Intel AMX 加速 AI 推理：从 Tile 矩阵运算到生产级算子优化
深入剖析 Intel AMX 架构设计、Tile 寄存器、TMUL 矩阵乘法单元，给出完整的 BF16/INT8 矩阵乘法代码实现和性能实测数据，以及在 LLM 推理场景的工程实践要点。
AI推理
AI 推理引擎中的推测解码（Speculative Decoding）：从算法原理到生产级工程实践
深入剖析推测解码的算法原理——拒绝采样与分布等价性证明，覆盖vLLM/SGLang/TensorRT-LLM三大推理引擎的实现对比，分享动态γ调整、多头推测Medusa、温度自适应等生产级工程实战经验
AI 推理引擎的批处理与内存管理：从 Continuous Batching 到 PagedAttention 的工程实践
本文深入剖析现代推理引擎解决吞吐-延迟-显存矛盾的两大核心技术：Continuous Batching（迭代级批处理）和 PagedAttention（分页KV Cache）。从操作系统内存管理视角，详解其CUDA实现内核、Prefix Caching机制、分离式架构演进，并提供生产环境调优与避坑指南。
RISC-V Vector Extension (RVV) AI 推理算子深度实战——从零编写高性能向量内核
深入解析 RISC-V Vector Extension 在 AI 推理核心算子（Softmax、LayerNorm、SiLU、INT8 GEMM）中的高性能实现，涵盖 vsetvli 动态长度机制、LMUL 吞吐倍增器、VFMA 累加链归约、以及在平头哥 C910 上的实测性能基准。
AI推理系统的端到端延迟工程：从网络入口到Token输出的全链路分解与优化实践
系统拆解AI推理请求全链路延迟：网络层、调度层(Prefill/Decode)、流式输出各环节优化方案与代码实战，涵盖Connection Pool、Chunked Prefill、PagedAttention、背压控制等核心技术。
Linux 内核 PREEMPT_RT 在 AI 推理低延迟路径中的工程实践——从抢占延迟到确定性响应
深入分析 Linux PREEMPT_RT 实时抢占补丁的核心机制，展示如何将其应用于 AI 推理服务关键路径，实现微秒级的确定性响应，解决 P99/P99.9 长尾延迟问题。
eBPF 在 GPU 显存监控与 NVIDIA MIG 动态重平衡中的工程实践
在多租户AI推理集群中，利用eBPF运行时监控GPU显存压力，结合NVIDIA MIG分区动态重平衡，实现显存利用率从40%提升至75% 的工程实践深度指南
Linux内核内存压缩子系统：zswap/zram深度实战与AI推理场景优化
深入剖析Linux内核zswap与zram的架构设计、核心数据结构、页面交互流程，并给出AI推理场景下的工程化调优实践。涵盖压缩算法选型、监控指标体系、性能陷阱规避等内容。
Linux 内核 CPU 频率调控（CPUFreq）深度工程：从调控器算法到硬件 P-State
深入剖析Linux内核CPUFreq子系统架构、调控器算法演进、现代硬件P-State机制，结合AI工作负载实战调优经验，揭示频率决策背后的工程逻辑
AI 推理服务生产化实战：从 Jupyter Notebook 到高可用推理集群
从 Jupyter Notebook 到生产级推理平台的完整工程路线图：覆盖多模型共享推理引擎、Continuous Batching 调优、基于排队论的自适应扩缩容、GPU 显存碎片整理与 KV Cache 管理、模型热更新与灰度发布、三级缓存架构与成本优化策略。
