Profile / 能力档案

从底层约束出发，设计能被验证的系统。

关注 AI 系统与嵌入式边缘计算，习惯从底层约束反推上层设计。

我把 AI 推理、Agent 工程与嵌入式系统放在同一张图里：它们都在争夺内存、时间、可观测性和信任边界。这个博客用于记录那些能被复现、被质疑、也能被继续修正的结论。

Focus / 研究方向

三条相互穿透的技术线

AI 与嵌入式不是两个孤岛。内存层级、截止期与可信计算让它们重新交汇。

KV Cache、注意力 IO、MoE 路由、量化与服务调度。核心问题不是“模型多大”，而是数据在 HBM、SRAM 与缓存之间如何移动。

工具协议、评测、沙箱、幂等与截止期。把不确定的模型输出放进确定性的工程边界，并让每次出错都能被审计和回滚。

实时调度、TinyML、RISC-V、Chiplet 与可信嵌入式栈。关心可部署预算，而不是单张 benchmark 图。

Evidence over adjectives

论文报告、软件模拟和分析推演被显式区分；来源、范围与局限跟随文章保存。

十个实验使用同一套可测试 TypeScript 模型生成默认结果，页面不是静态截图。

Astro 静态优先、Cloudflare 边缘 API、Git-first 内容、Pagefind 本地搜索和可访问性降级。

Operating principles

License & contact

文章正文采用 CC BY-NC-SA 4.0；站点代码采用 MIT。