读 Netflix 技术博客《State of Routing in Model Serving》的笔记：Netflix 的中央 ML 模型服务平台以百万 QPS 为 30 多个客户端服务提供推理，核心设计是 Objective 抽象加 Switchboard 集中路由层——它换来了模型迭代对客户端完全透明，但也引入了单点故障和 10-20ms 额外延迟；最终的 Lightbulb 架构把模型选择和路由拆开，路由决策下沉到客户端侧的 Envoy，请求路径上不再有任何集中式路由器。对做内部平台、网关和 AI 工程的团队都有直接参考价值。

分享我开发的方糖猫 AI 视频平台中 Java 与 Python 双栈协作的工程实践，包括职责划分、服务通信、数据一致性和部署运维经验。

基于吴恩达 DeepLearning.ai《Retrieval Augmented Generation》课程，我自己梳理了RAG 的核心组件：检索器、向量库、文档分块、查询重写、重排序、LLM 生成与生产部署要点，并给出各环节的落地工具与最佳实践。

分享在方糖猫和 GeekCast Engine 中，如何通过 JSON Schema、Pydantic 校验和分层重试机制，把 LLM 结构化输出的成功率稳定在 98% 以上。

从我开发的真实的 AI 开发 Prompt 规则库（keframework-aidev-promptkit）和 AI 视频生成管线的实践出发，系统拆解 Prompt 工程：接口化设计、上下文工程、分层规则、Memory Bank、PLAN/ACT 双模式、Agent 编排、幻觉控制、多模态提示与评估回归。

复盘我开发的方糖猫 AI 视频平台的渲染架构演进，从 HTTP 轮询到 RocketMQ Push，解决视频渲染任务的负载均衡、失败重试和水平扩展问题。

分享我开发的 GeekCast Engine 口播自动剪辑平台的技术实现，包括 Whisper 词级转写、LLM 视觉元素规划、Remotion 组件化渲染与长视频 Token 限制处理。

Netflix 技术博客介绍了其内部 LLM Post-Training Framework：后训练在大规模生产环境里本质是工程问题而非建模问题，框架围绕 Data、Model、Compute、Workflow 四根支柱提供标准化配方（SFT、DPO、RL、蒸馏），底层跑在 Mako、PyTorch、Ray、vLLM 之上。三个核心教训：从 SFT 的 SPMD 模型演进到 RL 的「单控制器 + SPMD」混合架构（集成 Verl 做编排）；全面拥抱 Hugging Face 生态，用 AutoTokenizer 作为唯一事实源消除训练-推理 skew，并用 AI coding agent + logit verifier 自动桥接新模型架构；差异化价值投在 on-the-fly sequence packing（吞吐提升最高 4.7 倍）和 vocab size 对齐 64 这类深水区优化上。对工程师的启示：训练框架的价值不在堆组件，在于把分布式系统的坑变成配置项。

结合我开发的方糖猫 AI 短视频生成平台与 GeekCast Engine 口播剪辑项目的落地经验，从传统工程师视角理解 LangGraph 的核心概念：State、图编排、长期记忆，以及一些实用的调试小技巧。

分享我开发的方糖猫 AI 视频平台中 RAG 本地素材库的构建经验，包括 Embedding 选型、向量库设计、召回调优和工程化落地细节。

Netflix 技术博客 Graph Search 系列第四篇的学习笔记：企业内部几百个应用原本靠 Graph Search Filter DSL 过滤数据，用户被迫学习每个应用的查询构建器；Netflix 用 LLM 做 Text-to-Query，把自然语言翻译成 DSL。核心工程经验有三条：把「正确」拆成语法、语义、语用三层分别治理；用双路 RAG（字段 RAG + 受控词表 RAG）给 LLM 裁剪上下文，解决几百个字段、上千个枚举值塞不进 prompt 的问题；用 AST 确定性校验兜底幻觉，再把 AST 反射回 UI 组件「show your work」建立用户信任。

Claude Code 不只是代码补全工具。结合 个人软件工程经验，谈谈如何用 Plan 模式、CLAUDE.md、上下文管理、模型路由、MCP/Skills 等工具生态，把它变成稳定可复用的工程杠杆。