安装¶

从 PyPI 安装 IntentDSL，或使用下述源码与 GitHub wheel 路线。公开 wheel 适用于 Linux x86-64、Python 3.10–3.12 和 glibc ≥ 2.35；它包含独立编译器，不需要本机 LLVM/MLIR SDK。

从 PyPI 安装¶

python3 -m venv .venv-triton
source .venv-triton/bin/activate
python -m pip install 'intentdsl[manual,examples]'
intent setup --target triton
intent doctor --target triton

pip install intentdsl 安装编译器和 Python API；manual extra 增加两个 MCP 服务的依赖，examples extra 增加产品程序的输入数据支持。完整算法与 host 程序位于源码仓库，运行方法见编译与运行。

只使用编译器/KIR/MCP 时省略 intent setup。GPU 执行需要匹配的 NVIDIA 驱动；cuTile 在独立环境使用 intent setup --target cutile，CPU 与 MLU 的外部工具链见下文。若平台没有匹配 wheel，pip 的源码构建需要 LLVM/MLIR 20 SDK。

从源码安装¶

编译器需要 Linux、Python 3.10–3.12、CMake、Ninja、C++17 编译器以及 LLVM/MLIR 20 C++ SDK（headers、libraries、TableGen 与 CMake packages）。Debian/Ubuntu 可以从 LLVM 软件仓库安装 llvm-20-dev、libmlir-20-dev 与 mlir-20-tools。不需要 Python MLIR bindings。

创建虚拟环境需要所选 Python 的 venv 支持。Debian/Ubuntu 的 Python 3.10 使用 python3.10-venv；如果出现 ensurepip is not available，先安装这个系统包，再运行安装脚本。

git clone https://github.com/Tianchen-ai/Intent.git
cd Intent
python3 environment/install.py --backend triton --venv .venv-triton --examples
source .venv-triton/bin/activate
intent doctor --target triton
python examples/softmax.py

安装脚本创建虚拟环境、构建并安装编译器与 Python 包、调用已安装的 intent setup 安装所选后端的 Python 依赖，然后运行环境检查。它不安装 GPU driver、外部 CPU 编译器或 NeuWare SDK。构建和缓存默认留在用户缓存中。

cuTile 使用独立环境：

python3 environment/install.py --backend cutile --venv .venv-cutile --examples
source .venv-cutile/bin/activate
intent doctor --target cutile
python examples/softmax.py --target cutile

用 --mlir-dir、--llvm-dir 指定非系统 SDK；--build-dir 选择仓库外构建目录，--jobs 限制构建并行度。现有后端依赖组合由安装工具声明，intent setup 安装这些组合并执行 pip check；依赖冲突直接报错。

安装现有 wheel¶

从公开预览发行下载 wheel，无需 GitHub 登录。设 INTENT_WHEEL 为真实 .whl 路径，保留完整文件名：

python3 -m venv .venv-triton
source .venv-triton/bin/activate
python -m pip install "${INTENT_WHEEL}[manual,examples]"
intent setup --target triton
intent doctor --target triton

Wheel 包含 intent-compile、intent-opt、配置表、语言手册和编译器需要的非系统动态库；安装不需要 LLVM/MLIR SDK 或源码 checkout。标准 environment/build.py 分发脚本以 Linux x86-64、glibc ≥ 2.35 为平台基线，使用 auditwheel 实际检查 ELF 依赖与符号并修复为 manylinux_2_35_x86_64。主机仍须具有兼容架构、系统 ABI 及所选后端环境；直接 pip wheel . 的本地 wheel 不自动满足该策略。构建成功也不代表设备执行或数值正确。

只使用 KIR 工具和 MCP 时，可省略 intent setup；intent doctor --json 检查基础编译器，intent describe --json 查看公开接口。

CPU 与 MLU¶

python3 environment/install.py --backend mojo --venv .venv-mojo \
  --provider-compiler /path/to/mojo --examples
python3 environment/install.py --backend weft --venv .venv-weft \
  --weft-source-dir /path/to/Weft --weft-binary-dir /path/to/weft-build --examples
python3 environment/install.py --backend bangc --venv .venv-bangc \
  --neuware /path/to/neuware --examples

这些命令使用已有工具链，不安装设备或外部编译器。Weft 的实际 vector width、worker 数和 native profile 由部署明确提供；BANG C 执行需要兼容 MLU 设备。带 Weft 的 wheel 必须在构建时包含该 provider。

完整安装参数、依赖组合、wheel 分发和第三方 notices 见仓库的安装指南。编译器构建脚本是 environment/build.py，从源码构建 sdist 和 wheel，输出目录必须在 checkout 外。