diff --git a/rfcs/CINN/APIs/20220811_api_design_for_cast.md b/rfcs/CINN/APIs/20220811_api_design_for_cast.md
new file mode 100644
index 000000000..568169075
--- /dev/null
+++ b/rfcs/CINN/APIs/20220811_api_design_for_cast.md
@@ -0,0 +1,241 @@
+# CINN cast 设计文档
+
+| API名称                                                      | cast                                |
+| ---------------------------------------------------------- | ------------------------------------------------ |
+| 提交作者<input type="checkbox" class="rowselector hidden">     | 六个骨头                                             |
+| 提交时间<input type="checkbox" class="rowselector hidden">     | 2022-08-11                                       |
+| 版本号                                                        | V1.0                                             |
+| 依赖CINN版本<input type="checkbox" class="rowselector hidden"> | develop                                          |
+| 文件名                                                        | 20220729_api_design_for_cast.md<br> |
+
+# 一、概述
+
+## 1、相关背景
+
+`cast` 是众多神经网络编译器中基础的算子。转化输入的数据类型，例如将Int(32)变为Float(32)。
+为了提升 CINN API 丰富度，需要扩充 API `cast`。
+
+## 2、名词解释
+
+- 张量/Tensor：指高维数组。
+- cast：转化输入的数据类型。
+- dtype：数据类型。
+
+## 3、功能目标
+
+实现cast功能，将输入转换为指定数据类型。例如，对于张量 $A$ = [1, 2, 3]，
+cast( $A$, dtype = Float(32) 结果为 $[1.0f, 2.0f, 3.0f]$。
+
+## 4、意义
+
+为神经网络编译器 CINN 增加基础算子`cast`。
+
+# 二、CINN现状
+
+对CINN框架目前可以调用底层ir实现，即ir::Cast::Make，但没有相应的hlir实现，因此有必要实现 `cast` hlir API。
+
+# 三、业内方案调研
+
+- [TVM](https://github.com/apache/tvm/blob/main/src/relay/transforms/canonicalize_cast.cc)：
+对张量中每个元素使用更底层的ir进行类型转化。
+  
+  ```cpp
+  class CastCanonicalizer : public ExprMutator {
+ public:
+  CastCanonicalizer() : cast_op_(Op::Get("cast")) {}
+
+  Expr VisitExpr_(const CallNode* call) {
+    static auto fpattern = Op::GetAttrMap<TOpPattern>("TOpPattern");
+
+    if (const OpNode* opnode = call->op.as<OpNode>()) {
+      auto pattern = fpattern[GetRef<Op>(opnode)];
+      if (pattern <= kBroadcast) {
+        Array<Expr> call_args = call->args;
+        bool unchanged = true;
+        for (size_t i = 0; i < call_args.size(); ++i) {
+          Expr arg = call_args[i];
+          Expr new_arg = GetNewCallArg(arg);
+          if (!arg.same_as(new_arg)) {
+            call_args.Set(i, new_arg);
+            unchanged = false;
+          }
+        }
+        if (unchanged) {
+          return GetRef<Expr>(call);
+        }
+        return Call(call->op, call_args, call->attrs, call->type_args);
+      }
+    }
+
+    Expr new_expr = ExprMutator::VisitExpr_(call);
+    return new_expr;
+  }
+
+ private:
+  std::unordered_map<const Object*, size_t> ref_counter_;
+  // cast op is frequently checked for equivalence. Therefore, we cache it to
+  // reduce lookup overhead.
+  const Op& cast_op_;
+
+  Expr GetNewCallArg(const Expr& e) {
+    // if e is a upcast and ref count > 1, create an copy; otherwise call the default visitor
+    Expr new_expr = this->VisitExpr(e);
+
+    if (const CallNode* call = e.as<CallNode>()) {
+      if (call->op == cast_op_) {
+        auto attrs = call->attrs.as<CastAttrs>();
+        const auto* from_type = call->args[0]->type_as<TensorTypeNode>();
+        ICHECK(from_type);
+
+        if (from_type->dtype.bits() < attrs->dtype.bits()) {
+          if (++ref_counter_[call] > 1) {
+            const CallNode* new_call = new_expr.as<CallNode>();
+            ICHECK(new_call);
+            ICHECK(new_call->op == cast_op_);
+            return Call(new_call->op, new_call->args, new_call->attrs, new_call->type_args);
+          }
+        }
+      }
+    }
+    return new_expr;
+  }
+};
+
+Expr CanonicalizeCast(const Expr& e) { return CastCanonicalizer().Mutate(e); }
+
+namespace transform {
+
+Pass CanonicalizeCast() {
+  runtime::TypedPackedFunc<Function(Function, IRModule, PassContext)> pass_func =
+      [=](Function f, IRModule m, PassContext pc) {
+        return Downcast<Function>(CanonicalizeCast(f));
+      };
+  return CreateFunctionPass(pass_func, 3, "CanonicalizeCast", {"InferType"});
+}
+
+TVM_REGISTER_GLOBAL("relay._transform.CanonicalizeCast").set_body_typed(CanonicalizeCast);
+
+}  // namespace transform
+
+  ```
+
+- [XLA](https://github.com/pytorch/xla/blob/3d24d955b6121289a3c8bb86eda541fca7a0d69f/torch_xla/csrc/ops/cast.cpp)：与TVM类似。
+
+```cpp
+namespace torch_xla {
+namespace {
+
+xla::Shape NodeOutputShape(const torch::lazy::Value& input,
+                           xla::PrimitiveType type) {
+  xla::Shape shape = GetXlaShape(input);
+  shape.set_element_type(type);
+  return shape;
+}
+
+}  // namespace
+
+Cast::Cast(const torch::lazy::Value& input, xla::PrimitiveType type)
+    : XlaNode(xla_cast, {input}, NodeOutputShape(input, type),
+              /*num_outputs=*/1, torch::lazy::MHash(static_cast<int>(type))),
+      type_(type) {}
+
+Cast::Cast(const torch::lazy::Value& input, at::ScalarType dtype,
+           c10::optional<at::ScalarType> stype)
+    : XlaNode(xla_cast, {input},
+              NodeOutputShape(input,
+                              MakeXlaPrimitiveType(dtype, /*device=*/nullptr)),
+              /*num_outputs=*/1,
+              torch::lazy::MHash(101, static_cast<int>(dtype),
+                                 torch::lazy::OptionalOr<int>(stype, -1))),
+      type_(MakeXlaPrimitiveType(dtype, /*device=*/nullptr)),
+      dtype_(dtype),
+      stype_(stype) {}
+
+torch::lazy::NodePtr Cast::Clone(torch::lazy::OpList operands) const {
+  return dtype_ ? torch::lazy::MakeNode<Cast>(operands.at(0), *dtype_, stype_)
+                : torch::lazy::MakeNode<Cast>(operands.at(0), type_);
+}
+
+XlaOpVector Cast::Lower(LoweringContext* loctx) const {
+  xla::XlaOp input = loctx->GetOutputOp(operand(0));
+  const xla::Shape& input_shape = XlaHelpers::ShapeOfXlaOp(input);
+  xla::PrimitiveType raw_from =
+      stype_ ? TensorTypeToRawXlaType(*stype_) : input_shape.element_type();
+  xla::PrimitiveType raw_to = dtype_ ? TensorTypeToRawXlaType(*dtype_) : type_;
+  xla::XlaOp output =
+      ConvertToRaw(input, input_shape.element_type(), raw_from, type_, raw_to,
+                   /*device=*/nullptr);
+  return ReturnOp(output, loctx);
+}
+
+std::string Cast::ToString() const {
+  std::stringstream ss;
+  ss << XlaNode::ToString()
+     << ", type=" << xla::primitive_util::LowercasePrimitiveTypeName(type_);
+  if (dtype_) {
+    ss << ", dtype=" << *dtype_;
+  }
+  if (stype_) {
+    ss << ", stype=" << *stype_;
+  }
+  return ss.str();
+}
+
+}  // namespace torch_xla
+```
+
+# 四、对比分析
+
+TVM 与 XLA 实现方案类似。
+
+# 五、设计思路与实现方案
+
+## 命名与参数设计
+
+- A：输入张量
+- dtype：指定数据类型
+- name：输出名称
+
+## 底层OP设计
+
+1. 在 `cinn/hlir/op/contrib/cast.h` 里声明`cast`算子。
+2. 在 `cinn/hlir/op/contrib/cast.cc` 里实现`cast`算子和 `strategy`。
+
+## API实现方案
+
+例如，对于张量 A = [1, 1, 1]，
+cast( A, dtype = Float(32)) 结果为[1.0f, 1.0f, 1.0f]，
+cast( A, dtype = bool) 结果为[True, True, True]。
+
+1. 在 `cinn/frontend/net_build.h` 里声明 `BaseBuilder::Cast`。
+2. 在 `cinn/frontend/net_build.cc` 里实现 `BaseBuilder::Cast`。
+3. 在 `cinn/pybind/frontend` 对 Python 类 `BaseBuilder` 添加 `cast` 接口，并绑定到`BaseBuilder::Cast`。
+4. 上层 `load_paddle_model` 调用提交到 `cinn/frontend/paddle_model_to_program.h` 和 `.cc` 文件下。
+
+通过使用 Builder 类的方法调用 Cast。
+
+```python
+builder = NetBuilder("test_basic")
+a = builder.create_input(Int(32), (8, 24, 124), "A1")
+b = builder.cast(a, Float(32))  # 输出类型变为Float(32)
+```
+
+# 六、测试和验收的考量
+
+1. 在`cinn/hlir/op/contrib/cast_test.cc`和`cinn/hlir/op/contrib/cast_test.cc`中添加对底层OP进行测试的代码，在`cinn/frontend/net_builder_test.cc`中添加对前端的测试。
+2. 提交 API 使用方法到相应的文档中。
+
+# 七、可行性分析和排期规划
+
+- 可行性分析：非常可行
+- 排期规划：预计8月25日前完成
+
+# 八、影响面
+
+对其他模块无影响。
+
+# 附件及参考资料
+
+[TVM文档](https://github.com/apache/tvm/blob/main/src/relay/transforms/canonicalize_cast.cc)
+[XLA文档](https://github.com/pytorch/xla/blob/3d24d955b6121289a3c8bb86eda541fca7a0d69f/torch_xla/csrc/ops/cast.cpp)
+[CINN文档](https://paddlepaddle.github.io/CINN/)