请帮我安装 Kaiwu Coding Skill/KPP Coding Skill：

1. https://github.com/qboson/kaiwu-coding-skill

2. https://github.com/qboson/kpp-coding-skill



请根据当前应用支持的方式安装，保留完整的技能文件，

并告诉我怎样使它生效、怎样在对话中调用。

按应用提示完成下载和文件访问，再刷新技能列表、新建对话或重启应用，使它加载技能。加载后，确认应用已识别 kaiwu-coding-skill 和 kpp-coding-skill。

如果只安装其中一种Skill，也可以单独发送上述内容中的对应部分。

方式二：手动安装

1. 下载技能包 

分别打开项目地址，点击 Code → Download ZIP 下载压缩包：
- Kaiwu Coding Skill：https://github.com/qboson/kaiwu-coding-skill
- KPP Coding Skill：https://github.com/qboson/kpp-coding-skill

2. 解压并整理目录

按文件夹分别命名为 kaiwu-coding-skill 和 kpp-coding-skill，确认每个文件夹根目录中都能直接找到 SKILL.md，并保留 references、scripts 等全部附带文件。

3. 放入Skills目录

通过当前AI应用的技能管理界面或官方说明，找到它支持的Skills目录，将完整文件夹放进去。不同应用目录可能有所不同，可让AI根据当前应用的说明帮助确认。

安装后的结构应类似：

<当前 AI 应用的 Skills 目录>

├── kaiwu-coding-skill/

│   ├── SKILL.md

│   └── references/

└── kpp-coding-skill/

    ├── SKILL.md

    ├── references/

    └── scripts/

4. 加载并调用

按应用提示重新加载技能，在对话中写明“请使用 kaiwu-coding-skill……”或“请使用 kpp-coding-skill……”，并补充任务要求。

准备运行环境与账号

1. 使用完整流程，需要AI应用支持本地 Skill 加载、终端执行和文件读写，故实际运行还需要Python、Kaiwu SDK、Kaiwu-PyTorch-Plugin及兼容的PyTorch依赖，可让AI应用按官方说明检查并准备环境；

2. 首次使用Kaiwu SDK需要授权，请登录注册玻色量子云平台，在SDK下载页面获得用户 ID 及 SDK Code，授权应由本人在任务使用的本地环境中完成，已有有效license可以复用；

3. 本指南的入门实验使用本地经典模拟退火，在调用云端量子真机时，需提前申请算力额度。

- Kaiwu SDK使用文档：https://kaiwu-sdk-docs.qboson.com/zh/latest/

- Kaiwu-PyTorch-Plugin代码仓库：https://github.com/qboson/kaiwu-pytorch-plugin

- 玻色量子云平台：https://platform.qboson.com/

- SDK下载及授权信息：https://platform.qboson.com/sdkDownload

三、Kaiwu Coding Skill快速上手：任务分配问题

四项任务耗时分别为 2、3、4、5 分钟，两台相同的设备同时开工，每台设备依次处理分发给它的任务。要求每项任务必须完整交给一台设备，目标为全部任务尽早完成。

可以在AI应用中发送以下任务描述：

请使用 kaiwu-coding-skill，将耗时为 2、3、4、5 分钟的四项任务分给两台相同的设备；

两台设备同时开始，每台依次处理自己的任务，每项任务只能完整交给一台设备；

希望所有任务尽早完成。



请先说明你的理解和建模思路，再用 Kaiwu 本地模拟退火求解；

输出每台设备的任务清单和总耗时，检查任务是否遗漏或重复，并保存代码与结果。

开始运行前，先核对AI应用对数据、限制和优化目标的理解；任务涉及优先级或先后顺序时也应一并提供。

在本例中，两台设备的总工作量始终是14分钟，让两边负载更接近，就能缩短较晚一台设备的完成时间。

使用Kaiwu SDK v1.4.1的本地模拟退火求解器验证，可得到以下分配：

核对结果可见，四项任务各分配一次，两台设备各需要7分钟。总工作量为14，两台设备分担，全部任务的完成时间至少是14/2 =7分钟；这组分配达到了这个下界，因此本例的最优完成时间为7分钟。

在实际使用中，代码和报告也应保留约束检查与目标值计算，便于核对方案，涉及最优性结论时，需要有相应依据。

把Kaiwu Coding Skill用到自己的项目里

处理任务时，先整理实际数据、优化目标和必须遵守的条件，让AI应用使用Kaiwu Coding Skill说明建模思路，确认后再编写或调整程序。

可以先用小规模任务验证模型和结果，再逐步扩大规模，保留代码、运行配置和检查记录，方便后续调整及比较方案。

四、KPP Coding Skill快速上手：小规模RBM训练

准备四种六位二进制模式：000000、111000、000111、111111，每种模式被选中的概率相同。可将六列数据看成六个开关，1 表示开，0 表示关，前三个开关总是一起开或一起关，后三个也是如此。这个实验希望模型学习的，就是这样的组内关系。

本实验使用受限玻尔兹曼机（RBM），可见层接收六列数据，隐藏层学习其中的表示。

可以在AI应用中发送以下任务描述：

请使用 kpp-coding-skill，完成一个小规模RBM训练与生成实验；



从000000、111000、000111、111111四种模式中等概率选取128条训练数据；

构建6个可见单元、3个隐藏单元的RBM，使用CPU和Kaiwu本地模拟退火采样，训练20步；

训练后生成20条样本，仅导出可见层的6列0/1数据，保存为CSV。



请检查训练过程和样本格式，保存代码、模型参数及配置，说明实际运行结果。

AI应用需要据此完成数据准备、模型定义、训练与采样，并将结果保存下来。运行前可核查AI的实验安排，确认使用本地计算、输出文件符合要求。运行后先打开CSV，检查是否含有如下内容：

- 是否有20行样本、6列数据（表头另计）；
- 取值是否都是0或1；
- 四种原始模式及其他组合所占的比例；
- 样本是否体现了“组内开关一起变化”的关系。

训练过程还应检查损失和梯度是否有限、参数是否更新、样本格式是否正确。模型可能生成训练集之外的组合，也可能再次采到已有模式，要结合整体比例和关联判断学习效果。这里的20步用于体验训练与采样流程，少量生成样本适合初步观察；需要评价数据分布时，应增加采样量，并根据实际结果分析模型表现。

把KPP Coding Skill用到自己的项目里

处理自己的数据时，先明确输入形式、希望输出什么，以及用什么方法评价。例如，做分类要看未参与训练的数据上预测得怎样，做重建要看信息保留得如何，做生成要看样本是否符合任务要求。模型类型和训练设置据此确定，后续调整也尽量保持评价方法一致，便于比较。

可以先选一个小目标完成实验，例如提取一组特征、重建一批图像，或为已有模型筛选输入，再根据实际效果扩大数据量和训练规模。将模型参数、数据处理配置与代码一起保存，方便后续加载模型、生成样本或继续训练。

五、资源入口

- Kaiwu Coding Skill代码仓库：https://github.com/qboson/kaiwu-coding-skill
- KPP Coding Skill代码仓库：https://github.com/qboson/kpp-coding-skill
- Kaiwu SDK官方文档：https://kaiwu-sdk-docs.qboson.com/zh/latest/
- Kaiwu-PyTorch-Plugin代码仓库：https://github.com/qboson/kaiwu-pytorch-plugin
- Kaiwu-PyTorch-Plugin中文文档：https://kaiwu-pytorch-plugin-docs.readthedocs.io/zh-cn/latest/
- 玻色量子云平台：https://platform.qboson.com/
- Kaiwu SDK下载及授权信息：https://platform.qboson.com/sdkDownload
- 开物量子开发者社区：https://kaiwu.qboson.com/

写在前面

近年来，专用量子计算正从实验室走向更多科学研究与工程实践。组合优化、能量模型、采样与生成等任务，开始尝试借助量子的方法求解。但要把量子能力真正用起来，开发者仍然要面对一些门槛。

AI编程助手的出现，在开发者理解任务、编写代码和执行程序上提供了很大帮助。但把业务问题交给AI编程助手，到真正落地时并不只是“写一段代码”：业务指标如何转化为变量、目标和约束？QUBO/Ising模型应该怎么写？训练能量神经网络应该选哪个模型？这些都需要专业且准确的领域知识及验证规范。

玻色量子于近期正式推出Kaiwu Coding Skill及KPP Coding Skill，助力开发者快速处理量子+AI应用开发中的系列问题。

本文将详细介绍两个Skill的安装和使用说明，既是一篇使用指南，也可作为产品技术手册。

一、认识Kaiwu Coding Skill和KPP Coding Skill

使用本手册的完整流程，需要AI应用支持本地Skill加载、终端执行及文件读写。

两个Skill可以在同一个任务中配合使用，AI工具应根据任务所需的能力和SDK依赖版本安排调用与运行环境。

Kaiwu Coding Skill主要面向组合优化任务。可以帮助将业务问题中的目标、变量和约束转化为模型，调用求解器，再将结果还原为业务方案；也可以提供已有的模型或Kaiwu代码，让AI协助建模、求解、检查及结果解码。

组合优化的代表性使用场景：

KPP Coding Skill主要面向量子采样及能量模型训练任务。玻色量子的Kaiwu-PyTorch-Plugin（KPP）插件提供了BM/RBM、Q-VAE、Q-Diffusion等能量模型，以及部分特征选择工具。在训练能量模型时，可以通过Kaiwu SDK接入本地求解器或专用量子计算机，完成采样或训练过程。KPP Coding Skill集成了这些模型的用法、训练与采样流程、结果检查方法，可以帮助从数据和目标出发，让AI协助选择模型、编写和运行代码，保存模型参数、生成样本或特征筛选结果等。

KPP Coding Skill的代表性使用场景

一句话总结：如果仅需进行运筹优化任务，使用Kaiwu Coding Skill即可；如果进行“预测分类、数据生成”等基于采样的任务，KPP Coding Skill是必须使用的（当然，Kaiwu Coding Skill也需视任务情况选择使用）。
 
二、下载安装Skill

此处提供两种方式安装Skill工具。

方式一：AI协助安装

在支持本地文件操作和Skill管理的AI应用中，新建对话，按照安装Skill的需求不同，发送以下内容：

请帮我安装 Kaiwu Coding Skill/KPP Coding Skill：

1. https://github.com/qboson/kaiwu-coding-skill

2. https://github.com/qboson/kpp-coding-skill



请根据当前应用支持的方式安装，保留完整的技能文件，

并告诉我怎样使它生效、怎样在对话中调用。

按应用提示完成下载和文件访问，再刷新技能列表、新建对话或重启应用，使它加载技能。加载后，确认应用已识别 kaiwu-coding-skill 和 kpp-coding-skill。

如果只安装其中一种Skill，也可以单独发送上述内容中的对应部分。

方式二：手动安装

1. 下载技能包 

分别打开项目地址，点击 Code → Download ZIP 下载压缩包：
- Kaiwu Coding Skill：https://github.com/qboson/kaiwu-coding-skill
- KPP Coding Skill：https://github.com/qboson/kpp-coding-skill

2. 解压并整理目录

按文件夹分别命名为 kaiwu-coding-skill 和 kpp-coding-skill，确认每个文件夹根目录中都能直接找到 SKILL.md，并保留 references、scripts 等全部附带文件。

3. 放入Skills目录

通过当前AI应用的技能管理界面或官方说明，找到它支持的Skills目录，将完整文件夹放进去。不同应用目录可能有所不同，可让AI根据当前应用的说明帮助确认。

安装后的结构应类似：

<当前 AI 应用的 Skills 目录>

├── kaiwu-coding-skill/

│   ├── SKILL.md

│   └── references/

└── kpp-coding-skill/

    ├── SKILL.md

    ├── references/

    └── scripts/

4. 加载并调用

按应用提示重新加载技能，在对话中写明“请使用 kaiwu-coding-skill……”或“请使用 kpp-coding-skill……”，并补充任务要求。

准备运行环境与账号

1. 使用完整流程，需要AI应用支持本地 Skill 加载、终端执行和文件读写，故实际运行还需要Python、Kaiwu SDK、Kaiwu-PyTorch-Plugin及兼容的PyTorch依赖，可让AI应用按官方说明检查并准备环境；

2. 首次使用Kaiwu SDK需要授权，请登录注册玻色量子云平台，在SDK下载页面获得用户 ID 及 SDK Code，授权应由本人在任务使用的本地环境中完成，已有有效license可以复用；

3. 本指南的入门实验使用本地经典模拟退火，在调用云端量子真机时，需提前申请算力额度。

- Kaiwu SDK使用文档：https://kaiwu-sdk-docs.qboson.com/zh/latest/

- Kaiwu-PyTorch-Plugin代码仓库：https://github.com/qboson/kaiwu-pytorch-plugin

- 玻色量子云平台：https://platform.qboson.com/

- SDK下载及授权信息：https://platform.qboson.com/sdkDownload

三、Kaiwu Coding Skill快速上手：任务分配问题

四项任务耗时分别为 2、3、4、5 分钟，两台相同的设备同时开工，每台设备依次处理分发给它的任务。要求每项任务必须完整交给一台设备，目标为全部任务尽早完成。

可以在AI应用中发送以下任务描述：

请使用 kaiwu-coding-skill，将耗时为 2、3、4、5 分钟的四项任务分给两台相同的设备；

两台设备同时开始，每台依次处理自己的任务，每项任务只能完整交给一台设备；

希望所有任务尽早完成。



请先说明你的理解和建模思路，再用 Kaiwu 本地模拟退火求解；

输出每台设备的任务清单和总耗时，检查任务是否遗漏或重复，并保存代码与结果。

开始运行前，先核对AI应用对数据、限制和优化目标的理解；任务涉及优先级或先后顺序时也应一并提供。

在本例中，两台设备的总工作量始终是14分钟，让两边负载更接近，就能缩短较晚一台设备的完成时间。

使用Kaiwu SDK v1.4.1的本地模拟退火求解器验证，可得到以下分配：

核对结果可见，四项任务各分配一次，两台设备各需要7分钟。总工作量为14，两台设备分担，全部任务的完成时间至少是14/2 =7分钟；这组分配达到了这个下界，因此本例的最优完成时间为7分钟。

在实际使用中，代码和报告也应保留约束检查与目标值计算，便于核对方案，涉及最优性结论时，需要有相应依据。

把Kaiwu Coding Skill用到自己的项目里

处理任务时，先整理实际数据、优化目标和必须遵守的条件，让AI应用使用Kaiwu Coding Skill说明建模思路，确认后再编写或调整程序。

可以先用小规模任务验证模型和结果，再逐步扩大规模，保留代码、运行配置和检查记录，方便后续调整及比较方案。

四、KPP Coding Skill快速上手：小规模RBM训练

准备四种六位二进制模式：000000、111000、000111、111111，每种模式被选中的概率相同。可将六列数据看成六个开关，1 表示开，0 表示关，前三个开关总是一起开或一起关，后三个也是如此。这个实验希望模型学习的，就是这样的组内关系。

本实验使用受限玻尔兹曼机（RBM），可见层接收六列数据，隐藏层学习其中的表示。

可以在AI应用中发送以下任务描述：

请使用 kpp-coding-skill，完成一个小规模RBM训练与生成实验；



从000000、111000、000111、111111四种模式中等概率选取128条训练数据；

构建6个可见单元、3个隐藏单元的RBM，使用CPU和Kaiwu本地模拟退火采样，训练20步；

训练后生成20条样本，仅导出可见层的6列0/1数据，保存为CSV。



请检查训练过程和样本格式，保存代码、模型参数及配置，说明实际运行结果。

AI应用需要据此完成数据准备、模型定义、训练与采样，并将结果保存下来。运行前可核查AI的实验安排，确认使用本地计算、输出文件符合要求。运行后先打开CSV，检查是否含有如下内容：

- 是否有20行样本、6列数据（表头另计）；
- 取值是否都是0或1；
- 四种原始模式及其他组合所占的比例；
- 样本是否体现了“组内开关一起变化”的关系。

训练过程还应检查损失和梯度是否有限、参数是否更新、样本格式是否正确。模型可能生成训练集之外的组合，也可能再次采到已有模式，要结合整体比例和关联判断学习效果。这里的20步用于体验训练与采样流程，少量生成样本适合初步观察；需要评价数据分布时，应增加采样量，并根据实际结果分析模型表现。

把KPP Coding Skill用到自己的项目里

处理自己的数据时，先明确输入形式、希望输出什么，以及用什么方法评价。例如，做分类要看未参与训练的数据上预测得怎样，做重建要看信息保留得如何，做生成要看样本是否符合任务要求。模型类型和训练设置据此确定，后续调整也尽量保持评价方法一致，便于比较。

可以先选一个小目标完成实验，例如提取一组特征、重建一批图像，或为已有模型筛选输入，再根据实际效果扩大数据量和训练规模。将模型参数、数据处理配置与代码一起保存，方便后续加载模型、生成样本或继续训练。

五、资源入口

- Kaiwu Coding Skill代码仓库：https://github.com/qboson/kaiwu-coding-skill
- KPP Coding Skill代码仓库：https://github.com/qboson/kpp-coding-skill
- Kaiwu SDK官方文档：https://kaiwu-sdk-docs.qboson.com/zh/latest/
- Kaiwu-PyTorch-Plugin代码仓库：https://github.com/qboson/kaiwu-pytorch-plugin
- Kaiwu-PyTorch-Plugin中文文档：https://kaiwu-pytorch-plugin-docs.readthedocs.io/zh-cn/latest/
- 玻色量子云平台：https://platform.qboson.com/
- Kaiwu SDK下载及授权信息：https://platform.qboson.com/sdkDownload
- 开物量子开发者社区：https://kaiwu.qboson.com/