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 视频平台从 0 到 1 的 MVP 开发过程，包括范围定义、节奏控制、技术选型和早期用户验证。

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。

Netflix 技术博客 2026 年 3 月的文章，讲 Ranker 推荐服务里一个占单节点 CPU 7.5% 的热点（视频惊喜度打分的余弦相似度计算）如何被一步步优化到 1%：先把 M×N 次独立点积重构成矩阵乘，发现批处理反而慢了 5%，定位到内存布局和分配策略问题后用扁平数组加 ThreadLocal 复用解决，试过 BLAS 因 F2J 和 JNI 开销放弃，最终落在孵化中的 JDK Vector API（纯 Java SIMD，无 JNI），上线后整体 CPU 降约 7%、平均延迟降约 12%、CPU/RPS 改善约 10%。核心启示：性能优化拼的不是找到“最快的库”，而是计算形状、内存布局、分配策略、计算内核四件事全部对齐。

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。

我从华为 8 年、IBM 2 年到 AI 创业，复盘一个 18 年老程序员的转型路径、认知变化、能力补齐和踩过的坑。

从一个真实的项目争论引子——组里有人 bug 率明显偏高，到底是对事不对人、还是该小惩大诫、还是架构与设计的锅、还是 AI 用得太少——先用数据把症状变成事实，用「引入链分解 × 鱼骨图 6M × 控制变量实验」找全病根，对照行业成熟方法论（IBM ODC、DORA 指标、shift-left 工具链、错误预算、丰田安灯），最后用 Just Culture 区分错误类型，回到《系辞》与 Dalio《原则》的统一：让反馈回路不失灵。

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。