用途：该技能专注于 MLIR（多级中间表示）与 CIR（Clang IR）开发，用于构建领域专用编译器和高层优化流水线。MLIR 是可复用、可扩展的编译器基础设施，提供分层多级 IR、可扩展操作与类型系统、跨抽象层级渐进式下降，以及丰富的变换基础设施。
分层结构：高层 DSL → 领域专用方言（如 TensorFlow、PyTorch）→ 中层方言（如 Linalg、Affine）→ 低层方言（如 LLVM、GPU）→ 目标代码。
主要能力：方言定义（操作、类型、属性分组，可注册自定义 Op/Type）；用 ODS/TableGen 定义操作；自定义类型与属性；编写变换 Pass（遍历并修改操作）；基于模式的重写（如 add(x,0)→x 的化简）；方言间转换与下降（如将自定义 Op 降为 arith 方言）；内建方言 Affine（多面体编译与循环优化）、Linalg（线性代数）、SCF（结构化控制流）。CIR 基于 MLIR 表示 C/C++，比 LLVM IR 层级更高，利于调试与工具支持。还涉及 ML/AI 编译：TensorFlow 方言、torch-mlir、IREE、XLA。
使用方式：通过 mlir-opt 运行 Pass 与方言转换、调试打印，例如 mlir-opt input.mlir -my-pass -o output.mlir、-debug-only=my-pass；通过 mlir-translate 在 MLIR 与 LLVM IR 间转换，例如 mlir-translate input.mlir --mlir-to-llvmir -o output.ll、mlir-translate input.ll --import-llvm -o output.mlir。
测试与最佳实践：使用 FileCheck 做变换测试（RUN/CHECK 注释）与单元测试；建议渐进式多层下降而非直接降到 LLVM、每次下降保持语义、用 ODS 定义操作、充分测试、编写方言文档。更详细的教程与项目链接可从上游 README 获取：https://raw.githubusercontent.com/gmh5225/awesome-llvm-security/refs/heads/main/README.md。限制：资料未提供具体安装步骤、版本要求、收费与平台支持等信息。