[Doc] add activate xcode and Buddy compiler

docs/zh/technical/AI/Buddy-MLIR_introduce.md

@@ -0,0 +1,63 @@
+# Buddy-MLIR 技术解析与应用研究指南
+
+Buddy-MLIR 是一个旨在简化基于 MLIR（Multi-Level Intermediate Representation）构建人工智能（AI）编译器和工具开发的开源项目。它通过提供更易于上手的工具、模块化组件和清晰的端到端流程，作为开发者的“伙伴”，帮助他们克服原生 MLIR 生态中复杂的学习障碍。
+
+
+## 一、 Buddy-MLIR 的核心优点（为什么选择它？）
+
+Buddy-MLIR 的价值在于它在继承 MLIR 强大功能的同时，极大地提升了开发者的效率和体验。
+
+1. **极大地降低了 MLIR 的学习曲线**  
+   - 清晰的端到端示例：提供从模型导入到代码生成的完整、可运行的示例。这些示例是初学者快速理解 MLIR 编译器工作流的最佳实践。  
+   - 高层抽象的工具链：封装了原生 MLIR 的复杂性，提供更简洁的 API 和工具链，使开发者无需成为 MLIR 专家也能快速构建功能。
+
+2. **增强了模块化和可复用性**  
+   - 解耦的组件：架构设计高度模块化。其运行时（Runtime）、驱动程序和特定的优化 Pass 都是独立的组件，方便开发者抽取并集成到其他 AI 编译器或工具链中。  
+   - 易于定制的后端：开发者可以基于 Buddy-MLIR 的基础架构，轻松地添加或修改针对特定硬件（如自定义加速器、FPGA 等）的后端支持。
+
+3. **提供完整的 AI 编译流程和运行时支持**  
+   - 全流程覆盖：区别于只关注某个转换阶段的项目，Buddy-MLIR 展示了一个从主流 AI 框架模型（如 ONNX/TensorFlow）输入，经过多级优化，直到生成可执行目标代码的完整、可部署的流程。  
+   - 集成的运行时：包含一个轻量级、可定制的 C++ 运行时库，负责关键的部署任务，例如内存管理、权重加载和函数调用。
+
+4. **聚焦于 AI 领域的性能优化**  
+   AI 友好型 Pass：提供针对 AI 模型性能的关键优化 Pass，包括：  
+   - 算子融合 (Operator Fusion)：减少内存访问和内核启动开销。  
+   - 内存布局优化：提高数据局部性（Data Locality）。  
+   - 高性能循环转换：利用循环分块、循环展开等技术提升效率。
+
+
+## 二、 模型优化和编译研究的使用指南
+
+要开始使用 Buddy-MLIR 进行模型优化和编译研究，建议按以下三个阶段循序渐进地深入。
+
+
+### 阶段一：环境搭建与前端（模型导入）
+
+| 步骤 | 目标 | Buddy-MLIR 中的实践方法 | 关键研究点 |
+|------|------|-------------------------|------------|
+| 1. 环境搭建 | 编译并运行 Buddy-MLIR 项目。 | 遵循项目文档，编译 C++ 核心库和 Python 绑定。 | 熟悉 MLIR 编译器依赖和构建流程（CMake）。 |
+| 2. 模型导入 | 将外部模型转换为 MLIR IR。 | 使用 Buddy-MLIR 提供的工具链或示例，将 ONNX/TensorFlow 模型转换为高层 MLIR 方言（如 TOSA 或 MHLO）。 | 研究算子映射的正确性，确保前端转换过程中的语义保真度。 |
+| 3. 基础运行 | 验证 IR 转换的正确性。 | 运行未经优化的模型，验证其在目标硬件上的功能正确性。 | 理解 Buddy-MLIR 的**运行时（Runtime）** 机制及其在数据管理中的作用。 |
+
+
+### 阶段二：中层优化与转换（性能核心）
+
+这是利用 Buddy-MLIR 进行性能优化的核心研究阶段。
+
+| 步骤 | 目标 | Buddy-MLIR 中的实践方法 | 关键研究方向 |
+|------|------|-------------------------|--------------|
+| 1. 算子融合 (Fusion) | 减少开销，提升性能。 | 观察和修改 Buddy-MLIR 中针对 Linalg 或特定 AI 算子设计的融合 Pass。 | 设计更高效的融合策略，以适应不同的模型结构（如 RNN、Transformer）和目标硬件特性。 |
+| 2. 内存布局优化 | 提高数据局部性。 | 实验改变张量内存布局（如 NCHW $\rightarrow$ NHWC）的 Pass。 | 研究最优内存布局的自动选择机制，以及如何在多级缓存（L1/L2）的硬件上实现最佳的缓存命中率。 |
+| 3. 高层转换 | 将 AI 语义降低到 Linalg 方言。 | 学习 TOSA/MHLO 等高层方言如何通过 Pass 转换到 linalg 方言。 | 专注于图优化技术，如常量折叠和图结构重写，以简化后续的编译工作。 |
+| 4. 新优化 Pass 开发 | 实现自己的创新优化想法。 | 以 Buddy-MLIR 的现有 Pass 为模板，学习利用 MLIR 的 PassManager 和 PatternRewriter 来开发新的 Pass。 | 探索基于 MLIR 的硬件无关优化和形状推导。 |
+
+
+### 阶段三：降低与代码生成（硬件适配）
+
+此阶段重点是将优化后的 IR 转换为目标硬件可执行的代码。
+
+| 步骤 | 目标 | Buddy-MLIR 中的实践方法 | 关键研究方向 |
+|------|------|-------------------------|--------------|
+| 1. 逐步降低 | 将 Linalg 降级到 Affine/SCF/Vector。 | 观察 Pass 流水线如何将 Linalg 算子逐步转换为循环 (affine/scf) 和 SIMD 指令 (vector)。 | 研究循环转换（如分块、剥离、展开）的策略及其对性能的影响，并探索自动代码生成工具（如 mlir-opt）的使用。 |
+| 2. 向量化与并行化 | 利用硬件的 SIMD/多核能力。 | 检查 IR 如何降低到 Vector 方言，以及如何利用 GPU 或 LLVM 方言进行并行化。 | 专注于自动向量化的挑战，设计更智能的 Pass 来识别和转换适合并行执行的模式。 |
+| 3. 新硬件后端集成 | 适配自定义或新的硬件架构。 | 在 Buddy-MLIR 的 JIT/AOT 流程中，扩展代码生成后端，以支持目标硬件所需的指令集或运行时 API 调用。 | 研究如何为新的**特定领域架构（DSA）** 定制 MLIR 方言和降低策略，实现高效的编译。 |s

docs/zh/technical/Basic-knowlegde/xcode_activate_CLI.md

@@ -0,0 +1,54 @@
+# 激活xcode中CLI
+
+## 未激活状态
+输入 `xcode-select -p`
+
+应输出：
+
+```
+$ /Library/Developer/CommandLineTools
+
+或
+
+$ xcode-select: error: unable to get active developer directory
+```
+
+## 进行激活
+执行下面这条命令（需要 sudo）：
+```
+sudo xcode-select -s /Applications/Xcode.app/Contents/Developer
+```
+
+⚠️ 注意：如果你的 Xcode 不在 `/Applications`（比如叫 “Xcode-beta.app”），
+
+可以用：
+
+```
+ls /Applications
+```
+
+找到确切的名字后再替换路径。
+
+## 进行验证
+```
+$ xcode-select -p
+```
+应输出：
+```
+/Applications/Xcode.app/Contents/Developer
+```
+
+## xctrace验证（Apple Xcode 的性能分析命令行工具）
+
+```
+$ xcrun xctrace version
+
+或
+
+$ xctrace version
+```
+
+应输出：
+```
+$ xctrace version 16.0 (16F6)
+```