昇腾 CANN 软件栈由多层 API 和 Kernel 构成，包含多种接口。为简化理解，可将其分为三层：
- 高层：框架调用 — 类似 PyTorch、MindSpore 训练推理
- 中层：算子 API 调用 — AscendCL、ACL Python、算子编写接口
- 底层：kernel 语言 — TBE、C++ Kernel、融合算子 DSL
它们不是重复，而是分工不同。
如果你只是做模型推理：Python（ACL Python）就够了
适用场景：
- 部署 YOLO
- 部署大模型
- ONNX 转 OM
- 简单前后处理
为什么它值首推？ 因为 Python ACL 是官方主推、最简单、最快上手的一套部署 API。你不会接触复杂内存、流、Device buffer，也不用写 Kernel。
一句话总结：你不是搞算子的，用 Python ACL 就够了。
如果你要做深度部署 + 自定义流程：C++ AscendCL 必须学
适用场景：
- 性能要求高
- 大规模离线服务
- 推理服务并发、异步、流水线
- 自己写 DVPP / AIPP / Memory Pool 管理
为什么必学？ 因为真实部署场景里 Python 慢、多线程不友好、高并发时不稳定。C++ AscendCL 是 CANN 最稳、最强、最接近硬件的调用方式。
一句话总结：做真正的工程化推理，C++ ACL 是你必须掌握的语言。
如果你是算子开发者：TBE 或 C++ Kernel 必学
这类人最少，但薪资较高。 CANN 的算子开发分两类：
- TBE（Tensor Boost Engine）：偏向静态图 + 大量已有模板，适合 Conv2D、Softmax、MatMul、BatchNorm 已有算子二次开发
- C++ AICore Kernel（更底层）：偏硬件、写 AI Core 的 kernel pipeline，适合复杂融合算子手写 pipeline、算子性能极限优化、AICore scheduler 调优
一句话总结：TBE = 快速开发；C++ Kernel = 极致性能。
如果你未来想往昇腾、GPU、NPU 算子岗发展，这块是必修课。
如果你是框架训练端开发：MindSpore 或 PyTorch Adapter
CANN 的训练侧主要依托两条路线：
- MindSpore（原生最佳）：CANN 和 MindSpore 一家亲，用原生能力、全栈功能，MindSpore 体验最好
- PyTorch 前端（适合本来就用 PyTorch 的人）：AutoGrad、OpBuilder、AOT、动态图转图优化都是可用的
总结一句：训练：MindSpore 最稳；PyTorch 最方便。
到底该学哪个？给你一个最清晰的选型图
- 你只做模型部署？学：Python ACL
- 你要做企业级推理服务？学：C++ AscendCL
- 你要做自定义算子？学：TBE + C++ Kernel
- 你搞训练？学：MindSpore / PyTorch Frontend
- 你是科研学生？学：Python ACL + PyTorch Frontend（最通用、性价比最高）
未来趋势：CANN 语言生态正在逐步收敛
未来几年 CANN 的语言路线会更清晰：
- Python → 上层易用封装
- C++ ACL → 核心部署接口（长期稳定）
