TensorRT-LLM 深度工程实践：从模型到生产级推理服务
深度剖析 TensorRT-LLM 架构设计哲学、编译-运行时协作模式、跨算子融合、请求调度、KV Cache 管理与并行策略优化，含与 vLLM 对比及生产级部署实践。
CUDA
LLM 推理的 KV Cache 三级存储架构：GPU HBM → CPU DRAM → NVMe SSD 的近乎零拷贝实践
深入拆解单节点内跨越GPU HBM、CPU DRAM、NVMe SSD的三级KV Cache存储体系，涵盖CUDA异步传输、GPUDirect Storage直写、分层淘汰策略、以及生产环境中的NUMA拓扑陷阱与水位线振荡等工程细节。
Inside FlashAttention-3：面向 Hopper 架构的 IO-Aware 精确注意力机制深度解析
FlashAttention-3 通过深度挖掘 NVIDIA Hopper GPU 的 TMA、异步事务屏障、warp 级矩阵运算等硬件特性，在不牺牲数值精度的前提下将 HBM 访问降低到理论下限的 1/4。本文从算法原理、硬件协同设计、工程实现三个维度揭开 FlashAttention-3 的底层逻辑。
Linux Kernel HMM 深度工程实战：CPU-GPU 统一虚拟地址空间从原理到驱动实现
深入解析 Linux 内核 HMM 子系统架构，拆解镜像页表、mmu_notifier 回调、migrate_vma 页面迁移协议，提供 GPU 驱动骨架代码。
PyTorch 2.0 Compiler 深度剖析：从 TorchDynamo FX Graph 到 TorchInductor Triton CodeGen 的完全工程指南
PyTorch 2.0 Compiler 深度剖析：从 TorchDynamo Python 字节码拦截、FX Graph 中间表示捕获、AOTAutograd 自动微分分解、TorchInductor Triton CodeGen GPU 内核代码生成、算子融合与内存优化、CUDA Graph 捕获、动态形状支持、分布式并行编译、到生产级部署与性能基准测试的完整工程指南。
CUDA Graph 动态形状捕获与 LLM 推理内存池优化深度实战
深入剖析 CUDA Graph 在 LLM 推理中的录制机制与动态形状挑战，提出 Chunked Prefill + 两阶段内存池 + 参数热更新的生产级优化方案
SYCL/oneAPI 异构计算编程模型：从 CUDA 锁定到跨平台 GPU 编程的实战突围
深入解析 SYCL 2020 标准的核心抽象（buffer/accessor、ND-Range、USM），对比 CUDA 生态的差异与优势，并通过生产级推理引擎集成案例展示如何在 NVIDIA/AMD/Intel 三大平台上用一套代码完成高性能 GEMM 计算。包含 sub-group shuffle、双队列 pipeline、AdaptiveCpp 单一源码多后端的实战技巧，以及 ResNet-50 跨平台性能基准数据。
NVIDIA Blackwell 架构深度实战：第五代 Tensor Core、微切片与 AI 工厂时代的分离式推理
NVIDIA Blackwell GPU（B100/B200/GB200）标志着 AI 计算从"单机加速器"向"AI 工厂"的架构范式转变。本文从硬件微架构、CUDA 编程模型、分离式推理部署三个层面，深入剖析 Blackwell 的关键技术创新与工程落地。
CUDA 内核优化实战：从内存合并访问到 Warp 级原语与 CuTile 抽象的深度工程指南
本文系统性地讲解 CUDA 内核优化的核心方法论与工程实践，从全局内存合并访问、Shared Memory Bank Conflict 消除、Warp 级原语规约、线程占用率计算，到现代 CuTile 抽象与 Tensor Memory Accelerator 的使用，配合完整的代码示例与 Nsight Compute 性能分析数据。
eBPF 驱动的 AI 工作负载可观测性：GPU 运行时追踪与生产环境实战
深入探讨如何利用 eBPF 的 uprobe/USDT 机制追踪 CUDA Runtime 和 Driver API 调用，构建面向 AI 生产系统的 GPU 工作负载全栈可观测平台。包含内存生命周期追踪、Kernel Launch 调度分析、多租户隔离方案与性能调优经验。
