梳理本体数据（Ontology Data）的核心概念与组成要素——类、实例、属性、关系、公理与动作，对比本体、知识图谱与语义层的边界，并给出一套从业务域盘点、本体建模、数据实例化到语义服务化、Agent 接入与治理迭代的完整实施路径，附 Mermaid 图例、制造业实战案例与 2026 年最新行业动态（Palantir AIP、Microsoft Fabric IQ、信通院本体智能报告等）。

Netflix AI Platform 团队复盘其自建 LLM 推理平台的技术决策：引擎从 TensorRT-LLM 换成 vLLM（自定义架构免编译、调试性、可扩展钩子），打包选 Triton vLLM backend（JSON 配置动态生成 I/O 规格，代价是版本必须锁死），API 面同时暴露 gRPC 与 OpenAI 兼容接口（发现并补上了 response_format 被静默丢弃的坑），部署提供 Red-Black 与 Versioned 两种策略以应对 I/O schema 变更的协调难题；最硬核的一节是约束解码从 vLLM V0 逐请求串行（GIL 导致 CPU 随 batch 线性增长）迁移到 V1 批级处理并用 C++ 重写热路径，以及 partial prefill 和 preemption 两个状态机陷阱。对工程师的启示：性能瓶颈只在真实并发下现形，状态假设要在引擎语义变更时重新审计。

介绍 Agent Memory 的概念与分类，并以 GitHub 4.9 万星的 mem0 为例，讲解它如何作为长时记忆中间件，为 LLM 应用提供统一、可插拔的记忆能力。

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。

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。

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。

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。

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。

读 Chip Huyen《AI 工程：大模型应用开发实战》下半部分（第 6-10 章）的实战向总结：RAG 检索工程、Agent 规划与失败模式、微调与 RAG 的抉择、数据工程、推理优化指标，以及完整的 AI 应用架构。附踩坑记录、案例和面试高频题。

读 Chip Huyen《AI 工程：大模型应用开发实战》上半部分（第 1-5 章）的实战向总结：AI 工程全景、采样的概率本质、怎么搭一条靠谱的评估流水线、提示工程的最佳实践与防御。附带踩坑记录、真实案例和面试高频题。