原力注入

从 40 亿整数到 HBase：一个 Membership Test 问题的抽象与演化

这篇文章从一个经典的"40 亿整数判存在"问题出发，带你理解工程系统（以 HBase 为例）的设计思路：当数据规模大到无法全部放入内存时，系统如何通过巧妙的数据结构和读取路径设计，高效地回答"某个数据在不在集合中"这类问题。

Nvidia KAI Scheduler 功能架构解析

本文档深入解析了 NVIDIA KAI Scheduler 的核心架构与关键特性，并将其与HAMi 进行多维度对比。通过分析两者在系统定位、资源隔离及适用场景上的差异，为构建高效、可靠的 AI 基础设施提供技术选型依据。

NVIDIA Model Optimizer 技术详解：功能、原理与实现

NVIDIA Model Optimizer（简称 ModelOpt）是一个包含最先进模型优化技术的库，专为加速生成式 AI 模型而设计。通过量化、稀疏化、剪枝、蒸馏等技术，对现有进行压缩和优化。

Synergized LLMs + KGs 教学：银行反电诈智能系统设计方案与 Demo 实现

本文档详细阐述基于 Synergized LLMs + KGs 协同技术的银行反电诈智能系统设计方案，全面涵盖系统背景、架构设计、Demo 实现细节、运行指南、工程化路线以及参考文献，旨在为银行反欺诈系统建设提供完整的技术参考和实施指导。

深度融合：大语言模型（LLMs）与知识图谱（KGs）的协同演进全景图

LLMs 与 KGs 的结合并非简单的 1+1，而是 “大脑”与“图书馆” 的深度协作。未来的 AI 系统既需要像诗人一样流畅地表达，也需要像学者一样严谨地查证。这种双向奔赴的融合，将是实现更具信任感、更智能的通用人工智能的关键基石。

大数据理论与实践总结课程总结 - 从数据仓库到湖仓一体

本课程聚焦从传统数据仓库到数据湖、再到湖仓一体（Lakehouse）的演进路径，强调原理讲解与架构思维训练，帮助学习者从工程实践和系统设计两个维度理解现代数据平台的整体图景。

【翻译】智能体工程现状 By LangChain

进入 2026 年，企业关注点已从“是否构建智能体”转向“如何可靠、高效、规模化部署”。调研显示，57% 的组织已将智能体投入生产，质量问题成为最大阻碍；可观测性已成标配，多模型并用是常态，而微调仍未普及。

深度解析：从原理到工程化落地——读《生成式 AI 开发揭秘》

随着大语言模型普及，AI 开发正从 Demo 演示迈向生产级应用。《生成式 AI 开发揭秘：大模型详解》聚焦 Transformer 原理、模型微调方法及生产环境中的幻觉与性能问题，系统呈现面向实战的大模型全栈开发指南。

《Generative AI in Action》深度导读：从概念到企业级落地实战指南

本书不仅是一本好书，更是一套完整的 GenAI 开发工具箱。通过配套代码，系统掌握 LLM 原理、上下文工程、RAG、多模态生成与企业级架构设计，并以“企业级智能市场研报生成助手”为贯穿案例，展示从原理到落地的完整实践路径。

《走向统一的异构算力抽象：星环科技在寒武纪、海光适配与 DRA 建模的实践》— 侯雨希

作为一个活跃的开源项目，HAMi 由来自 15+ 国家、350+ 贡献者共同维护，已被 200+ 企业与机构在

Google TPU 101

TPU与GPU目标相同，都是高吞吐地支持深度学习训练与推理，但 Google 并未复刻 GPU 架构，而是围绕深度学习负载重新设计。从硬件到软件，TPU 聚焦两点：以大规模矩阵乘加为核心计算模式，以及面向模型规模持续增长的多芯片协同执行

现代数据架构的演讲：从数据仓库到湖仓一体

我使用 Google NotebookLM（https://notebooklm.google/）工具，基于一份教案生成了两张信息图和一张思维导图。 信息图整体视觉风格较为出色，结构清晰、信息表达直观；但在中文字体与排版细节方面仍存在明显不足，例如字体选择不统一、字形渲染不够规范，影响了整体的专业性与可读性。 文档介…

大模型核心推理优化技术深度解析及方案指导 （写大模型技术规划报告必备）

本文涵盖了量化剪枝、KV Cache 管理及算子融合等基础优化技术，更深入解析了张量并行、流水线并行等分布式计算策略，以及连续批处理、投机解码、MoE 优化等前沿加速方案，并配套提供了标准化的性能基准测试方法论。

从 SIMT 到 Tile-Based：GPU 编程范式的演进与实战解析 —— 以矩阵乘法为例

从 ETL 到流式计算：理论与实践入门

系统梳理从传统 ETL 到流式计算的理论与工程实践：涵盖典型案例、时间与窗口、DataStream API、状态与容错、端到端语义与连接器，并配套动手示例与参考文献。

《性能之巅》的作者 Brendan Gregg 离开 Intel 了

有兴趣的朋友可以看他的博客：https://www.brendangregg.com/blog/2025-12-05/leaving-intel.html，了解他在 Intel 的工作总结。 和笔者关系比较大的工作是他的 AI 火焰图：https://www.brendangregg.com/blog/2024-10…

Kubernetes Runtime Class 原理与实现

Kubernetes RuntimeClass 正是为了解决多运行时需求而设计的 API 资源。它允许用户在 Pod 级别指定容器运行时配置，为不同的工作负载选择最适合的运行时环境。

Kubernetes Pod QoS 原理与实现

QoS 类由 K8s 根据 Pod 的 CPU/内存请求与限制自动确定。该分类不仅影响调度优先级，更直接映射到底层 Cgroups 与 OOM Score 设置，从而决定 CPU 紧张时的调度权重，以及内存不足时的 OOM 终止顺序。

Linux 内存 Watermark 工作机制详解：从 3.x 到 6.x

在 Linux 内核的物理内存管理中，伙伴系统（Buddy Allocator）通过一系列水位线（Watermark）来判断系统的内存健康度，并驱动 kswapd、direct reclaim 乃至 OOM Killer 的触发时机。

从硅谷杀出的 AI 记忆革命：MemMachine 如何重新定义智能体交互体验

作为 AI 智能体的持久记忆层，MemMachine 通过情景与语义多层记忆架构及混合检索技术，突破了传统 RAG 的局限。本文基于 Docker 提供完整实战指南，演示如何以精简 Python 代码实现个性化记忆读写与多用户隔离。