AI Fundamentals
完整的人工智能基础设施知识体系
覆盖从 GPU 硬件架构、CUDA 并行编程，到大模型训练、推理优化、RAG、 Agent 系统的全链路技术栈，来自一线工程师的实践总结。
知识模块
系统化 AI 技术体系，从芯片底层到智能应用，深入每个技术层次
深入理解 AI 训练与推理的硬件基础，GPU/TPU 内部架构、片内互联、PCIe 拓扑与 GPUDirect。
从 CUDA 基础到高性能 Kernel 编写，掌握 GPU 并行计算、TileLang/Triton 以及性能调优实战。
大规模 AI 集群的构建、高速网络配置与运维管理，保障分布式训练任务的稳定高效运行。
基于 Kubernetes 的企业级 AI 基础设施，GPU 虚拟化、弹性调度、HAMi/KAI 资源管理实践。
大模型全流程训练、SFT 指令微调、LoRA/QLoRA 方法与 AI Ops 工程最佳实践总结。
大语言模型核心理论：模型量化、MoE 稀疏架构、Embedding 原理与 Deep Research 方法论。
检索增强生成（RAG）系统全链路设计，知识图谱与 LLM 协同、GraphRAG 与文档解析工具。
AI Agent 设计模式、多智能体协作架构、MCP 协议解析与 Agent 长期记忆机制实现。
高性能 LLM 推理工程：vLLM 源码深度解析、KV Cache 压缩优化与 DeepSeek 推理实践。
系统化学习路径：AI Infra 入门课程、AI 编程实战、多智能体系统训练营与 Trae 编程实战。
大模型应用开发实战：LangGraph 框架深度应用、Java Spring AI 集成与 Harness Engineering。
前沿工具上手实践：Mac 本地部署 DeepSeek R1、Ollama 配置指南与开源模型基准测试。