diff --git a/README.md b/README.md
index ad2fc88958242aa81bb8295b328cdc2c41d9c8ac..760e342e3bb6e0c4de1b30a9b36d96b105e55221 100644
--- a/README.md
+++ b/README.md
@@ -1,49 +1,38 @@
 # Ascend Transformer Boost
 
 ## 介绍
-Ascend Transformer Boost加速库（下文简称为ATB加速库）是一款高效、可靠的加速库，基于华为Ascend AI处理器，专门为Transformer模型的训练和推理而设计。
+Ascend Transformer Boost加速库（下文简称为ATB加速库）是一款基于华为Ascend AI处理器，专门为Transformer模型的训练和推理而设计的加速库。主要包含一系列Transformer模型算子和运行时优化措施， 提高模型性能。
 
-ATB加速库采用了一系列优化策略，包括算法优化、硬件优化和软件优化，能够显著提升Transformer模型的训练和推理速度，同时降低能耗和成本。具体来说，ATB加速库通过优化矩阵乘法等核心算子和注意力机制的实现方式，实现了对Transformer模型的高效加速。此外，ATB加速库还充分利用了Ascend AI处理器的硬件特性，如算力、存储带宽和内存带宽，通过硬件加速和数据重用等技术，进一步提升了性能和效率。ATB加速库目前提供了底层基础的高性能算子以及高效的算子组合技术（Graph图算子），同时上层支持对接多种模型框架如PyTorch、MindSpore、Paddle。
-
-总而言之，ATB加速库中包含了各类Transformer类模型的高度优化模块，在各种应用场景中发挥重要作用，为模型的训练和推理提供了强有力的支持。
+- 高性能算子：针对昇腾系列芯片， 提供高度优化的Transformer算子， 包括Linear/softmax/PageAttention/RingAttention等。
+- 组图能力： 支持通过手动构图方式将上述算子或用户自定义算子构建成图算子，用于表征Layer或Model。
+- 运行时优化： 通过算子间内存复用和算子下发顺序优化， 提升整体模型性能。
+- Plugin： 提供Plugin能力， 支持用户使用第三方算子组图。
 
 
 ## 软件架构
-加速库接口功能主要分成三部分：
-- 提供基础原生的算子（Operation），用户可以根据需求使用对应的算子完成计算功能。
-- 提供图算子机制，用户根据模型设计对应的图算子，使用加速库提供的原生算子和创建的自定义算子创建图算子，完成相应的计算。
-- 提供插件（Plugin）机制，用户可以根据自己的需求创建自定义的算子。
 
-## 环境构建
-    - [安装CANN环境](https://www.hiascend.com/document/detail/zh/canncommercial/80RC22/softwareinst/instg/instg_0001.html?Mode=PmIns&OS=Ubuntu&Software=cannToolKit)
-    - 设置cann环境变量
-    ```sh
-    source [cann安装路径]（默认为/usr/local/Ascend/ascend-toolkit）/set_env.sh
-    ```
+![输入图片说明](docs/media/image.png)
 
-## 使用教程
- 
- - 加速库编译<br>
+
+ATB的架构大致可以分成3层：
+1. 接口层： 提供单算子接口、组图接口、PlugIn算子接入接口三类
+2. 功能实现层：包括算子实现、运行时优化、Context管理等
+3. 算子运行时：主要提供算子分包、下发等功能。
+
+## 编译安装
+   用户可以选择从源码编译安装，也可以通过官网下载版本包安装。 下面的安装方式2选1.
+   前置条件：已经在环境上安装了对应的CANN ToolKit包。 安装步骤见：https://www.hiascend.com/document/detail/zh/canncommercial/82RC1/softwareinst/instg/instg_quick.html?Mode=PmIns&InstallType=local&OS=Debian&Software=cannToolKit
+
+ - 源码编译并安装<br>
+    注意： ATB是CANN的标准组件， 提供标准的安装包供用户使用。如果希望使用已经编译好的标准包， 可以跳过这一步骤。
     编译加速库，设置加速库环境变量：
     ```sh
     > cd ascend-transformer-boost
-    > bash scripts/build.sh
-    > source output/atb/set_env.sh
+    > bash scripts/build.sh # 编译
+    > source output/atb/set_env.sh #安装
     ```
- - 无法获取ascend-op-common-lib代码仓时，可通过安装nnal软件包获取对应so文件<br>
-    - 安装步骤可参考 `run包使用`
-    - 代码及软件包版本对应关系：<br>
-        nnal软件包需保持和toolkit及kernels软件包版本一致
-        |CANN|代码分支|
-        |-|-|
-        |CANN 8.1.RC1|br_feature_cann_8.2.RC1_0515POC_20250630|
 
-    - 执行 
-        ```sh
-        source {install path}/nnal/atb/set_env.sh
-        export ATB_BUILD_DEPENDENCY_PATH=${ATB_HOME_PATH}
-        ```
- - run包使用<br>
+ - ATN安装使用<br>
     - run包获取
     1. 进入网址：https://www.hiascend.com/developer/download/commercial
     2. 产品系列选择服务器，产品型号根据设备型号选择，选择所需解决方案版本，随后在CANN区域选择软件包跟随指引即可获取相关run包
@@ -51,25 +40,68 @@ ATB加速库采用了一系列优化策略，包括算法优化、硬件优化
     其中，{version}表示软件版本号，{arch}表示CPU架构。
     - 安装run包（需要依赖cann环境）
         ```sh
-        chmod +x 软件包名.run # 增加对软件包的可执行权限
-        ./软件包名.run --check # 校验软件包安装文件的一致性和完整性
-        ./软件包名.run --install # 安装软件，可使用--help查询相关安装选项
+        chmod +x Ascend-cann-nnal_<version>_linux-<arch>.run # 增加对软件包的可执行权限
+        ./Ascend-cann-nnal_<version>_linux-<arch>.run --check # 校验软件包安装文件的一致性和完整性
+        ./Ascend-cann-nnal_<version>_linux-<arch>.run --install --whitelist=atb # 安装软件，可使用--help查询相关安装选项
         ```
         出现提示`xxx install success!`则安装成功
 
 ## 使用说明
-- 加速库算子单元测试
-    - c++
-    ```sh
-    bash scripts/build.sh unittest
+- 单算子调用
     ```
-    - python
-    ```sh
-    bash scripts/build.sh pythontest
-    ```
-    - csv
-    ```sh
-    bash scripts/build.sh csvopstest
+    #include <acl/acl.h>
+    #include <atb/atb_infer.h>
+    
+    int deviceId = 0;
+    aclError status = aclrtSetDevice(deviceId);
+    // 以elewise大类中的Add算子为例，可通过以下方式构造对应参数：
+    atb::infer::ElewiseParam param;
+    param.elewiseType = atb::infer::ElewiseParam::ELEWISE_ADD;
+    // 创建算子对象实例
+    atb::Operation *op = nullptr;
+    atb::Status st = atb::CreateOperation(param, &op);
+    
+    // Tensor构造方法
+    atb::Tensor a;
+    a.desc.dtype = ACL_FLOAT16;    // 配置Tensor数据类型
+    a.desc.format = ACL_FORMAT_ND; // 配置Tensor格式
+    a.desc.shape.dimNum = 2;       // 配置Tensor维度数
+    a.desc.shape.dims[0] = 3;      // 配置Tensor第0维大小
+    a.desc.shape.dims[1] = 3;      // 配置Tensor第1维大小
+    a.dataSize = Utils::GetTensorSize(a); // 获取Tensor内存大小
+    status = aclrtMalloc(&a.deviceData, a.dataSize, ACL_MEM_MALLOC_HUGE_FIRST); // 申请device内存
+    // 按上述方法构造所有输入和输出tensor，存入VariantPack
+    atb::VariantPack variantPack;
+    variantPack.inTensors = { a, ... };
+    variantPack.outTensors = { output, ... };
+    
+    atb::Context *context = nullptr;
+    st = atb::CreateContext(&context);
+    aclrtStream stream = nullptr;
+    status = aclrtCreateStream(&stream);
+    context->SetExecuteStream(stream);
+    
+    // 调用Setup接口，计算workspace大小。
+    uint64_t workspaceSize = 0;
+    st = op->Setup(variantPack, workspaceSize, context);
+    
+    // 根据workspace大小申请NPU内存。
+    void *workspace = nullptr;
+    status = aclrtMalloc(&workspace, workspaceSize, ACL_MEM_MALLOC_HUGE_FIRST);
+    
+    // 调用Execute接口，执行算子。
+    st = op->Execute(variantPack, (uint8_t *)workspace, workspaceSize, context);
+    
+    // 销毁创建的对象，释放内存。
+    status = aclrtDestroyStream(stream); // 销毁stream
+    status = aclrtFree(workspace);       // 销毁workspace
+    st = atb::DestroyOperation(op);      // 销毁op对象
+    st = atb::DestroyContext(context);   // 销毁context
+    // 下面代码为释放Tensor的示例代码，实际使用时需释放VariantPack中的所有Tensor
+    status = aclrtFree(tensor.deviceData);
+    tensor.deviceData = nullptr;
+    tensor.dataSize = 0;
+    
     ```
 
 ## 参与贡献
diff --git a/docs/media/image.png b/docs/media/image.png
new file mode 100644
index 0000000000000000000000000000000000000000..952ded40a4ce749c37b3a175b8836c948e1c13e3
Binary files /dev/null and b/docs/media/image.png differ