diff --git a/rfcs/APIs/20220709_api_design_for_bucketize.md b/rfcs/APIs/20220709_api_design_for_bucketize.md
new file mode 100644
index 000000000..85e5c202c
--- /dev/null
+++ b/rfcs/APIs/20220709_api_design_for_bucketize.md
@@ -0,0 +1,284 @@
+# paddle.bucketize 设计文档
+
+| API 名称     |                paddle.bucketize           |
+| ------------ | ---------------------------------------- |
+| 提交作者     | PommesPeter                               |
+| 提交时间     | 2022-07-09                                |
+| 版本号       | V1.0                                      |
+| 依赖飞桨版本  | develop                                   |
+| 文件名       | 20220709_api_design_for_bucketize.md      |
+
+# 一、概述
+
+## 1、相关背景
+
+为了提升飞桨 API 丰富度，支持科学计算相关 API，Paddle 需要扩充 API `paddle.bucketize`。
+
+## 2、功能目标
+
+增加 API `paddle.bucketize`，用于根据 `sorted_sequence` 序列计算出 `x` 中每个元素的区间索引。
+
+## 3、意义
+
+为 Paddle 增加神经网络相关的距离计算函数，丰富 `paddle` 中科学计算相关的 API。
+
+# 二、飞桨现状
+
+- 目前 Paddle 缺少 `bucketize` API，但是存在 `searchsorted` API，参考其他框架可以发现，没有专门针对一维 `sorted_sequence` 进行计算的 api，直接使用 `searchsorted` API 导致花费时间在判断维度上。
+- 该 API 的实现及测试主要参考目前 Paddle 中含有的 `paddle.searchsorted`。
+
+# 三、业内方案调研
+
+## PyTorch
+
+PyTorch 中有 `torch.bucketize` 的API，详细参数为 `torch.bucketize(input, boundaries, *, out_int32=False, right=False, out=None) → Tensor`。
+
+在 PyTorch 中的介绍为：
+
+> Returns the indices of the buckets to which each value in the `input` belongs, where the boundaries of the buckets are set by `boundaries`. Return a new tensor with the same size as `input`. If `right` is False (default), then the left boundary is closed. More formally, the returned index satisfies the following rules:
+>
+> | `right` | *returned index satisfies*                                |
+> | ------- | --------------------------------------------------------- |
+> | False   | `boundaries[i-1] < input[m][n]...[l][x] <= boundaries[i]` |
+> | True    | `boundaries[i-1] <= input[m][n]...[l][x] < boundaries[i]` |
+
+在实现方法上，PyTorch 是通过 C++ API 组合实现的，[代码位置](https://github.com/pytorch/pytorch/blob/master/aten/src/ATen/native/Bucketization.cpp)
+
+实现代码：
+```cpp
+namespace at {
+namespace native {
+
+namespace {
+
+// ...
+
+}
+
+// ...
+
+Tensor& searchsorted_out_cpu(
+    const Tensor& sorted_sequence,
+    const Tensor& self,
+    bool out_int32,
+    bool right,
+    const c10::optional<c10::string_view> side_opt,
+    const c10::optional<Tensor>& sorter_opt,
+    Tensor& result) {
+
+  c10::MaybeOwned<Tensor> sorter_maybe_owned = at::borrow_from_optional_tensor(sorter_opt);
+  const Tensor& sorter = *sorter_maybe_owned;
+  searchsorted_pre_check(sorted_sequence, self, result, out_int32, right, side_opt, sorter);
+  resize_output(result, self.sizes());
+
+  bool is_right = side_opt ? *side_opt == "right" : right;
+
+  if (self.numel() == 0) {
+    return result;
+  }
+
+  Tensor out = result;
+  if (!result.is_contiguous()) {
+    out = result.contiguous();
+  }
+  if (sorted_sequence.is_contiguous() && self.is_contiguous() && sorted_sequence.dtype() == self.dtype() && sorter.is_contiguous()) {
+    dispatch(out, self, sorted_sequence, out_int32, is_right, sorter);
+  }
+  else {
+    Tensor trimmed_input;
+    Tensor trimmed_boundaries;
+    Tensor trimmed_sorter;
+    searchsorted_maybe_trim_input_tensors(trimmed_input, trimmed_boundaries, trimmed_sorter, self, sorted_sequence, sorter);
+    const Tensor& final_input = trimmed_input.defined() ? trimmed_input : self;
+    const Tensor& final_boundaries = trimmed_boundaries.defined() ? trimmed_boundaries : sorted_sequence;
+    const Tensor& final_sorter = trimmed_sorter.defined() ? trimmed_sorter : sorter;
+    dispatch(out, final_input, final_boundaries, out_int32, is_right, final_sorter);
+  }
+
+  if (!result.is_contiguous()) {
+    result.copy_(out);
+  }
+  return result;
+}
+
+Tensor& bucketize_out_cpu(const Tensor& self, const Tensor& boundaries, bool out_int32, bool right, Tensor& result) {
+  TORCH_CHECK(boundaries.dim() == 1, "boundaries tensor must be 1 dimension, but got dim(", boundaries.dim(), ")");
+  at::native::searchsorted_out_cpu(boundaries, self, out_int32, right, nullopt, nullopt, result);
+  return result;
+}
+
+Tensor bucketize_cpu(const Tensor& self, const Tensor& boundaries, bool out_int32, bool right) {
+  ScalarType scalar_type = out_int32 ? ScalarType::Int : ScalarType::Long;
+  c10::TensorOptions options = TensorOptions().device(self.options().device()).dtype(scalar_type);
+  Tensor result = at::empty({0}, options, MemoryFormat::Contiguous);
+  at::native::bucketize_out_cpu(self, boundaries, out_int32, right, result);
+  return result;
+}
+
+Tensor bucketize_cpu(const Scalar& self, const Tensor& boundaries, bool out_int32, bool right) {
+  return bucketize_cpu(searchsorted_scalar_tensor(self, boundaries.device()), boundaries, out_int32, right);
+}
+
+}} // namespace at::native
+```
+
+参数表：
+
+- input（Tensor or Scalar）：N-D Tensor，
+
+- boundaries（Tensor）：，1-D Tensor，必须包含一个单调递增的序列。
+
+- out_int32（bool，optional）：指明输出数据类型。如果是True，则输出torch.int32；如果是False，则输出torch.int64。默认是False。
+
+- right（bool，optional）：如果为 False，返回找到的第一个合适的位置； 如果为 True，返回最后一个这样的索引； 如果没有找到合适的索引，则返回0作为非数值值(例如，Nan，Inf)或边界的大小（通过最后一个索引）。
+
+  换句话说，如果为 False，则从边界获取输入中每个值的下界索引； 如果为 True，则获取上界索引。 默认值为 False。
+
+- out（Tensor，optional）：输出的Tensor必须和输出的Tensor大小相同。
+
+## Tensorflow
+
+Tensorflow 中有 `tf.transform.bucketize` API，具体参数为 `tft.bucketize( x: common_types.ConsistentTensorType, num_buckets: int, epsilon: Optional[float] = None, weights: Optional[tf.Tensor] = None, elementwise: bool = False, name: Optional[str] = None) -> common_types.ConsistentTensorType`
+
+在实现方法上，Tensorflow 是通过 Python API 的方式组合实现的，[代码位置](https://github.com/tensorflow/transform/blob/d0c3349403120a2cf1177c111b674c07e9b38398/tensorflow_transform/mappers.py#L1690-L1770)
+
+代码实现：
+```python
+@common.log_api_use(common.MAPPER_COLLECTION)
+def bucketize(x: common_types.ConsistentTensorType,
+              num_buckets: int,
+              epsilon: Optional[float] = None,
+              weights: Optional[tf.Tensor] = None,
+              elementwise: bool = False,
+              name: Optional[str] = None) -> common_types.ConsistentTensorType:
+  with tf.compat.v1.name_scope(name, 'bucketize'):
+    if not isinstance(num_buckets, int):
+      raise TypeError('num_buckets must be an int, got %s' % type(num_buckets))
+
+    if num_buckets < 1:
+      raise ValueError('Invalid num_buckets %d' % num_buckets)
+
+    if isinstance(x, (tf.SparseTensor, tf.RaggedTensor)) and elementwise:
+      raise ValueError(
+          'bucketize requires `x` to be dense if `elementwise=True`')
+
+    if epsilon is None:
+      # See explanation in args documentation for epsilon.
+      epsilon = min(1.0 / num_buckets, 0.01)
+
+    x_values = tf_utils.get_values(x)
+    bucket_boundaries = analyzers.quantiles(
+        x_values,
+        num_buckets,
+        epsilon,
+        weights,
+        reduce_instance_dims=not elementwise)
+
+    if not elementwise:
+      return apply_buckets(x, bucket_boundaries)
+
+    num_features = tf.math.reduce_prod(x.get_shape()[1:])
+    bucket_boundaries = tf.reshape(bucket_boundaries, [num_features, -1])
+    x_reshaped = tf.reshape(x, [-1, num_features])
+    bucketized = []
+    for idx, boundaries in enumerate(tf.unstack(bucket_boundaries, axis=0)):
+      bucketized.append(apply_buckets(x_reshaped[:, idx],
+                                      tf.expand_dims(boundaries, axis=0)))
+    return tf.reshape(tf.stack(bucketized, axis=1),
+                      [-1] + x.get_shape().as_list()[1:])
+```
+
+参数表：
+
+| Args          |                                                              |
+| :------------ | ------------------------------------------------------------ |
+| `x`           | 一个数字输入的 `Tensor`或`CompositeTensor`，其值应被映射到桶中。对于一个`CompositeTensor`，只有非缺失的值才会被包括在定量计算中，`bucketize`的结果将是一个`CompositeTensor`，其非缺失的值被映射到桶中。如果 elementwise=True，那么`x`必须是密集的。 |
+| `num_buckets` | 输入的`x`中的值被分成大小大致相等的桶，桶的数量是`num_buckets`。 |
+| `epsilon`     | （可选）误差容限，通常是一个接近于零的小部分。如果调用者没有指定一个值，将根据实验结果计算出一个合适的值。对于小于 100 的`num_buckets`，选择 0.01 的值来处理高达约 1 万亿的输入数据值的数据集。如果`num_buckets`更大，那么 epsilon 被设置为 (1 / `num_buckets`) 以执行更严格的误差容忍度，因为更多的桶将导致每个桶的范围更小，所以我们希望边界不那么模糊。详情见analyzers.quantiles()。 |
+| `weights`     | （可选）用于定量的权重张量。张量必须与 x 具有相同的形状。    |
+| `elementwise` | （可选）如果为真，对 tensor 的每个元素进行独立的桶化。       |
+| `name`        | (可选) 该操作的名称。                                        |
+
+# 四、对比分析
+
+## 共同点
+
+- 都能实现根据 `sorted_sequence` 计算出输入 `x` 中每个元素所对应的区间索引
+
+## 不同点
+
+- PyTorch 是在 C++ API 基础上实现，使用 Python 调用 C++ 对应的接口。
+- PyTorch 输入参数比较简单，可选的操作比较少。
+- Tensorflow 则是通过 Python API 直接实现其对应的功能。
+- Tensorflow 有 `num_buckets`、`epsilon`、`weights` 等参数的设置，可调整的程度更高。
+
+
+# 五、设计思路与实现方案
+
+## 命名与参数设计
+
+添加 API
+
+```python
+paddle.bucketize(
+    x: Tensor,
+    sorted_sequence: Tensor,
+    out_int32: bool=False,
+    right: bool=False,
+    name: str=None
+)
+```
+
+## 底层 OP 设计
+
+使用已有的 API 组合实现，不再单独设计 OP。
+
+## API 实现方案
+
+该 API 实现于 `python/paddle/tensor/search.py`
+
+首先，`bucketize` 主要针对一维情况下的 `sorted_sequence`，所以需要对输入的维度大小进行判断，通过断言进行判断，当输入维度不为 1 时触发 `AssertError`。
+
+随后，Paddle 中已有 `searchsorted` API 的具体实现逻辑，位于 `python/paddle/tensor/search.py` 下的 `searchsorted` 函数中，因此只需要调用其函数即可。
+
+# 六、测试和验收的考量
+
+测试需要考虑的 case 如下：
+
+- 输出数值结果的一致性，使用 numpy 作为参考标准
+- 参数 `right` 为 True 和 False 时输出的正确性
+- 参数 `out_int32` 为 True 和 False 时 dtype 输出的正确性
+- 参数 `x` 类型的正确性，若类型不为 Tensor 则抛出异常
+- 参数 `sorted_sequence` 的维度正确性，该 API 只针对 `sorted_sequence` 是一维的情况，所以对于输入需要约束
+- 未输入 `right` 时的输出正确性；
+- 未输入 `out_int32` 时的输出正确性；
+
+# 七、可行性分析和排期规划
+
+方案主要依赖现有 Paddle API 组合而成，且依赖的 `paddle.searchsorted` 已经在 Paddle repo 的 [python/paddle/tensor/search.py](https://github.com/PaddlePaddle/Paddle/blob/release/2.3/python/paddle/tensor/search.py#L910)。工期上可以满足在当前版本周期内开发完成。
+
+# 八、影响面
+
+新增 API，对其他模块是否有影响
+
+# 名词解释
+
+无
+
+# 附件及参考资料
+
+## PyTorch
+
+[torch.bucketize](https://pytorch.org/docs/stable/generated/torch.bucketize.html)
+
+[torch.searchsorted](https://pytorch.org/docs/stable/generated/torch.searchsorted.html?highlight=searchsorted#torch.searchsorted)
+
+## tensorflow
+
+[tf.transform.bucketize](https://www.tensorflow.org/tfx/transform/api_docs/python/tft/bucketize)
+
+[tf.searchsorted](https://www.tensorflow.org/api_docs/python/tf/searchsorted)
+
+## Paddle
+
+[paddle.searchsorted](https://www.paddlepaddle.org.cn/documentation/docs/zh/api/paddle/searchsorted_cn.html)
\ No newline at end of file