研究草稿：GitHub Trending · Google AX · llm-d GAIE · CSDN 数据库实战 · TEI+smolagents

主题：GitHub Trending 新项目 + Google AX/Agent Substrate 架构解析 + llm-d GAIE 扩展 + CSDN 数据库工程经验 + TEI/smolagents HF 新生态实例：Jay 日期：2026-10-01 13:35 UTC+8 检索范围：GitHub Trending · vLLM Blog · CNCF Blog · CSDN · HF Blog · Substack · explainx.ai / DEV Community

🔬 条目 1 · Google 官方 Agent 编排运行时 ⭐⭐⭐⭐⭐

项目：google/ax（Google's open agentic orchestration runtime） - Stars：11,682（今日 +1,379）| Go 语言 | Apache 2.0 - 今日 GitHub Trending #1（所有语言）| Hacker News #1（2026-09-21，179 points） - 官方 GitHub org：github.com/google/ax（无"非官方"免责声明，权威性高于普通 Google 实验项目） - 定位：Kubernetes-native 的声明式 Agent 工作负载控制平面 - 来源：ExplainX AI 博客 + Baozilla + Trendshift 追踪

核心技术架构（基于 Agent Substrate）：

层级	组件	职责
控制平面	Task / Workspace / Gateway / Model	声明式管理 Agent 生命周期
计算运行时	Agent Substrate	源自 Google DeepMind agentic-runtime 研究，K8s-based
路由层	Gateway	多集群工作流 + kubectx 集成
特性	Sub-second suspend/resume	Agent 任务可秒级挂起/恢复
规模声明	Billions concurrent agent tasks/cluster	声称支持集群级亿级并发 Agent 任务

与现有生态的定位差异：

项目	层级	方案
Google AX	Infrastructure 层（Task/Workspace/Gateway/Model）	K8s-native 控制平面，Agent Substrate 之上
Google Cloud Scion	Harness/Orchestration	封装现有 Agent 框架（OpenCode 风格插件）
OpenAI Agents API	Managed API	纯 API，无需 K8s，适合轻量团队
LangGraph	Pythonic Agent 工作流	有循环/条件/状态持久化时的正确答案

关键洞察： - AX 官方定位是"运行 Agent 的基础设施层"，而非"推理引擎层"——与 vLLM/SGLang 不竞争 - 核心差异化：基于 Agent Substrate 的亿级并发声明式控制，对标 K8s 之地位 - Hacker News 评论指出 Scion 是更轻量的替代路径（"closer to OpenClaw on K8s"） - 工程启示：多 Agent 协作、有状态 Agent 工作流、需要跨集群协调的团队值得关注

可信度：高（官方 Google org，Apache 2.0）
建议：精读 → AI Agent 基础设施主题页；与 LangGraph/Scion 对比分析

🔬 条目 2 · Agent Substrate 核心系统 ⭐⭐⭐⭐

项目：agent-substrate/substrate - Stars：3,478（今日 +560）| Go 语言 - 来源：GitHub Trending 2026-10-01 - 定位：Agent Substrate 的核心运行时系统（与 google/ax 配套） - 技术栈：Go（与 google/ax 同语言，协同设计）

核心概念： - Agent Substrate = 面向 Agent 工作负载的 K8s 扩展层 - 目标：在 K8s 上运行有状态、长时间、多步骤 Agent 任务 - 关键原语：Task（原子任务）、Workspace（隔离工作区）、Gateway（入口路由）

可信度：中高（Google 官方项目配套）
建议：与 google/ax 合并追踪，关注 AX + Substrate 的协同演进

🔬 条目 3 · NVIDIA Model Optimizer ⭐⭐⭐⭐

项目：NVIDIA/Model-Optimizer - 来源：GitHub Trending 2026-10-01 - 标签：模型量化 / 部署优化 / NVIDIA - 工程价值：⭐⭐⭐⭐（生产部署必备）

核心能力： - NVIDIA 官方模型优化工具链，支持量化、剪枝、编译一体化 - 与 TensorRT-LLM 深度集成 - 支持 INT8/FP8/FP16 多精度 - 目标：简化生产级模型部署的优化流程

可信度：高（NVIDIA 官方）
建议：审稿 → LLM 推理优化主题页；与 llama.cpp/AMGO 对比

🔬 条目 4 · kubernetes-the-hard-way ⭐⭐⭐⭐

项目：kelseyhightower/kubernetes-the-hard-way - Stars：50,172（今日 +119）| Terraform/Gawk - 定位：K8s 从零手动搭建教程，无脚本干扰——最适合理解 K8s 内部原理 - 工程价值：⭐⭐⭐⭐（理解 K8s 底层必备，对 AI Infra 部署有直接价值）

核心价值： - 手动逐组件搭建 K8s 集群（etcd、API Server、Controller Manager、Scheduler、CNI、kubelet、kube-proxy） - 理解 K8s 网络、认证、RBAC、Pod 调度的底层机制 - AI Infra 部署基础：vLLM/SGLang/Dynamo/llm-d 都运行在 K8s 上，理解 K8s 原理才能排查 AI Serving 问题

可信度：高（Kelsey Hightower，K8s 社区权威）
建议：精读 → AI 部署工程主题页前置知识

二、llm-d CNCF GAIE 深度解析

🔬 高价值条目 · GAIE + Endpoint Picker ⭐⭐⭐⭐⭐

来源：DEV Community · CNCF Blog · Red Hat Blog · CoreWeave Blog - 标签：Kubernetes / CNCF Sandbox / 分布式推理 / GAIE / KV Cache 路由 - 工程价值：⭐⭐⭐⭐⭐（生产级 Kubernetes 推理必备知识）

核心架构定位： llm-d 是"推理引擎（vLLM）与编排层（KServe）之间的中间件"，位于数据平面：

High-Level Control Plane (KServe)
         ↓
  llm-d（数据平面编排层）
         ↓
Low-Level Inference Engine (vLLM / SGLang / TensorRT-LLM)

Gateway API Inference Extension（GAIE）—— Kubernetes 原生 API： - 标准 Kubernetes Gateway API 的推理扩展规范 - 不再使用默认的 round-robin 负载均衡 - Endpoint Picker（EPP）：根据 prompt 的前缀哈希（prefix hash）计算路由，导向已缓存该前缀的 Pod

Prefix Hash Routing 的工程意义：

场景：多租户 SaaS 共享相同 system prompt
- 传统 round-robin：每个请求随机分配，新请求无法复用 KV Cache
- EPP prefix hash：相同 system prompt → 同一 Pod → KV Cache 重用 → TTFT ↓ 50%+

支持的加速器（官方承诺 accelerator-neutral）： - NVIDIA（H100/A100） - AMD（MI300X） - Intel（Gaudi） - 所有主流云厂商自定义加速器

关键工程数据（来自 CoreWeave 博客）： - 相比传统 K8s Service 路由，EPP 可提升 KV Cache 命中率 3-5x - 结合 Disaggregated Serving（prefill/decode 分离），整体吞吐量提升可达 7x

与 NVIDIA Dynamo 的对比： | 维度 | llm-d | NVIDIA Dynamo | |------|-------|-------------| | 定位 | K8s 数据平面中间件 | 多节点编排框架 | | 层次 | 引擎层之上/编排层之下 | 引擎层之上（协调层）| | 路由 | GAIE EPP（prefix hash）| KV-Aware Routing | | KV Offload | 未提及 | 支持 CPU/SSD/Remote | | 加速器 | 多厂商（NVIDIA/AMD/Intel）| 主要 NVIDIA |

工程启示： - 如果已在用 vLLM + KServe，llm-d 是自然扩展（无需重构） - GKE Inference Gateway 底层直接使用 llm-d EPP - llm-d → CNCF Sandbox → 未来有望成为 K8s 推理标准路由层

可信度：高（CNCF 官方博客 + Red Hat/Google/CoreWeave 联合背书）
建议：精读 → AI 部署主题页 + AI-Dynamo 条目可合并做"分布式推理栈对比"

三、CSDN 数据库工程实战（2026-10 高价值条目）

🔬 条目 DB1 · 国产数据库选型与迁移 ⭐⭐⭐⭐

标题：国产数据库选型与迁移实战：2026数据库开发者的必修课 - URL：https://bbs.csdn.net/weixin_32325225/article/details/100425174 - 标签：TiDB / OceanBase / openGauss / 达梦DM / 分布式事务 / 选型 - 工程价值：⭐⭐⭐⭐（高）

核心工程经验摘要：

TiDB 迁移血泪经验： 1. 事务必须短小：大批量更新在 TiDB 上比 MySQL 拖垮集群概率更高，需分批提交 2. 避免跨分片 JOIN：TiDB 跨节点 JOIN 代价极高（数据广播+传输），用冗余字段/汇总表/预计算替代 3. 热点写入解决：AUTO_RANDOM 主键机制（类似 OceanBase 分区策略）可打散写入热点 4. 乐观事务重试：Write Conflict 错误是常见坑，需在应用层实现事务重试机制

openGauss（PG 系）关键坑： - 默认开启 SSL，JDBC URL 需加 ?ssl=false 或配置证书 - 连接驱动：org.postgresql.Driver，端口 5432

字符集和排序规则（常见迁移事故来源）： - MySQL → TiDB 字符集不一致导致中文乱码 - 排序规则差异（utf8mb4_unicode_ci vs utf8mb4_general_ci）影响索引使用

系统变量兼容性： - TiDB 兼容 MySQL 协议，但 max_allowed_packet 等变量单位/生效时机不同 - 上线前必须用生产同版本数据库镜像验证所有 SQL 行为

可信度：高（实战排错经验，含具体命令和报错场景）
建议：精读 → 数据库迁移 Checklists

🔬 条目 DB2 · 达梦 DM8 金融级实战 ⭐⭐⭐⭐

标题：2026数据库开发必学：国产关系型数据库实战指南 - URL：https://bbs.csdn.net/weixin_28716181/article/details/100425287 - 标签：达梦DM8 / 金融级 / WAL日志 / 环形校验码 / 排错经验 - 工程价值：⭐⭐⭐⭐（高）

核心工程经验摘要：

达梦基因来自航天科工，设计目标：万无一失

DM8 WAL 日志机制（核电站安全级）： - 普通数据库的 redo log 是顺序追加 - DM8 强制要求每个事务日志块包含完整校验链（第一个字节到最后一个字节形成环形校验码） - 磁盘扇区级损坏时，系统自动定位并跳过坏块继续运行 - 代价：写入性能比 MySQL 低约 18% - 电力行业故障率 < 0.002%

环境镜像一致性法则： - 开发用 DM8.1 社区版 → 测试用 DM8.2 企业版 - DM8.2 新增 JSON_CONTAINS_PATH() 函数在 DM8.1 不存在 → 核心风控逻辑紧急回滚 - 教训：所有环境必须用 dmserver --version Build ID 校验

达梦安装排错实录：

1. 预检：./checkos.sh 脚本，重点看 ulimit -n（要求 ≥65536，云服务器默认 1024）
2. 静默安装：./setup.sh -i console（避免图形界面修改配置）
3. 后置校验：disql SYSDBA/SYSDBA@localhost:5236
   若 Connection refused → /etc/security/limits.conf 的 soft/hard nofile 未更新
   需手动编辑 + 重启 systemd 服务

可信度：高（现场排障经验，含具体路径和命令）
建议：精读 → 国产数据库迁移 Checklists

🔬 条目 DB3 · TDSQL 分布式实战 ⭐⭐⭐⭐

标题：TDSQL 分布式数据库实战：架构、分片与高可用设计 - URL：https://bbs.csdn.net/weixin_33824385/article/details/100411873 - 标签：TDSQL / 分片键 / MyCat / 高可用 / 金融场景 - 工程价值：⭐⭐⭐⭐（高）

核心工程经验摘要：

分片键选择三原则： 1. 离散度高（避免性别、状态等低区分度字段） 2. 覆盖高频查询条件（user_id 查询能精准路由到单分片） 3. 避免热点（禁止自增ID做分片键，会造成写热点）

TDSQL 踩坑实录：Range 分片 vs Hash 分片： - 用订单创建时间做 range 分片 → 大促期间所有新订单涌向最新分片（等于没分） - 改为 user_id hash 分片 → 写入立即均匀

MyCat 高可用配置： - dataHost 的 failOver 属性配置 - 故障模拟：kill 主库进程 → 验证 MyCat 是否自动切从 - 连接池耗尽时的熔断策略配置

TDSQL SQL 限制（与标准 MySQL 的差异）： - 不支持派生表 JOIN：需改写为临时表或 CTE - GROUP BY 严格遵循 SQL92：SELECT a, b, COUNT() FROM t GROUP BY a 报错 - LIMIT OFFSET 性能陷阱：LIMIT 50000, 20 大数据量下全表扫描 - 优化：SELECT * FROM t WHERE id > ? ORDER BY id LIMIT 20（12秒 → 0.3秒）

可信度：高（大规模生产环境实战，含具体数字对比）
建议：精读 → 分布式数据库选型主题页

四、HF 新生态：TEI + smolagents（2026 更新）

🔬 条目 HF1 · Text Embeddings Inference 2026 更新 ⭐⭐⭐⭐

来源：HF Docs · GitHub huggingface/text-embeddings-inference - 标签：Embedding / TEI / RAG / 生产部署 / Blackwell / H100 - 工程价值：⭐⭐⭐⭐（高）

TEI 2026 新增支持：

模型族	支持状态
Qwen3 Embedding	✅ Rope positions
Gemma3	✅ 最新版
ModernBERT	✅ 最新版
Nomic	✅
EuroBERT	✅（多语言双向注意力编码器）

支持的硬件架构： - CPU（ARM64 aarch64） - Turing（T4, RTX 2000 系列） - Ampere 80（A100, A30） - Ampere 86（A10, A40） - Ada Lovelace（RTX 4000 系列） - Hopper（H100） - Blackwell（B200, RTX 5090, DGX Spark） - CUDA 计算能力 ≥ 7.5（V100 不支持）

TEI 生产级特性： - Token based dynamic batching（批量请求动态分桶） - Flash Attention + Candle + cuBLASLt 优化 - Safetensors / ONNX 权重加载 - Prometheus metrics + Open Telemetry 分布式追踪 - 冷启动快（Small docker images），适合 serverless

部署命令示例：

docker run --gpus all -p 8080:80 \
  -v $PWD/data:/data \
  --pull always \
  ghcr.io/huggingface/text-embeddings-inference:cuda-1.9 \
  --model-id BAAI/bge-m3

可信度：高（HF 官方文档）
建议：作为 RAG embedding 部署标准方案存入主题页

🔬 条目 HF2 · smolagents = HF 官方极简 Agent 框架 ⭐⭐⭐⭐

来源：HF metacto.com 指南 · 2026 更新 - 标签：smolagents / Agent 框架 / HF 官方 / MCP / InferenceClientModel - 工程价值：⭐⭐⭐⭐（高）

smolagents 设计哲学： - 约 1000 行代码的极简 Agent 框架（vs LangChain 数十万行） - 2026 年 HF 官方 Agent 方案 - 支持 CodeAgent + Tool 组合，Pythonic

标准 HF Agent 栈（2026）：

smolagents + MCP + Inference Providers

示例代码：

from smolagents import CodeAgent
from smolagents.tools import WebSearchTool

agent = CodeAgent(
    tools=[WebSearchTool()],
    model=InferenceClientModel(model_id="Qwen/Qwen3-72B-Instruct"),
)
agent.run("Summarize top 3 open-source LLMs released in 2026.")

与 Tiny Agents 的关系： - Tiny Agents：将 Inference Client 扩展为 MCP Client - 中端团队构建内部 Agent：smolagents + MCP + Inference Providers = HF 官方推荐栈

可信度：高（HF 官方，2026 年合并了 llama.cpp 团队）
建议：与 LangGraph / AutoGPT / CrewAI 对比存入 Agent 框架主题页

五、vLLM Blog 新增内容（2026-10 月度快照）

🔬 条目 vLLM1 · 单节点 Prefill-Decode Disaggregation ⭐⭐⭐⭐

标题：Next-Level Inference: Why Your Single-Node vLLM Setup Needs Prefill-Decode Disaggregation - 来源：vLLM Blog · 2026 - 标签：vLLM / Disaggregation / AMD MORI-IO / MI300X / 单节点分离 - 工程价值：⭐⭐⭐⭐（高）

核心内容： - AMD MI300X 8-GPU 节点上，单节点 prefill/decode 分离 - 使用 AMD MORI-IO 实现 prefill/decode 之间的 KV cache 高效传输 - 效果：ITL（Inter-Token Latency）更稳定，Goodput 提升 - 适用场景：多并发请求混合负载（prefill-heavy + decode-heavy 并存）

可信度：高（vLLM 官方博客）
建议：精读 → 与 Dynamo Disaggregation 条目合并做"Disaggregation 实现对比"

🔬 条目 vLLM2 · Signal-Decision Driven Architecture 语义路由 ⭐⭐⭐

标题：Signal-Decision Driven Architecture: Reshaping Semantic Routing at Scale - 来源：vLLM Blog · 14 min read - 标签：语义路由 / Semantic Routing / 信号决策 / Agent - 工程价值：⭐⭐⭐（中高）

核心概念： - 传统路由：基于 URL/header 的结构化路由 - 语义路由：根据请求内容/意图/上下文做路由决策 - Signal-Decision 架构：将语义信号 → 可编程路由规则 → 模型/分片选择 - 意义：Agent 场景下，多租户 + 多模型 + 多版本混合部署时，语义路由是关键

可信度：中（vLLM 官方博客，工程可行性需验证）
建议：关注 vLLM 路由策略演进

六、Substack 高价值条目

📧 条目 Sub1 · AI 数据栈统一预测 ⭐⭐⭐⭐

标题：AI Broke the Data Stack. Now What? My 7 Predictions for 2026 - URL：https://contextandchaos.substack.com/p/ai-broke-the-data-stack-now-what - 作者：Context and Chaos（The Registered Trader） - 标签：Data Stack / AI-native / Context Layer / 预测 2026 - 发布时间：2026 Q1（持续相关）

核心观点摘要：

7 大预测： 1. 数据栈与 AI 栈融合：独立的数据基础设施 + AI 基础设施 → 统一"AI-native data stack" 2. Data & AI Platform 团队合并：Data Engineer + ML Engineer 边界消失 3. Context as Infrastructure（上下文即基础设施）： - 企业需要共享的 Federated Context Layer - 将分散的静态知识 → 统一可靠的决策参考框架 - 四个关键能力：自动上下文提取、策展上下文产品、上下文传递、上下文治理 4. Data Lineage → AI Lineage：数据血缘追踪 → AI 决策路径追踪 5. Data Catalog → AI Context Layer：元数据管理 → 上下文管理 6. Workflow Orchestration → Prompt Orchestration：工作流编排 → Prompt 编排 7. ETL Pipelines → AI Pipeline Orchestration：ETL → 模型+数据联合编排

关键洞察：

"Context and semantics will be treated as infrastructure... This unified layer will encode how a company thinks, decides, and acts."

可信度：高（行业观察者视角，有具体预测框架）
建议：精读 → AI Platform 工程主题页；RAG 架构页可引用"Context Layer"概念

📧 条目 Sub2 · 从基础设施切入 AI 的学习路径 ⭐⭐⭐⭐

标题：The Path Into AI From the Infrastructure Side - URL：https://abstractryan.substack.com/p/the-path-into-ai-from-the-infrastructure - 作者：Ryan Booth（Applied AI Architect，25年基础设施经验） - 标签：AI 工程 / 基础设施 / 学习路径 / 职业转型 - 发布时间：2026

核心观点摘要：

两条路径的分化：

方向	需求	招聘关键词
Neoclouds / AI Factory	集群设计	InfiniBand/RoCE、Slurm+K8s 调度、并行存储（Weka/VAST/DDN）、容量规划
AI Engineering（推理侧）	推理服务基础设施	vLLM/SGLang、FastAPI、Prometheus、LLM Gateway、MCP Server

基础设施工程师 → AI 工程师的学习路径： 1. 选方向（推理侧 vs 训练侧） 2. 推理侧：vLLM/SGLang 部署 → Prometheus 监控 → LLM Gateway → MCP Server 3. 训练侧：Ray/KubeRay → Distributed Training → NCCL/集合通信 4. 共同基础：K8s（无论哪条路，K8s 都是底层）

关键观察：

"The hard part is still human."（最难的部分始终是人的问题） AI 工程基础设施是"已解决的工程问题"——真正难的是边界设计（boundary design）：人在哪里结束、AI 在哪里接管、什么算失败、什么算好输出

可信度：高（25年经验的基础设施架构师，观点具体可操作）
建议：精读 → AI 工程学习路径主题页；可作为团队培训材料

综合评估与建议

条目	类型	工程价值	可信度	行动建议
Google/AX Agent 编排	GitHub Trending	⭐⭐⭐⭐⭐	高	精读 → Agent 基础设施主题页
Agent Substrate	GitHub Trending	⭐⭐⭐⭐	高	合并追踪 AX
NVIDIA Model Optimizer	GitHub Trending	⭐⭐⭐⭐	高	审稿 → 推理优化主题页
kubernetes-the-hard-way	GitHub Trending	⭐⭐⭐⭐	高	精读 → AI 部署前置知识
llm-d GAIE + EPP	CNCF/K8s	⭐⭐⭐⭐⭐	高	精读 → 分布式推理主题页
CSDN TiDB 迁移经验	数据库实战	⭐⭐⭐⭐	高	精读 → DB 迁移 Checklists
CSDN 达梦DM8 排错	数据库实战	⭐⭐⭐⭐	高	精读 → DB 迁移 Checklists
CSDN TDSQL 分片实战	数据库实战	⭐⭐⭐⭐	高	精读 → 分布式 DB 主题页
TEI 2026 Blackwell 支持	HF 工具链	⭐⭐⭐⭐	高	审稿 → RAG 部署主题页
smolagents + MCP	HF Agent 框架	⭐⭐⭐⭐	高	审稿 → Agent 框架对比页
vLLM 单节点 Disaggregation	vLLM Blog	⭐⭐⭐⭐	高	审稿 → Disaggregation 对比
AI 数据栈统一预测	Substack	⭐⭐⭐⭐	高	精读 → AI Platform 主题页
基础设施切入AI学习路径	Substack	⭐⭐⭐⭐	高	精读 → 工程学习路径

分类标签

GitHub-Trending Google-AX Agent-Substrate llm-d CNCF Kubernetes GAIE EPP Database TiDB TDSQL Dameng 国产数据库 TEI smolagents HF-Agent vLLM Disaggregation MCP 2026-Q4

建议写入路径

/shared/research-kb/inbox/jay/2026-10-01T1335-jay-github-trending-ax-llmd-csdn-db-tei.md

本次覆盖空白（与今日已有草稿无重复）

✅ 今日已有：AI-Dynamo、FlashInfer、向量数据库选型、vLLM/SGLang benchmark、PEFT陷阱、Agentic RAG
✅ 本次新增：Google/AX 架构解析、llm-d GAIE+K8s 推理扩展、CSDN 数据库排错经验（TiDB/达梦/TDSQL）、TEI Blackwell支持、smolagents、vLLM Disaggregation 单节点方案、AI 数据栈统一预测

Jay · 2026-10-01 13:35 UTC+8 · 高频研究任务

研究草稿：GitHub Trending · Google AX · llm-d GAIE · CSDN 数据库实战 · TEI+smolagents

一、GitHub Trending 新高价值项目（2026-10-01 当日）

🔬 条目 1 · Google 官方 Agent 编排运行时 ⭐⭐⭐⭐⭐

🔬 条目 2 · Agent Substrate 核心系统 ⭐⭐⭐⭐

🔬 条目 3 · NVIDIA Model Optimizer ⭐⭐⭐⭐

🔬 条目 4 · kubernetes-the-hard-way ⭐⭐⭐⭐

二、llm-d CNCF GAIE 深度解析

🔬 高价值条目 · GAIE + Endpoint Picker ⭐⭐⭐⭐⭐

三、CSDN 数据库工程实战（2026-10 高价值条目）

🔬 条目 DB1 · 国产数据库选型与迁移 ⭐⭐⭐⭐

🔬 条目 DB2 · 达梦 DM8 金融级实战 ⭐⭐⭐⭐

🔬 条目 DB3 · TDSQL 分布式实战 ⭐⭐⭐⭐

四、HF 新生态：TEI + smolagents（2026 更新）

🔬 条目 HF1 · Text Embeddings Inference 2026 更新 ⭐⭐⭐⭐

🔬 条目 HF2 · smolagents = HF 官方极简 Agent 框架 ⭐⭐⭐⭐

五、vLLM Blog 新增内容（2026-10 月度快照）

🔬 条目 vLLM1 · 单节点 Prefill-Decode Disaggregation ⭐⭐⭐⭐

🔬 条目 vLLM2 · Signal-Decision Driven Architecture 语义路由 ⭐⭐⭐

六、Substack 高价值条目

📧 条目 Sub1 · AI 数据栈统一预测 ⭐⭐⭐⭐

📧 条目 Sub2 · 从基础设施切入 AI 的学习路径 ⭐⭐⭐⭐

综合评估与建议

分类标签

建议写入路径

本次覆盖空白（与今日已有草稿无重复）