PaddleOCR 3.x 不只是文字识别工具，还覆盖多语种 OCR、复杂文档解析、关键信息抽取和服务化部署。围绕 PP-OCRv5、PP-StructureV3、PP-ChatOCRv4，可以构建从图片、PDF 到 Markdown、结构化字段的完整文档处理链路。
WebAssembly 3.0 扩展了内存、类型系统、垃圾回收、异常处理和确定性执行等能力。这里从 asm.js、NaCl 和 Emscripten 讲起，解释 Wasm 为什么能在浏览器和服务端运行，以及在 Web 高性能计算、插件系统、Serverless 和 WASI 场景中的使用边界。
围绕 Claude Code 风格的代码智能体，讲清如何用 LangGraph 从基础 ReAct Agent 扩展出人工确认、检查点恢复、SubAgent、Todo 任务跟踪、上下文压缩和实时中断恢复能力。
AI 编程经常卡在项目上下文不足：代码能写出来，却不符合业务规则、异常规范和团队习惯。私域知识工程通过代码分析、知识库沉淀和文档自动维护，把项目经验结构化地喂给 AI，让代码生成更接近一次可用。
Mem0 可以为 AI Agent 提供跨会话的长期记忆能力，Milvus 负责持久化存储和检索语义向量。这里会讲清 Mem0 的记忆机制、它和 RAG 的区别，以及如何结合 DashScope、LangGraph、Milvus 和 Kuzu 构建带长期记忆与图谱记忆的 AI 应用。
Claude Code 没有把预构建代码索引作为核心能力，而是更依赖 glob、grep 等实时搜索工具。围绕这个选择，可以理解无状态设计在可组合性、确定性、隐私和维护成本上的优势，以及它与向量索引、传统 IDE 索引各自适合的场景。
2000 万行并不是 MySQL 单表硬上限，而是基于 InnoDB 16KB 数据页、B+树高度和单行大小推导出来的经验值。理解数据页、聚簇索引和扇出之后，就能判断自己的表什么时候需要拆分或归档。
多智能体 ReAct 自主规划能让主智能体拆解任务并调度工具或子智能体，但生产环境容易遇到工具调用等待长、上下文膨胀、中间产物缺失、结束回答敷衍和规划跑偏等问题。这里围绕五个工程策略讲清问题成因、系统设计和落地实现。
RAG 不只是向量检索加大模型生成。一个工程级 RAG 系统需要同时处理语义文档、结构化表格、数据库和知识图谱，并通过 Embedding、Reranker、Text2SQL 与 GraphRAG 协同完成复杂问答。
RAG 系统要处理的不只是向量召回，还包括重排序、结构化数据查询、表格解析和复杂图推理。围绕语义检索、Text2SQL 和 GraphRAG 三条主线，拆解一套可落地 RAG 架构的训练方法、检索流程和工程取舍。
