CXL (Compute Express Link) 内存技术深度解析：从协议革命到池化架构实战
全面解析 CXL 协议族（CXL.io、CXL.cache、CXL.memory），涵盖内存池化、内存分解、缓存一致性协议、CXL 2.0/3.0/3.1 演进、Type1/Type2/Type3 设备形态、分层内存管理（Tiered Memory）、内核 CXL 子系统、および生产环境部署挑战与未来演进方向。
高性能计算
FlashAttention 算法深度解析：从 IO-Aware 优化到 GPU 硬件极致
FlashAttention 通过 IO-Aware 的 Tiling + Recomputation 策略，将 Self-Attention 的 HBM 访问复杂度从 O(N²) 降至 O(N²/d)，在不牺牲数学精度的前提下实现 2-4× 端到端训练加速。本文深入推导 Online Softmax 数学基础、解析 FlashAttention/2/3 三代算法演进、剖析 Hopper/Tensor Core 适配优化，并给出一套完整的工程性能分析框架。
LLM 推理引擎 Continuous Batching 与 PagedAttention：从 vLLM 原理到生产级部署实战
深度拆解LLM推理引擎核心架构：Continuous Batching迭代级调度原理、PagedAttention虚拟分页KV Cache管理、Chunked Prefill长Prompt处理、Prefix Caching前缀共享、分离式Prefill/Decode架构、生产监控指标与调优指南、投机解码等前沿演进
大模型分布式训练并行与显存工程实战：从 ZeRO 分片、FSDP 扁平参数到激活重计算与通信重叠全链路
沿真实工程决策链拆解大模型分布式训练：先算清混合精度 AdamW 的 16 字节/参数显存账本，再区分 DP/TP/PP 三种并行各自解决的维度，深入 ZeRO 三级分片与 FSDP FlatParameter 编排（含 70B 在 64 卡上的单卡显存实测表），给出选择性激活重计算的算力-显存兑换率与 use_reentrant 陷阱，最后落到 prefetch、bucket 与梯度累积 no_sync 的通信-计算重叠实战。
WebGPU Subgroup 操作与 SIMT 性能优化实战：从 shuffle 到 ballot
WebGPU 的 subgroup 原语为 Web 平台带来了 GPU 级别的 SIMD 通信能力。本文深入讲解 subgroup 的核心操作（shuffle/ballot/reduction），并通过 4 个实战场景（高效归约、warp 级前缀和、分支优化、GEMM 分块策略）展示如何利用 subgroup 实现 workgroup 共享内存 3-12x 的性能突破。包含完整 WGSL 实现和 Chrome/Edge 的性能基准数据。
图计算系统深度工程实战：从 Pregel 顶点中心 BSP、PowerGraph GAS 到 GraphBLAS 代数化算子与 GPU 图遍历
拆解现代图计算系统的三条技术路线：Pregel 的顶点中心 BSP 超步与 Combiner/Checkpoint 工程、PowerGraph 的 vertex-cut 与 GAS 模型如何应对幂律分布、GraphBLAS 如何用半环把图算法重写为稀疏线性代数，以及 GPU 上 CSR 遍历的 warp 级负载均衡与前沿策略，并给出工程选型对照表。
eBPF 与 io_uring 深度融合：构建高性能可编程 I/O 数据平面
深入解析 eBPF 与 io_uring 深度融合的架构设计、内核实现和生产级实战，涵盖 BPF_URING 完成事件拦截、SQ 操作型辅助函数、Map 与 Fixed Buffer 协同，以及自反馈可观测数据平面的完整工程路径。
LLM 推理服务生产化：从 POC 到高吞吐低延迟的系统工程实践
本文从 KV Cache 内存管理、Continuous Batching 调度、投机解码加速、模型量化策略四个维度，深入拆解 LLM 推理服务从实验室 Demo 走向千级 QPS 生产系统的工程实践。
Rust × CUDA Driver API 零拷贝 FFI 实战：从 Pinned Memory 到 IPC 跨进程 GPU 共享
深度解析 Rust 与 CUDA Driver API 的零拷贝 FFI 互操作，覆盖 bindgen 绑定、Pinned Memory 分配、Async Stream 回调桥接、CUDA IPC 跨进程 GPU 内存共享，附带完整代码示例与性能基准对比。
CUDA Tensor Memory Accelerator (TMA) 深度工程：Hopper 架构的异步张量搬运引擎
从硬件机制到 CuTe 编程模型，全方位拆解 NVIDIA Hopper 架构引入的 Tensor Memory Accelerator (TMA)。涵盖 cp.async.bulk、多维张量描述符、mbarrier 多级流水线同步，以及 TMA + WGMMA 协同实现 940+ TFLOPS 的工程实践。
