编译与图优化（Compiler and Graph Optimization）
专题类型：基础支撑 主服务目标：图变换与执行计划理解
专题定位与 Infra 层定位
本专题是算子优化路线的相邻支撑入口，内部聚焦编译与图优化，并与 kernel / 算子优化路线衔接（建设中）。学习顺序是：先看为什么“图看起来正确”不等于“跑起来高效”，再看 fusion、lowering、schedule、layout 和 backend 约束分别改的是哪一层，最后把差异收回 benchmark 和项目结论。
本专题主要连接 Infra-L2–Infra-L3，并向下受 Infra-L1 硬件约束、向上服务于 Infra-L4 的训练和推理运行时：算子库、编译器、kernel 选择和 backend lowering 属于 Infra-L2，框架图、执行计划与运行时调度属于 Infra-L3。它不替代推理、显存或通信专题，而是解释同一策略如何经过编译后改变计算、内存访问和通信成本。
推荐入口
推荐从 推理优化 的请求链路和算子基础进入，再在遇到 kernel、fusion 或 backend 差异时回看本专题。需要证据采集时，与 性能分析 配合使用。
前置阅读
建议先掌握 Part 01 · 08 CUDA / Triton 编程模型、Part 01 · 09 AI 编译器与图优化 的 GPU 执行与算子基础，再阅读表中的 lowering、schedule 和 backend 相关内容。初学者可先看 Task1-2 建立图到 kernel 的映射，再进入项目 benchmark。
主学习线
Task1-6 是学习路线，指向 Part 01 / Part 02 的具体小节；最后一列的 01-06 是专题正文页，只负责解释和串联。
| Task | 学习内容 | 主学习线 | 专题正文 |
|---|---|---|---|
| Task1 | 图级判断与 fusion 直觉 | Part 01 · 09 AI 编译器与图优化 → Part 01 · 19 算子融合基础 | 01 为什么需要编译与图优化 |
| Task2 | lowering、legalization 与 scheduling | Part 01 · 08 CUDA / Triton 编程模型 → Part 01 · 09 AI 编译器与图优化 | 03 Lowering、Legalization 与 Scheduling |
| Task3 | 执行模型与 backend 约束 | Part 01 · 15 CUDA 执行模型 → Part 01 · 16 Warp / Block / Shared Memory → Part 01 · 18 Triton Block 模型 | 04 执行模型与后端约束 |
| Task4 | backend 成本模型 | Part 01 · 33 TCO 与成本模型 | 05 后端成本模型与不同最优解 |
| Task5 | 推理与图优化交叉处 | Part 02 · 20 FlashAttention 模拟 → Part 02 · 22 vLLM PagedAttention → Part 02 · 34 Prefix Cache 与 Chunked Prefill | 02 计算图结构与融合决策 |
| Task6 | benchmark 与项目验证 | Part 02 · 66 推理性能比较 → Part 02 · 67 量化推理与部署 → Part 02 · 74 Profiling 驱动优化 | 06 基准测试与项目验证 |
正文与跳转
先按上面的 Task1-6 走来源主线；遇到“同一张图为什么在不同 backend 上差很多”“fusion 和 schedule 到底谁决定结果”时，再回来看对应的专题正文。想看汇总版就进 编译与图优化正文，想按连续故事线走一遍就进 编译与图优化深入阅读。
如果问题已经跨到别的专题： 性能分析 负责热点证据链，推理优化 负责请求链路视角，通信与并行 负责切分与通信代价。
项目结论
推荐以 66 推理性能比较 -> 67 量化推理与部署 -> 74 Profiling 驱动优化 形成最小验证闭环。结论至少应同时记录图或 kernel 的变化、端到端延迟、吞吐、显存和 backend 环境；单个算子变快不等于服务整体变快。
环境与验证
图结构、成本模型和部分 lowering 模拟可用 CPU；真实编译、kernel autotune 和 serving backend 验证通常需要 GPU。应固定输入形状、warmup、迭代次数和后端版本，并保留编译日志与 benchmark JSON。