1.3 IR 的定义与编译器架构中的地位
1.3 IR 的定义与编译器架构中的地位
本节摘要：中间表示（Intermediate Representation，IR）是编译器在完成前端解析之后、生成目标代码之前所使用的一种内部程序形式，它既摆脱了源语言的具体语法，也不绑定任何目标指令集。本节给出 IR 的严格定义、用一笔"乘法对加法"的账说明它为什么是现代编译器架构的经济基础，并列出一条合格 IR 应满足的四条判据。IR 是本册的主角，此后所有章节的内容都发生在 IR 之上。
有了语法树，为什么不直接从语法树生成机器码，还要引入 IR？把这个问题想透，IR 的定义和地位就都清楚了。
一、先算一笔账：乘法对加法
支持 m 种源语言、n 种目标平台的编译器族，如果走"每对语言-平台直接翻译"的路线，需要写 m×n 个完整翻译器。每增加一种新语言，工作量是重写 n 个后端；每支持一种新芯片，要为所有语言各写一个代码生成器。1970 年代 IBM 的 PL/I 编译器就吃过这个亏：为几十种目标机各配后端，维护成本失控。
垫上 IR 之后，架构变成 m 个前端 + n 个后端，中间共享同一个 IR 及架在它上面的全部优化器。新增语言只需写一个前端，新增芯片只需写一个后端，优化器全线复用。LLVM 就是这个架构最成功的实现：Clang、Rustc、Swiftc、Julia 共享同一套 LLVM IR 与优化管线，同一套 x86/ARM/RISC-V 后端服务所有语言。
图：直接翻译与经 IR 中转的架构对比
二、IR 的定义与四条判据
给定架构坐标之后，可以给 IR 下一个工作定义：IR 是编译器内部使用的一种程序表示，它对上屏蔽源语言的语法细节，对下不承诺任何具体机器的指令形态，并且被设计成便于机器分析与变换的形式。 这句定义里每个短语都在排除一种"伪 IR"：源代码本身不行（绑定语法），汇编不行（绑定机器），普通文本不行（不利于分析）。
一条合格的 IR 至少要同时满足四条判据：
- 语义无损：源程序的全部行为信息（计算、控制流、内存效果）都能在 IR 中表达。丢信息就意味着丢正确性——第8章讲 MLIR 时会专门讨论传统 IR 的语义丢失问题。
- 分析友好：每个事实（这个值来自哪次定值、这段代码是否可达）都有廉价的获取方式。SSA 形式之所以统治现代 IR，就是因为它把"定义-使用"关系直接做进了名字里。
- 变换可验证：每一次重写（优化）之后，IR 仍然满足自身的不变量，可以用一个机械的验证器检查。LLVM 的 verifier 就是干这个的。
- 与硬件保持"可翻译距离"：既不能近到绑死某种机器（否则前端复用失效），也不能远到让代码生成变成二次发明（否则后端复用失效）。
这四条判据互相牵制。语义无损与表达力会诱惑 IR 变得庞大臃肿，而分析友好要求表示精简规整；贴近机器利于后端，却伤害前端复用。IR 设计的全部艺术，都在这组张力里找平衡点。
三、编译器三段式：前端、中端、后端
IR 落定后，编译器有了清晰的三段式分工：
| 阶段 | 输入 | 输出 | 职责 | 关心什么 |
|---|---|---|---|---|
| 前端 | 源代码 | IR | 词法、语法、语义分析与 IR 生成 | 语言规则 |
| 中端 | IR | 更好的 IR | 机器无关的分析与优化 | 程序共性规律 |
| 后端 | IR | 机器码 | 指令选择、寄存器分配、调度 | 硬件特性 |
中端能独立存在，正是因为 IR 的存在——它不需要知道程序来自 C 还是 Rust，也不需要知道要跑在哪个芯片上。本册第3、4、5章讲的都是中端的事情；第6章进入后端；第7章在 LLVM 里把三段式完整走一遍。
⚠️ 一个常见误解是"IR 只是编译器内部的临时数据结构，理解语言特性才是重点"。事实恰好相反：工业编译器的核心投入几乎都在 IR 及其变换上。判断一个编译团队对某个新语言的支持深度，看它前端产出的 IR 质量比看它的语法兼容清单更准。
本节要点回顾：
- IR 的经济本质：把 m×n 的组合问题化简为 m+n 的模块问题，优化器只需写一遍；
- 工作定义：屏蔽源语言语法、不绑定目标机器、便于分析与变换；
- 四条判据：语义无损、分析友好、变换可验证、与硬件保持可翻译距离；
- 三段式架构：前端翻译语言、中端优化共性、后端适配硬件，IR 是三段的接缝。
一组快问快答
问：为什么不直接从 AST 开始优化，非要再造一层 IR？ AST 里全是语言的"礼貌"：括号、语法糖、优先级包装节点。同一份 for 循环在 AST 里是语法结构，在三地址码里是"标号、比较、跳转"的控制流事实——后者才是数据流分析能下嘴的形状。AST 服务"程序写得对不对"，IR 服务"程序跑得快不快"，两份工作没法挤在一张结构上完成。
问：IR 会丢信息吗？ 会，而且是有意丢：变量名可以丢（调试信息另行保存）、源码行号可以丢、部分类型信息可以丢。丢什么是 IR 设计的核心决策——丢多了优化失去依据，丢少了表示臃肿。LLVM 的选择是把调试信息做成附着在 IR 上的元数据，主表示保持精瘦；这个取舍让它既能全速优化，又能生成可断点的代码。
问：一门新语言接 LLVM，前端要写多少东西？ 到 IR 为止：词法、语法、语义分析与 IR 生成。之后两三千个优化 pass、十几种目标芯片的后端全部白得——这就是本章开头那笔"乘法变加法"的账在开发者体验上的样子。反过来看，语言语义与 IR 的贴合度决定了前端的难易：函数式语言的尾调用、闭包，映射到 SSA 形 IR 就比映射到栈式机 IR 自然得多。选 IR 也是选语言的"得体翻译腔"。
问：IR 层面的"语义无损"怎么验证？ 三条常用手段。差分测试最朴素：同一输入在优化前后两个可执行版本上跑，比对可观测行为；验证器是结构化的：SSA 合法性、支配一致性、类型闭合，机器随时检查；等价性检查器（学术界的Alive2 就是范例）把"变换前后语义等价"做成可判定的判定题，对每个改写规则自动找反例。三层防线各管一段——这是"变换封闭性"从设计判据落成工程实践的样子。
下一节沿"抽象层次"这条轴把 IR 家族摊开看，你会发现三地址码、SSA、MLIR 各自站在光谱的不同位置上。