要对XGBoost模型进行交叉验证，可以采用多种方法，其中一些使用了直接的API支持，而另一些可能需要手动实现。以下是对各选项的分析：

1. **A: cross_val_score(XGBRegressor, X, Y, cv)**
- **正确**：`cross_val_score` 是Scikit-learn提供的一个函数，它可以用于对任何符合Scikit-learn接口的估计器进行交叉验证。`XGBRegressor` 是XGBoost的一个Scikit-learn风格的包装器模型，因此可以使用`cross_val_score`来对其进行交叉验证。

2. **B: 不能对xgboost做交叉验证**
- **错误**：XGBoost支持通过多种方式进行交叉验证，包括使用Scikit-learn的接口以及XGBoost自己的功能。无法进行交叉验证的说法是不正确的。

3. **C: 手写交叉验证函数做交叉验证**
- **正确**：虽然有现成的库函数可以使用，但也可以手动编写交叉验证的逻辑。这种方法灵活性高，可以进行更复杂或自定义的交叉验证策略。

4. **D: 可以使用xgboost(非sklearnAPI)的.cv方法来做交叉验证**
- **正确**：`xgboost.cv` 是XGBoost提供的一个函数，用于在XGBoost的原生DMatrix数据结构上进行交叉验证。这是XGBoost本身提供的方法，能够直接进行交叉验证。

### 结论
正确的答案是A、C和D。

### 专业分析
XGBoost作为一种广泛使用的提升树算法，提供了丰富的API接口，支持多种方式进行交叉验证：
- 使用**Scikit-learn接口**的`XGBRegressor`和`XGBClassifier`，可以充分利用Scikit-learn的交叉验证功能，如`cross_val_score`。
- XGBoost原生的**`xgboost.cv`方法**，适用于需要直接使用DMatrix数据结构的场景，提供了对参数如树的数量、学习率等的灵活调节能力。
- **手动实现**交叉验证，虽然较少使用，但在需要细粒度控制或实现特殊功能时是有力的选择。

通过这些方式，可以针对不同的需求和数据情况灵活选择合适的交叉验证方法。