必须先 bufferize 再降级：Linalg 工作在 tensor 值语义层，而 Affine 循环需 memref 可变内存访问，故 convert-linalg-to-loops 前须经 bufferization 转为 memref + load/store。
Linalg 降级到 Affine 循环前，必须先 bufferize
直接对 linalg.generic 或 linalg.matmul 调用 convert-linalg-to-loops 会失败——这不是 bug，是设计使然。Linalg Dialect 默认工作在 tensor 语义层（值语义、不可变），而循环需要可变内存访问，中间必须插入 bufferization 步骤，把 tensor 操作转成 memref + load/store 的组合。
- 常见错误现象：
error: 'linalg.generic' op operand #0 must be of memref type, but got 'tensor<?x ?xf32>' - 正确顺序只能是：
linalg.bufferize→convert-linalg-to-loops→affine-loop-normalize（可选） - bufferize 不是无损的：动态维度（
?x?xf32）会被保留，但 shape 推导失败时会报错，需提前确保 dim size 可推导或显式提供memref.alloc尺寸 - 如果你用的是 MLIR 15+，
linalg-bufferizepass 默认启用allow-returning-dynamic-allocs，否则遇到 runtime shape 会直接 abort
convert-linalg-to-loops 生成的循环结构依赖 linalg op 的 indexing_maps
convert-linalg-to-loops 不是“硬编码写 for 循环”，而是根据 linalg op 的 indexing_maps 和 iterator_types 自动生成嵌套结构。比如一个 linalg.matmul 的 indexing_maps 是：
[affine_map<(d0, d1, d2) -> (d0, d2)>, // A[d0, d2] affine_map<(d0, d1, d2) -> (d2, d1)>, // B[d2, d1] affine_map<(d0, d1, d2) -> (d0, d1)>] // C[d0, d1]
它就会生成三层循环：d0（C 行）、d1（C 列）、d2（求和维度），顺序由 iterator_types = ["parallel", "parallel", "reduction"] 决定。
- 如果 indexing_maps 写错（比如把 A 的 map 写成
(d0, d1)而漏掉d2），生成的循环会少维，导致访存越界或结果全零 - reduction 维度必须出现在所有输入 map 中，且只在一个输出 map 中出现；否则 pass 会拒绝转换
- 不建议手动改 indexing_maps 来“调优”——它本质是算子语义声明，不是性能开关；性能靠后续 tiling / vectorization
降级后 Affine 循环仍需 normalize 才能进 LLVM
刚生成的 Affine 循环常含复杂表达式（如 affine.for %i = 0 to (d0 + d1) * 2），LLVM lowering 需要更规整的循环边界和步长。此时必须跑 affine-loop-normalize，它会把任意仿射表达式拆成标准形式：%i = 0 to ? step 1。
- 没 normalize 就跑
convert-affine-to-scfl，大概率触发断言：expected loop step to be 1 - normalize 后的循环体里，
affine.load/affine.store仍存在；下一步要用convert-affine-to-scfl把它们转成scf.for+memref.load/memref.store - 注意：normalize 会引入额外的
affine.apply计算索引，若原 loop bound 含非线性项（如d0 * d0），它无法处理，需提前用affine-simplify或重写逻辑
真正难的不是“怎么降”，而是“在哪停”——Linalg → Affine → SCF → LLVM 这条链上，每一步都丢信息。比如 bufferize 丢 tensor 语义，affine-loop-normalize 丢多面体结构，最后进 LLVM 就只剩 load/store/mul/add。想保优化空间，就得在 Linalg 层做 tiling/fusion/vectorization，而不是等降到循环再折腾。
