现场是这样的。编译自定义算子时报错，提示检测到的 CUDA 版本与 PyTorch 编译时使用的版本不同，nvcc 是 11.8 而 torch 显示 12.1。
中间走过弯路，把「环境变量 CUDA_HOME 指向旧目录」当成主因，改完现象没变。
把日志和配置对完，能解释这个现象的基本就这几处。系统 PATH 里的 nvcc 来自另一套 CUDA 工具包；conda 环境里装了 cudatoolkit 但没装对应编译器；PyTorch 是通过 pip 安装的预编译包，与本地工具链无关。
动手时先对比两个版本号
nvcc --version; python -c "import torch;print(torch.version.cuda)"接着把 CUDA_HOME 指向匹配的工具包
$env:CUDA_HOME='C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1'通过 conda 安装匹配的编译工具链
conda install -c nvidia cuda-toolkit=12.1等前面都确认过，再重新编译并确认没有版本告警
python setup.py build_ext --inplace这类改动我都写进变更记录，过两周再出问题时能对上号。
恢复的判定其实很直接。编译过程没有版本不一致的提示，扩展能 import 成功，算子调用结果与参考实现一致。
提醒一点。预编译的 torch 轮子自带运行时，不依赖本地 nvcc，只有编译扩展时才需要版本对齐，别为了对齐去重装 torch。改动前把原配置备份一份，出问题能马上回滚，这比任何技巧都实用。