架构

12_MySQL InnoDB 内存与锁调优 —— Buffer Pool、redo log、隔离级别与锁等待系列定位：《MySQL 数据库全栈运维实战系列》第 12 篇，与《Oracle 数据库全栈运维实战系列（VMware 版）》同构对标。适用版本：MySQL 8.0（5.7 差异随文标注）。官方文档：MySQL 8.0 Reference Manual、InnoDB Buffer Pool / Redo Log / Locking / InnoDB Multi-Versioning 章节。

一只爱撸猫的程序猿

我看着一个 AI 引擎在 14 天里,从"记忆"走进了"搜索"(这是"AI 可见性测量"系列第五篇。前情:我开源了一套测量品牌在 AI 引擎里可见性的工具(Python + Java 两版),并在第三篇里记录了六次"如果全自动就翻车、被人审拦下来"的瞬间。这一篇,是第七、八、九次拦截——以及一个更罕见的发现:我亲眼看着一个引擎换了一代模型,行为就从"凭记忆回答"变成了"真联网检索"。全过程 14 天。)

从空间 Scaling 到时间 Scaling摘要：LLM 在预训练规模上遇到瓶颈后，行业叙事正在从"拼算力、拼数据量"转向"拼模型自我改进的迭代速度"。这个直觉方向是对的，且已被产业界实际押注。但"让模型自己改自己、然后疯狂迭代"作为机制主张是脆弱的：迭代速度只是放大器，不是资产；真正决定上限的是外生新颖性与反馈可信度。本文记录一个想法被三次修正的完整过程，并给出一个可证伪的重述版本。

【AI大模型】MCP 模型上下文协议：客户端-服务器架构、JSON-RPC 消息与能力协商、工具发现与调用链路、与函数调用的分工我们把大模型怎么调、函数调用怎么写说得差不多了，接下来更躲不开的是模型外面那一堆数据和服务。这一篇就以MCP为例，把 AI 应用连接外部世界的原理从头捋一遍。

14_MySQL 高可用与容灾架构 —— MGR / InnoDB Cluster / Keepalived+VIP / 双主 / 读写分离 / 两地三中心系列定位：《MySQL 数据库全栈运维实战系列》第 14 篇，与《Oracle 数据库全栈运维实战系列（VMware 版）》同构对标（Oracle 14 高可用容灾：RAC + DG）。适用版本：MySQL 8.0（5.7 差异随文标注）。官方文档：MySQL 8.0 Reference Manual、Group Replication / InnoDB Cluster / MySQL Router 章节。

Surrogate Model：让进化算法学会“预测”，为什么它正在成为智能优化的重要技术？在优化算法研究中，我们经常会遇到一个看似简单、实际却十分棘手的问题：为了找到更好的解决方案，算法需要不断评价新的候选解，但如果每一次评价都非常昂贵，该怎么办？

企业级智能体平台怎么选：腾讯云ADP与其他主流技术路线的架构对比企业选智能体平台，最容易踩的坑是"只看Demo不看架构"。Demo里聊天机器人很炫，真要部署到生产环境、要对接内部系统、要做权限管控、要承担业务责任，才发现平台根本撑不住。本文基于腾讯云智能体开发平台（ADP）和 JOTO 的落地经验，从技术架构角度拆解企业级智能体平台的几条主流路线，帮选型团队把判断框架立起来。

AI时代，中层还要替公司传多少次话？原文：mp.weixin.qq.com/s/0RuFhbPpv…设想一个项目出了问题。一线把情况写进周报，组长整理，总监汇总，再送进高层会议。等决定沿原路传回来，客户已经换了要求。

【LLM推理与Serving⑧】多机多卡Serving：TP/PP/负载均衡与弹性扩缩容全攻略系列文章索引：本系列从基础概念到工程实践，系统梳理LLM推理与Serving的核心知识。本文为第8篇，深入讲解多机多卡场景下的并行策略、负载均衡与弹性架构。

大语言模型与运筹规划双闭环共生（LLM-OR）：体系架构、理论机理与落地实践在现代复杂智能决策系统中，纯数据驱动的“联结主义（Connectionism）”与纯规则驱动的“符号主义（Symbolism）”均面临难以跨越的技术瓶颈：

【Kafka 从入门到实战】从手写一个队列到生产级消息中间件：架构、分区、消费组、零拷贝全解析面试官问"Kafka 为什么快"，你只会答"零拷贝"？这篇从手写队列开始，一层层讲透 Kafka 的架构与设计。含完整可运行 Python 代码（建 Topic / 生产者 / 消费者）+ 踩坑记录 + 高频面试题。

李兆龙的博客

从一到无穷大 #108：Meta 的 AI 存储架构——BLOB 重构与跨地域数据加载在 Meta 的旧 BLOB 服务里，数据已经放到闪存上，一次 getObject() 请求中的多层元数据查询仍可能耗费数百毫秒，部分请求还要跨地域。底层介质变快以后，上层存储服务的查找和转发开销开始直接影响 GPU 利用率。[1]

聪明的笨猪猪

政务知识库AI架构选型：强合规约束下的架构决策与落地路径政务知识库是典型的强合规导向场景，架构选型的第一原则是「合规一票否决」：安全优先级高于效果，可控性优先级高于体验，所有技术决策必须先通过等保、密评、信创、数据不出域四大硬性红线校验，再在此基础上优化检索准确率与用户体验。这是政务场景与普通企业知识库最本质的区别。

主办先挂起，收齐意见再拍板：jeeflow 的动态会签一个事项走到主办节点，主办看完材料，发现自己一个人拍不了板：需要财务看预算、法务看条款，可能还要问人事。

Lomo Agent：面向创作型、持续协作 Agent 的架构设计与工程实践Agent Architecture / Durable Execution / Context Engineering / Memory / Creative Workflow

聪明的笨猪猪

AI应用架构选型：架构师的核心决策困境与权衡AI架构选型从来不是“选最先进技术”的单向选择题，而是在业务阶段、效果要求、成本预算、团队能力、合规约束等多重边界下的多目标优化问题。对架构师而言，核心价值不是堆砌技术组件，而是清晰定义每个决策的 trade-off，在不确定性中选择当下最优、长期可演进的方案。以下是架构师在AI架构选型中最常面对的真实决策场景与底层思考逻辑。

被杀掉之后：我把 Android 的「唤起 + 常驻」重做了一遍从一条短信链接点进来，到锁屏十分钟之后进程还在不在，中间其实是一整套东西。这篇把它从头拆到尾，顺带把我用 Trae 落地时发过的提示词原样贴出来。

【LLM推理与Serving⑤】Prefix Cache前缀缓存：让重复prompt不再重复计算大家好，我是你的AI Infra学习搭子。上一篇我们聊了Speculative Decoding如何让大模型"一次蹦好几个字"，今天我们来聊另一个在生产环境中收益巨大的优化——Prefix Cache（前缀缓存）。如果说Speculative Decoding是在Decode阶段"挤牙膏"，那Prefix Cache就是在Prefill阶段"薅羊毛"——同样的prompt前缀，凭什么每次都要重新算一遍？

薛定谔的悦

光储充一体机从主控到执行单元的双层架构如果有人在机房里指着一台工商业储能电源柜问你，这台柜子是怎么被控制起来的，你会怎么答？这个问题看着简单，真要答清楚，却得一层层往下挖。因为控制这台柜子的并不是一套软件，而是两套跑在完全不同硬件上的系统：上层是一颗异构多核处理器，跑 Linux，负责"想清楚要干什么"；下层是一块工业级单片机，跑实时操作系统，负责"把想清楚的事真正做出来"。两者之间，靠一条自定义的通信协议连起来。我最近把这两套代码都完整读了一遍。读完才真正理解，储能系统的控制架构为什么会长成这个样子，以及"主控"和"执行单元"这两个词，各

83 倍：ASC0108S 在推挽和开漏之间，差的不是速度，是回程摘要：国科安芯 ASC0108S 是一颗 8 位双电源双向电平转换器，TSSOP20，A 侧 1.65~3.6 V、B 侧 1.65~5.5 V，且 V_CCA 必须小于等于 V_CCB。它的两个数据率在手册里并排放着，中间隔了 83 倍：推挽模式 100 Mbps（V_CCA 3.3 V / V_CCB 5 V），开漏模式 1.2 Mbps。这 83 倍不是工艺差距，也不是设计取舍，而是两种驱动方式在物理上的必然结果——一个本侧有管子往上拉，一个只能靠外部电阻把线拉回去。本文把这 83 倍拆到三个时间参