acf1sh.top[Agent 与 RAG]≈ 10 分钟[数据与 BI]≈ 13 分钟[具身数据]≈ 9 分钟[AI 数据平台]≈ 9 分钟[Agent 与 RAG]≈ 4 分钟[具身数据]≈ 8 分钟[具身数据]≈ 7 分钟[模型推理]≈ 5 分钟[AI 数据平台]≈ 7 分钟[具身数据]≈ 7 分钟
仰望星空：从 Databricks、Snowflake 与 Palantir 看数据平台走向 Agent
从 Lakehouse、Semantic View 到 Ontology，记录一个 Java 后端如何理解数据、语义、权限与业务行动正在汇成同一条平台主线。
SQL 能运行，为什么问数结果还是错的？
从累计销量、查询权限和原因解释出发，理解自然语言问数背后的指标口径与后端职责。
从 AI 数据平台到 LeRobot：我对 Java 后端开发理解的变化
从标签审核到机器人数据、训练与评估，回看业务对象、状态、版本和执行边界怎样改变我理解后端的方式。
为什么训练任务不应该直接塞进 Spring Boot 请求里
结合 LingBot-VLA 的训练入口，理解任务受理、后台执行、失败恢复和模型产物之间的边界。
企业 RAG 数据怎样进入 Milvus：文档版本、切分、索引与权限
从一份制度文档更新出发，理解原文、解析结果、Chunk、Embedding、Milvus Collection 和引用证据怎样保持关联。
我终于理解了 LeRobot 里的 Episode 是什么
一次夹取为什么不只是视频文件？从时间、状态和动作理解 Episode，再看它如何进入数据集版本。
机械臂训练之前，数据到底长什么样？
从一次夹橘子的采集出发，结合 LeRobot 与 LingBot-VLA，理解设备、Episode、数据版本和训练记录之间的关系。
模型推理服务怎样运行在 Kubernetes：版本、KServe、灰度与回滚
从模型训练完成到稳定接收请求，理解模型包、InferenceService、就绪检查、流量版本和发布记录之间的关系。
Redis 到底应该缓存什么：从标注平台的看板说起
围绕待审核数量，理解缓存键、失效时机、故障回源和业务事实之间的关系。
机器人训练数据怎样送到 GPU：Kubernetes、JuiceFS 与 Lance 的分工
沿着多摄像头 Episode 到训练任务，理解 Kubernetes 调度、JuiceFS 文件访问和 Lance 多模态数据组织各自解决什么问题。