给AI视频准备动作参考时，手脚为什么时有时无？
给 AI 视频提取动作参考时，骨架手脚忽隐忽现应先查原片遮挡、人物检测与关节分数，再比较默认稳定和原始输出。本文给出 ReShot 0.5.0 的对照命令、关键点观察方法及已有实验的适用范围。
私有知识库工程化建设方法：一套五阶段流程值得采用
本文提出一套私有知识库工程化建设方法论：以“五阶段流程”（定约定、搭骨架、建索引、做校验、管演化）为路径，以“三条治理原则”（派生可重建、职责单一、双向对账）为根基，用轻量工具（如AiPy）低成本实现可持续维护，有效对抗知识库熵增，让知识库从“文档坟场”升级为可演化的治理工程。（239字）
汽车损伤检测数据集 | 11700张YOLO车辆定损数据集
本数据集含11700张YOLO格式标注图像，专注车辆外观损伤（划痕、凹陷、破损等）检测，单类别设计，覆盖多车型、多角度、多光照真实场景。适用于保险自动定损、二手车评估、租车验损及目标检测研究，支持YOLOv5-v12等主流模型，开源可商用。（239字）
02 合规、高质、高效我全都要：AI 开发体系一上线就败了
本文是《嵌入式AI落地手记》第二篇，复盘首次AI开发体系失败：贪求“合规、高质、高效”三目标，导致模板过重、文档膨胀、人机协作低效；根源在于目标过载与为假想需求过度设计。教训凝练为四条落地铁律：转译原始文件、规则必设上下限、单次聚焦一目标、人机分工重在决策而非编辑。
Apache Doris 基于 Lance 的向量检索深度解析
Apache Doris 5.0 多模湖仓预告（7）｜技术解析篇：随着自动驾驶等多模态应用的发展，大规模数据查询需要同时满足向量检索、条件过滤和业务分析需求。Apache Doris 集成 Lance，支持直接查询 Lance 数据集，并通过并行检索、提前过滤、按需读列和缓存优化提升查询效率。本轮测试中，在 10 亿规模智能驾驶数据的四条件向量检索场景下，Doris + Lance 用时 2.32 秒，相比 Ray + pylance 提升约 10.87 倍。本文将介绍 Doris 与 Lance 的集成机制、查询能力及性能表现。
SMO无法并发+加锁范围大——InnoDB B-tree索引锁的两个结构性问题
写密集、高并发场景下，MySQL吞吐量上不去，加CPU、换SSD都没用——瓶颈可能不在硬件，在InnoDB的B-tree索引锁上。B-tree的结构修改操作（SMO）一次只能跑一个，索引级锁把所有写操作串行化。本文拆解B-tree索引锁的瓶颈根源、并发SMO的技术原理、Latch Coupling的加锁优化机制，以及热点行事务合并的实践思路。
推荐系统如何从海量内容中找到候选？从漏斗架构到多路召回
在100毫秒内从亿级视频中召回千条候选，推荐系统依赖“召回”这一关键环节。它并非追求精准，而是以速度为先的“海选艺术”。通过非个性化（如热点、高转化）与个性化策略（UtoI、ItoI、UtoUtoI），结合协同过滤（ItemCF、UserCF）及改进版Swing模型，系统在低延迟下实现高效覆盖。核心在于离线构建索引，线上快速匹配，兼顾召回率与效率，为后续精排奠定基础。
