用一条「耳朵-眼睛-大脑-嘴巴-脸-身体」的拟人化主线，拆解实时交互数字人的完整技术链路（VAD/ASR、视觉感知、LLM、TTS、口型驱动、渲染、WebRTC），附 Mermaid 架构图、延迟预算表、避坑清单、典型问题解决方案，以及元宇宙视角下的数字人定位。适合零基础新人建立全局认知。

用中学生能看懂的数学语言，拆解 LLM 从数据预处理、Tokenization、Transformer 前向传播、Attention 计算、Cross Entropy 损失、反向传播到 AdamW 优化、RLHF 的完整训练流程，附 Mermaid 图解、计算例子和避坑指南。

Netflix 技术博客原文研读：GenRec 是一个用 LLM 做推荐排序的系统——把用户历史、上下文、物品元数据全部文本化（verbalize），在 Netflix 自有语料上适配的基座 LLM 上再做排序后训练，挂一个目录感知打分头，用奖励加权损失对齐长期价值，线上 prefill-only 推理控成本。结果是：Phase-2 标注样本少用 10-40 倍，离线 MRR 反而高约 1.6%，大规模 A/B 测试短期和长期指标均显著为正。它的真正信号是：推荐系统的工程重心正在从特征工程转向上下文工程。

Netflix 技术博客的 GenPage 论文解读：把首页构建从「多级召回排序流水线」改写成「prompt 进、页面出」的序列生成问题——用户历史与请求上下文编码为自定义 token 序列作 prompt，decoder-only transformer 自回归生成含行、实体、布局的整个首页；训练照搬 LLM 配方（next-token 预训练 + WBC 或 RL 后训练），上线靠自定义 tokenizer、语义 embedding 融合解决冷启动、多节奏增量训练保鲜、约束解码执行业务规则、混合行解码压延迟。线上 A/B 对成熟多级系统核心指标显著提升且端到端延迟降 20%；离线最有价值的结论是：在当前阶段，丰富 prompt 的收益（WBC loss 降约 6.9%）远大于模型扩容 7.5 倍（降约 1.3%），且 RL 后训练在不含多样性目标的情况下反而提升了页面多样性。

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。

分享我在方糖猫 AI 视频平台中，如何使用 ReAct Agent 将’文案 → 成片’的复杂流程拆解为可编排、可观测、可恢复的任务流水线。

研读 Netflix 技术博客《A Human-Augmenting Agentic Workflow for Causal Inference》：观测性因果推断（OCI）没有 ground truth，无法拿结果对错来评估 agent，Netflix 的解法是 Principal-Actor-Critic 三角色的 actor-critic 工作流——agent 按模板化脚手架执行分析并跑全套设计诊断（协变量平衡、重叠性、安慰剂检验、敏感性分析），同时产出可复现的 notebook 和报告供人类做「过程审计」；案例里脚手架把估计值修正到裸调模型的四分之一，ACIC 2016 数据集评测显示 critic 能把好估计和坏估计分开，带脚手架的 LLM 十个数据集复原九个真值，裸调则全军覆没。

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。

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。