大模型语料去重工程实战：从 MinHash-LSH 的概率曲线到 10TB 语料流水线
拆解预训练语料去重的三层漏斗：归一化精确去重、MinHash-LSH 近重复召回、embedding 语义兜底。从 MinHash 的无偏估计性质与 1-(1-s^r)^b 分带概率曲线出发，给出签名、分桶、候选复核与连通分量的可运行代码，并总结倾斜桶、阈值拍脑袋、去重后分布偏斜等生产级坑点与验收清单。
Spark
Apache Spark Tungsten 与 AQE 深度实战：从 UnsafeRow 内存布局、Whole-Stage Code Generation 到自适应查询执行的工程全解
深入剖析 Apache Spark Tungsten 引擎与 AQE 自适应查询执行：从 UnsafeRow 紧凑二进制内存布局、堆外内存治理、Whole-Stage Code Generation 的 Janino 动态编译，到 CoalesceShufflePartitions、动态 Join 策略切换与倾斜 Join 自动拆分的完整工程链路与生产调优陷阱。
Apache Iceberg 湖仓表格式深度实战：从元数据树与快照隔离到 COW/MOR 的工程全解
从元数据三层树、快照隔离与乐观并发控制出发，拆解 Apache Iceberg 的 Hidden Partitioning、Copy-on-Write 与 Merge-on-Read 删除流派、Schema Evolution 的 field-id 机制，并给出小文件压缩与元数据治理的生产级运维清单。
深入理解数据库查询优化器：从基于代价的优化到自适应执行
深入剖析数据库查询优化器核心原理，从经典的基于代价优化到现代的自适应执行，涵盖动态规划搜索空间、统计信息维护、代价模型调优、机器学习驱动的优化器以及工业级实现实践。
