近两年 AI 技术发展迅猛，日新月异。大语言模型 (LLM)、AIGC、多模态、RAG、Agent、MCP 等各种相关概念层出不穷，若不深入了解，极易混淆。本文旨在简要介绍这些 AI 技术的核心概念、基本原理及其相互关系，主要帮助非 AI 行业的开发者建立基础认知。文中涉及的每项技术在其垂直领域都值得深入探索，本文仅作概念性和原理性的概述。如有疏漏或错误，欢迎指正。
腾讯工程师程誉朝基于自己的编程助手使用经验，总结了这一套借助AI编程助手，从事软件开发的提示词工程，基本覆盖了项目开发的各个阶段：需求澄清、UI设计、可行性研究、技术选型、项目排期，任务拆分、进度跟进、测试、迭代、发布等等。
RabbitMQ 作为开源消息队列的标杆产品，凭借灵活的路由机制与高可用设计，支撑着海量业务场景的消息流转。而经典队列（Classic Queue） 作为 RabbitMQ 最基础、应用最广泛的队列类型，其底层存储机制直接决定了消息处理的性能边界与可用性上限。 理解经典队列的存储架构，不仅是掌握 RabbitMQ 核心原理的关键，更为生产环境的运维优化提供了理论支撑。本文将从文件目录结构、存储格式定义、读写流程到运维实践策略，全面解析经典队列的底层存储实现逻辑，帮助读者深入理解其在消息生命周期管理中的核心作用。
“太极AngelHCF推理极致优化”系列文章由太极Angel-HCF推理团队撰写，全面揭秘如何实现DeepSeek模型15800+ tokens/s的业内H20最高性能，本文将拆解DeepSeek全栈优化方法论：通过PD分离，Prefill和Decode使用不同的并行策略，多层MTP优化，并结合模型特点和Hopper架构特性，将多机推理性能推向极限。
近两年 AI 技术发展迅猛，日新月异。大语言模型 (LLM)、AIGC、多模态、RAG、Agent、MCP 等各种相关概念层出不穷，若不深入了解，极易混淆。本文旨在简要介绍这些 AI 技术的核心概念、基本原理及其相互关系，主要帮助非 AI 行业的开发者建立基础认知。文中涉及的每项技术在其垂直领域都值得深入探索，本文仅作概念性和原理性的概述。如有疏漏或错误，欢迎指正。
系统性地“啃书”学习，在AI时代还有必要吗？ 有鹅厂同事认为：“AI时代下，程序员无需死磕过时的工具书，但放弃系统性学习等同于放弃技术纵深。这种学习不再是盲目的“啃”，而是有策略的“用”——用书籍搭建知识骨架，用AI填充细节，用项目实践注入灵魂。” 结合AI时代对程序员能力的新要求，我们为你精选了2025上半年值得深入阅读的大牛书单。这份书单不仅涵盖了AI与大模型的前沿知识，也兼顾了计算机科学的经典基石，一定要看到最后一本。
在上一篇文章如何设计一个支付系统丨架构师系列文集中，我们主要讲解了支付系统的设计全貌，为了帮助大家进一步深入理解支付系统的设计细节，腾讯云开发者社区联合原作者产出系列深度文章。本文将主要介绍支付系统在电商系统中的重要性，包括其作为连接消费者、商家和金融机构的桥梁作用，以及在支付处理、安全性保障、支付方式管理、订单管理与结算、交易记录和报告、退款与售后支持等方面的关键作用。同时指出支付系统的发展阶段，从封闭的独立应用系统到开放的服务系统，强调了其对电商企业运营和用户体验的重要性。
本文系统性地介绍了GPU的工作原理及其在AI基础设施中的核心作用。文章从GPU的历史演进切入，阐述其从图形处理器到通用计算（GPGPU）的转型过程，重点解析CUDA编程模型、CPU/GPU异构架构协作机制，并通过10亿级数组加法的性能对比实验直观展示GPU的并行优势。算是个人的一个学习总结，由于非算法背景，可能会有很多地方说的不正确，有任何问题都欢迎指正。
AI 流行的当下，你有没有想过： 大模型推理服务到底怎么跑起来的？大模型推理服务的运行过程中，CPU和GPU分别负责哪些工作？用GPU一定比CPU跑的快么？哪些场景需要用GPU?
