拥有记忆的 AI 伴侣不仅仅意味着尽可能多地保存。为了安全起见，我们需要清楚地设计保存什么记忆、谁可以查看、何时删除，以及何时必须将人类纳入控制循环。

Snow AI Companion 的设计笔记：如果 AI 面向儿童，特别是那些需要在沟通和学习方面获得支持的儿童，产品必须从安全、控制和温柔的陪伴开始。

在谈论 AI Agent、工具使用 (tool use) 或自主系统 (autonomous system) 之前，应该从实际的工作流开始：谁做什么，数据在哪里，哪些步骤需要自动化，哪些步骤需要人类保持控制。

AI 工程师不仅需要了解 prompt、RAG 或模型。要创造真正的价值，他们必须了解工作流、数据、用户以及系统在实践中是如何运行的。

不仅仅是看基准测试。这是一份阅读 open-weight 模型的实用清单：模型卡、许可证、架构、上下文、推理、评估以及是否适合产品。

一种更实用的阅读 LLM 论文的方法：不盲从炒作，而是看看哪些趋势真正影响了我们构建 AI 产品的方式。

推理时扩展 (Inference-time scaling)、自洽性 (self-consistency)、验证器 (verifier) 和推理预算 (reasoning budget) 如何提高 LLM 质量，以及何时因成本过高而不应使用它们。

来自 Booking.com 案例的笔记：模型性能 (model performance) 和业务性能 (business performance) 是两码事，尤其是当 ML 进入真实产品时。

分析生产工程 (production engineering) 中的所有权 (ownership) 思维，以及如何将其应用于 AI 工作流、CRM、仪表板和小型产品。

关于 OnePiece 论文的笔记，以及上下文工程 (context engineering) 和推理是如何被引入工业级级联排序系统 (industrial cascade ranking system) 的。

有关如何设计实时仪表板，以通过 WebSocket 监控和控制在终端中运行的 AI Agent 的技术笔记。

关于如何为 AI 工作流更改提示词 (prompt)、模型或评估管道并保持系统稳定的实用笔记。

关于 LLM 评估的实用笔记：基准测试只是一个起点，而真实产品需要测试用例、验证器、人工审查以及与工作流相关的指标。

有关为小型 CRM 设计 REST API 的笔记，重点关注线索 (leads)、联系人 (contacts)、交易 (deals)、报价 (quotes) 以及现实世界中的销售工作流。

关于使用 Redis 缓存优化 CRM 仪表板的实用笔记：何时使用、缓存什么、失效策略，以及如何避免常见陷阱。

来自 Netflix RecSysOps 的关于运行推荐系统的笔记：当推荐系统进入生产环境时的故障检测、故障预测、诊断和解决。

为小型 AI 工作流设计恰到好处的监控：日志 (logs)、指标 (metrics)、链路追踪 (traces)、评估 (evaluation) 和业务信号 (business signals)。

从 Discord 处理消息存储的方式中吸取教训，为小型 CRM 设计活动日志和对话历史记录。

从 Discord 存储数万亿条消息的案例中，本文探讨了数据库不再适合其工作负载 (workload) 的迹象。

一个适用于小型 AI 或计算机视觉项目的实用管道：测试、构建 Docker 镜像、运行基本评估，并更安全地进行部署。

关于对象检测、分割的简短笔记，以及为什么真实的计算机视觉问题通常需要的不仅仅是一个边界框 (bounding box)。

关于一个来自研究领域的计算机视觉想法，是如何被优化以在真实设备上运行的笔记。

一篇关于边缘 AI (edge AI)、延迟 (latency) 以及将计算机视觉应用于实际设备之前需要回答的问题的短文。

关于如何将机器学习系统分解为更小的服务以使其更易于部署、监控和扩展的实用笔记。

解释推荐系统 (recommendation system) 中的反馈循环，以及产品构建者应该如何设计信号 (signals)、指标 (metrics) 和护栏 (guardrails)。

关于自动驾驶 (autonomous driving) 中纯视觉感知、占用网络感知 (occupancy perception) 和传感器融合的谨慎笔记。

一篇事实核查文章：关于 TikTok 的推荐系统中的 Kafka/Flink，公开信息来源允许我们说什么，不允许我们说什么。

一篇关于 TikTok 风格架构的谨慎文章：仅使用公开来源来推导产品模式 (product patterns)，而不去断言内部架构。

通过官方来源和学术研究分析 TikTok 风格的 Feed，了解平台架构 (platform architecture) 在推荐系统中的作用。

分析 LightSAGE 论文，了解 Shopee 如何在推荐广告中使用图神经网络 (graph neural networks) 进行商品召回。

分析 Shopee 使用 ClickHouse 进行分布式追踪的案例，以及为多服务系统提供的经验教训。

通过 Discord 案例分析数据库迁移 (database migration) 的决定，以及如何根据访问模式 (access pattern)、运营成本和权衡 (trade-off) 选择数据库。

阅读 Discord 从 Cassandra 迁移到 ScyllaDB 的案例，并汲取关于数据库、热分区 (hot partition)、迁移和延迟 (latency) 的教训。

来自 Netflix 技术博客的笔记：机器学习如何用于预测流媒体质量、减少播放错误并改善观众体验。

阅读 Netflix 关于微服务的文章，理解为什么分布式系统需要分层观察：请求流、瓶颈，以及实例级指标。

从 Airbnb Search 和基于嵌入的检索 (Embedding-Based Retrieval) 中吸取教训，以实用的方式设计 CRM 搜索/排名。

分析 Uber Michelangelo，以了解生产环境中的 ML 平台 (ML platform) 需要数据 (data)、训练 (training)、部署 (deployment)、预测 (prediction) 和监控 (monitoring)。