TensorPlay 架构设计：四大核心库的解耦之道

构建深度学习框架时，最致命的陷阱莫过于计算、微分与业务逻辑的紧耦合——这会直接导致框架扩展性枯竭、维护成本激增。TensorPlay 从立项之初便确立“解耦优先、职责单一”的核心原则，通过四大定位精准的核心库，搭建起灵活可扩展的架构体系。

1. P10：框架的“计算基石”——纯粹的张量引擎

P10 是 TensorPlay 全栈能力的根基，核心职责只有一个：实现极致高效的张量计算，绝无半行自动微分（Autograd）相关逻辑。借助 Tensor 与 TensorImpl 的多态抽象设计，P10 能无缝对接 CPU、CUDA 乃至自定义硬件加速器，为全场景部署提供统一的高性能计算底座。

2. TPX：轻量“微分扩展层”——不侵入的 Autograd 增强

TPX 并非替代 P10，而是在其之上轻量化扩展自动微分能力。它通过持有 P10 张量的智能指针，为张量附加梯度（grad）、梯度函数（grad_fn）等微分属性，实现“计算与微分”的彻底解耦。这一设计确保：纯推理场景下无需加载微分逻辑，彻底规避冗余的计算图追踪开销。

3. Stax：静态图“性能引擎”——编译级优化突破

Stax 聚焦静态图的捕获与编译级优化，与 TPX 完全解耦，仅依赖 P10 的算子能力。它通过拦截 P10 算子操作捕获计算图，再通过算子融合（Operator Fusion）、内存优化等编译器级技术打磨性能，专门为生产部署场景“榨干”硬件算力，实现极致的推理/训练效率。

4. NN：用户友好的“业务封装层”——低门槛的科研利器

NN 库基于 P10 计算底座与 TPX 微分能力构建，核心目标是降低用户使用门槛。它提供与 PyTorch 接口兼容的高层 API，从 Linear 层、Conv 层到 Adam、SGD 优化器，所有组件均采用模块化设计。科研人员无需关注底层计算与微分细节，即可快速上手搭建、迭代模型。

总结：单向依赖下的生态级灵活度

四大核心库遵循“单向依赖、层层递进”的结构（NN → TPX/P10、Stax → P10），使得每个组件均可独立开发、独立编译、独立测试与升级。这种架构设计让 TensorPlay 不仅是一款深度学习框架，更升级为一个高度可定制、可扩展的张量计算生态系统——用户可按需组合核心库，甚至替换某一层组件以适配特殊场景。