本指南安装 canonical skills，并演示一个不使用 NPU 的合成实验 lifecycle。它不会启动模型服务，也不产生硬件性能结论。
从 workflow 仓库初始化或复用 code/xllm，并把项目 skills 链接到 .agents/skills：
python scripts/init_xllm_workspace.py如果从已有 xLLM checkout 启动 agent，把项目 skills 安装到所选 agent 目录：
python scripts/init_xllm_workspace.py --mode xllm --agent codex安装器只发现 skills/catalog.json 声明的 canonical 目录。
仓库根目录模式：
codexxLLM checkout 模式：
cd code/xllm
codexRefresh 后应启动新 task，让 agent 获取最新 skill metadata。
- 新建或恢复 run 状态：
xllm-experiment-lifecycle。 - 开放式 xLLM 优化：
xllm-npu-sota-loop，run 状态委托 lifecycle 管理。 - 对 ready 服务执行一次性能测试：
xllm-npu-perf-runner。 - 性能与精度混合评测并收集完整 artifacts：
xllm-npu-eval-runner。
全部入口见 Skill 能力索引。
复制 experiment.example.yaml，设置本地 run root 与源码 checkout，并保持 environment.require_npu: false。然后遵循 lifecycle skill 的 canonical 顺序：
preflight -> run create -> specialist artifacts -> attempt add
-> run validate -> export evidence -> gate all
-> finalize -> retention review -> archive
tests/test_lifecycle_skill_cli.py 会通过真实 CLI subprocess 执行这条 lifecycle，但不会启动服务或使用 NPU。
真实 run 开始前必须固定 model、binary、checkout、hardware、workload、sampling 与 evidence level。遵循标准工作流，并保持支持边界：xLLM 是完整主路径；vLLM-Ascend 与 SGLang 仅限显式声明的 adapter 或 artifact scope。
python scripts/validate_skill_catalog.py
python scripts/render_skill_docs.py --check
pytest -q
git diff --check