LLM 推理加速：投机解码 (Speculative Decoding) 工程实践深度指南
LLM推理优化领域最实用的投机解码技术深度指南：从数学原理到工程实现，涵盖Draft模型选择、KV Cache管理、温度采样处理、自适应k值策略，以及Medusa/EAGLE/Lookahead等前沿变体详解，附性能基准与vLLM/SGLang/TGI部署实践。
推理优化
Medusa多头投机解码：LLM推理加速的工程演进与深度实战
从经典Speculative Decoding理论出发，深入Medusa多头投机架构的工程实现，涵盖Draft Model选择策略、树形验证结构、投机宽度动态调节、Medusa-2与LayerSkip变体，以及vLLM/TensorRT-LLM生产集成
LLM 后训练量化深度实战：从 GPTQ/AWQ 到 FP8 与 KV Cache 量化的显存-带宽极限工程
从 Roofline 模型定量证明 decode 阶段 Tensor Core 利用率仅 0.33% 的内存墙困境出发，系统拆解 LLM 后训练量化的完整工程栈：group-wise 量化粒度、SmoothQuant 的 outlier 迁移、GPTQ 的 Hessian 误差补偿、AWQ 的激活感知缩放、FP8 延迟缩放与 KV Cache 分级量化，并给出逐层重建误差定位法与生产选型决策树。
投机解码深度实战：从草稿-验证采样到 EAGLE 树状草稿，把 LLM 解码延迟砍一半
从内存墙出发推导投机解码的第一性原理，给出可直接运行的接受-拒绝采样完整实现与残差重采样推导，对比独立草稿模型/Medusa/MTP/EAGLE/n-gram 五条路线，讲透树状草稿与 tree attention mask，最后给出 vLLM、SGLang 生产配置、四种不该开启的场景与真实接受率调优方法论。
AI 的另一半：生产级智能体系统中那 98.4% 的非模型工程
继Prompt Engineering和Context Engineering之后的第三代AI工程范式——Harness Engineering。深度解析Claude Code仓库中98.4%的非模型工程：Prompt缓存成本控制、KV Cache管理、非确定性系统处理、以及生产级Agent基础设施的设计模式。
MoE稀疏专家混合系统与大模型推理压缩量化工程实践2026
深入解析2026年MoE稀疏专家混合系统架构演进、模型推理压缩量化技术栈（GPTQ/AWQ/FP8/INT4）与端到端部署最佳实践。
LLM推理基础设施优化2026：KV Cache压缩策略、FlashAttention V3内核优化与SGLang/vLLM/TensorRT-LLM引擎对比实践
深入分析大语言模型推理基础设施2026年技术栈，涵盖KV Cache压缩量化、FlashAttention V3内核优化、vLLM/SGLang/TensorRT-LLM引擎对比及生产部署最佳实践。
推测解码技术2026年行业落地：Speculative Decoding推理加速的工程实践
解析推测解码技术原理与2026年工程落地，对比vLLM/SGLang/TensorRT-LLM等框架实现，给出生产部署调优策略。
大模型推理优化技术革命——KV Cache量化压缩、推测解码与MoE动态路由的2026全景
2026年深度解析大模型推理优化的三大技术前沿：KV Cache量化压缩从显存管理到语义Token合并、推测解码从固定草稿到级联自适应、MoE动态路由从负载均衡到终身学习
大语言模型推理引擎深度对比：vLLM、TensorRT-LLM与SGLang的性能调优实战
深度对比vLLM、TensorRT-LLM和SGLang三大主流LLM推理引擎的技术特性、性能差异与适用场景，涵盖PagedAttention、RadixAttention、In-Flight Batching等核心优化原理，并给出实测数据与选型建议。
