深入 Linux Transparent Huge Pages：khugepaged 工作原理、NUMA 策略与生产环境调优实战
从 Linux 内核源码级原理出发，完整梳理 Transparent Huge Pages（THP）的工作机制、NUMA 感知策略、khugepaged 参数调优方法，给出 PostgreSQL、Redis、PyTorch/vLLM、Java 等典型工作负载的生产级配置建议与实测性能对比数据。
AI Inference
硬件级P-State CPPC与amd-pstate驱动深度实战：为AI推理打造低延迟CPU调频策略
AMD EPYC平台CPPC协议与amd-pstate驱动深度实战，从硬件协作调频原理到AI推理场景的CPU频率优化策略，包含实测延迟对比与完整配置方案。
AI 推理中的 GPU 显存压力与 OOM 工程缓解策略：从 PagedAttention 到 KV Cache 压缩、Offloading 与请求准入控制
深入分析 AI 推理服务中 GPU 显存 OOM 的根因与工程缓解策略，涵盖 PagedAttention 分页管理、FP8 KV Cache 量化、CPU Offloading 交换、自适应请求准入控制以及生产级分级降级方案，附完整代码示例与配置基准。
WebNN API：标准化跨平台 AI 推理的工程实践与性能剖析
深入剖析 W3C WebNN API 的架构设计、性能特征，对比 WebGPU Compute Shader 的工程取舍，涵盖算子实现复杂度分析、混合精度策略、Worker多线程调度等实战内容
LLM 推理解耦架构：Prefill-Decode 分离的生产级吞吐工程实践
深入分析 LLM 生产中 Prefill-Decode 阶段的计算特征差异导致的资源冲突问题，系统阐述 Disaggregated Inference 架构的拓扑设计、KV Cache 传输协议实现，并给出 Prefill Worker、Decode Worker、传输引擎和智能调度器的完整生产级代码实现。包含四路 A100 实测性能基准与架构演进方向。
Linux Hardware Breakpoints 与 Intel Processor Trace 在 AI 推理服务中的实时诊断与性能分析工程深度实战
深入探讨Linux内核两种硬件级观测机制——Hardware Breakpoints和Intel Processor Trace——如何在AI推理服务中实现零开销的实时性能诊断，涵盖内核实现分析、eBPF联动、生产级部署架构与工程陷阱
Swift 与 C++ 互操作深度工程：构建高性能 AI 推理的统一编程模型
Swift/C++ Interop 深度工程指南：从内存所有权桥接、异常互转、SIMD高性能计算到生产环境下的AI推理引擎实战，覆盖编译系统集成、@Sendable线程安全保障、Metal+C++混合编排等最佳实践。
Linux kernel io_uring 自适应轮询与 Deadline 调度 — 从 EXT_ARG 到 AI 推理延迟 SLO 工程实践
深入探讨 Linux kernel io_uring 的自适应轮询和延迟 SLO 执行机制。从 IORING_ENTER_EXT_ARG 的绝对时间戳语义到 IORING_TIMEOUT_MULTISHOT 的周期性治理，再到 SQPOLL+SQAFFINITY 的 NUMA 拓扑感知绑定，构建完整的 AI 推理延迟 SLO 工程体系，辅以 eBPF 运行时监控和 PI 控制器动态调优。
