学习用的 C++26 编译器风格神经网络库。
人类含量很低，只有最初的 Tensor/Device/Graph 部分是全人工古法编程的，其他部分合作完成
当前仓库已经包含：
- 静态计算图前端、Autograd、Interpreter 运行时
- 基于 MLIR/LLVM 的 CPU AOT 编译与 CompiledModule 加载执行
- 模型保存/加载、训练 API、MNIST 与 carrier 示例
- 可安装的 CMake 包导出，支持
find_package(LiteNN)
详细文档索引见 docs/README.md。常用入口：
- docs/Architecture.md：架构与路线图
- docs/Versioning.md：版本、兼容与弃用策略
- docs/APIGuide.md：public API 入口与升级边界
- docs/AOTDeployment.md：AOT artifact / carrier / 部署路径
- docs/Troubleshooting.md：常见构建与消费问题排查
- CHANGELOG.md：用户可见改动记录
仅构建基础运行时：
cmake -S . -B build
cmake --build build仓库使用根目录的 .clang-format 统一格式化所有已跟踪的 C/C++ 源码文件。手动格式化：
python scripts/format_sources.pyclone 后 Git 不会自动安装仓库里的 hook 模板。需要在本地执行一次：
Linux/macOS:
sh scripts/install_git_hooks.shWindows:
pwsh -NoProfile -ExecutionPolicy Bypass -File scripts/install_git_hooks.ps1安装后，pre-commit hook 会在提交前运行全量 clang-format，并重新暂存本次提交中已经暂存的文件。
启用 MLIR/AOT 编译器：
cmake -S . -B build -DLITENN_ENABLE_MLIR=ON -DCMAKE_PREFIX_PATH="<llvm-cmake-dir>;<mlir-cmake-dir>"
cmake --build build性能测试和 GGUF AOT 实验应复用 build/.litenn-cache/gguf-shared-weights 中的共享权重，避免每个实验目录复制一份多 GiB 的 weights.bin。可以先盘点 build 中最大的直接子项：
python311 scripts/manage_build_artifacts.py --root build按容量、目录数和递归文件数生成清理计划时默认只预览，并自动保护 .litenn-cache、.litenn-shared-weights 以及包含共享缓存、CMake 构建树或链接的目录。确认列表后才添加 --apply：
python311 scripts/manage_build_artifacts.py --root build --max-total-gib 32 --max-entries 80 --max-files 10000 --keep qwen_speed_cache
python311 scripts/manage_build_artifacts.py --root build --max-total-gib 32 --max-entries 80 --max-files 10000 --keep qwen_speed_cache --apply只检查是否超限（不删除文件，超限退出码为 1），可以在实验前后执行：
python311 scripts/manage_build_artifacts.py --root build --max-total-gib 32 --max-entries 80 --max-files 10000 --keep qwen_speed_cache --check脚本只把 build 的直接子项作为清理单元，不跟随符号链接或 Windows junction；默认拒绝仓库根目录和 CMake 构建树。受保护文件也计入容量和数量，无法达到上限时会提示；--apply 后仍然超限也返回 1，不会以删除共享权重的方式强行达标。统计值为逻辑大小，不是磁盘实际分配空间。真正的 CMake 输出建议继续放在 build-release 等独立目录，不与实验产物混放。
实验尽量固定复用同一个 --workdir 和 --aot-cache-dir，只在需要保留对照证据时另建目录，不为每次运行复制模型或共享权重。清理前停止使用这些目录的进程，并用 --keep <直接子项名> 保护正在使用的缓存、尚未归档的结果以及自定义共享目录。按年龄清理依据的是修改时间，不代表最后访问时间；脚本不会自动识别运行中的实验，也不会在模型启动时自动删除旧结果。
当前包版本为 0.1.0，安装后会导出 LiteNNConfig.cmake 和 LiteNNConfigVersion.cmake：
0.x阶段 CMake 包按同 minor 版本兼容匹配，避免在 pre-1.0 阶段误接受潜在 breaking minor 升级
cmake --install build --prefix <install-prefix>安装树包含：
include/LiteNN...公开头文件lib/libLiteNN.*基础运行时库lib/libLiteNNCompiler.*可选 AOT 编译器库（仅LITENN_ENABLE_MLIR=ON时）lib/cmake/LiteNN/包配置与导出 targets
基础运行时：
find_package(LiteNN CONFIG REQUIRED)
add_executable(app main.cpp)
target_link_libraries(app PRIVATE LiteNN::LiteNN)可选 AOT Compiler 组件：
find_package(LiteNN CONFIG REQUIRED COMPONENTS Compiler)
add_executable(app main.cpp)
target_link_libraries(app PRIVATE LiteNN::LiteNNCompiler)请求 Compiler 组件时，调用方还需要把 LLVM/MLIR 的 CMake 包前缀加入 CMAKE_PREFIX_PATH。
仓库里的 cmake/PackageSmokeTest 提供了最小外部消费工程，可用于验证安装后的 find_package(LiteNN) 链路。
仓库根目录现在提供 conanfile.py，会复用现有的 CMake install/export 逻辑来生成 Conan 包。
导出并创建基础 runtime 包：
conan create . -s compiler=gcc -s compiler.version=<gcc-version> -s compiler.cppstd=gnu26 --build=missing如需把可选 AOT 编译器一起打进包中，可启用 with_mlir 选项；这要求构建环境里已经能被 CMake 发现到 LLVM/MLIR 的包配置：
conan create . -s compiler=gcc -s compiler.version=<gcc-version> -s compiler.cppstd=gnu26 -o litenn/*:with_mlir=True --build=missing当前默认 conan profile detect 在 Windows 上通常会生成 MSVC profile，但 LiteNN 代码目前依赖实验性 C++26 反射工具链，因此需要改用与现有构建一致的 GCC/Clang profile。
消费侧继续使用现有的 CMake 包入口：
find_package(LiteNN CONFIG REQUIRED)
target_link_libraries(app PRIVATE LiteNN::LiteNN)基础运行时现在提供 Graph 文本 dump：
#include <LiteNN.h>
std::string graphText = LiteNN::Debug::DumpGraph(graph);启用 LITENN_ENABLE_MLIR=ON 并链接 LiteNN::LiteNNCompiler 后，还可以输出不同阶段的 MLIR 和 CompiledModule metadata：
#include <LiteNN/Compiler/Dump.h>
std::string inputMlir = LiteNN::Debug::DumpMLIR(graph, LiteNN::Debug::MLIRDumpStage::InputDialect);
std::string loweredMlir = LiteNN::Debug::DumpMLIR(graph, LiteNN::Debug::MLIRDumpStage::AfterLowering);
std::string metadata = LiteNN::Debug::DumpCompiledModuleMetadata(artifact);