X:000 · Y:000SECTOR / AIv0.9.SIGNALNO_ADS // NO_TRACK
CILLIAN.AI

01 // MEMORY BANK

MEMORY

工程笔记档案。先选主题通道,再进时间线解码。

嵌入式 MCU 基础:GPIO、总线、PWM 与别烧板

读数据手册之前先掌握的概念:MCU 怎么跑起来、常用外设、电平与供电、裸机 vs RTOS、最小实验清单。

·2 MIN·#嵌入式#MCU#机器人

第一块板怎么选:STM32 / ESP32 / Arduino / STC51

按场景选型,不背参数表:51、Arduino、STM32、ESP32 各适合什么,树莓派为什么不是单片机,以及预算只够一块时怎么买。

·3 MIN·#嵌入式#STM32#ESP32#Arduino

何时只要 MCU,何时该上 ROS 2

用场景表和检查清单决策:纯单片机、联网遥控、仿真导航、真车底盘各怎么拆;通信桥怎么选;避免所有问题都上 ROS。

·2 MIN·#机器人#ROS2#嵌入式#MCU

机器人入门学习路径:嵌入式 + ROS 2 实验清单

可裁剪的 4~8 周节奏:嵌入式 E1–E6、ROS 2 R1–R6、时间不够时的最小周更,以及资料类型怎么挑。

·2 MIN·#机器人#嵌入式#ROS2#学习路径

机器人栈分层:从 GPIO 到 ROS 2

先画一张分层图:单片机、Linux 主机、ROS 2 各管什么。适合从软件/云原生转机器人的读者建立心智模型。

·3 MIN·#机器人#嵌入式#ROS2#Physical AI

ROS 2 不是操作系统:节点、话题、服务与 Action

零基础建立 ROS 2 心智模型:是什么/不是什么、通信四件套、工作空间、常用工具,以及和单片机的边界。进阶 DDS/QoS 另见本站专题。

·3 MIN·#ROS2#机器人#中间件

LLM 可观测性:延迟、质量与成本一张图

给推理与 Agent 系统补上真正有用的观测:TTFT、tokens、工具调用链、质量抽样与成本归因。

·1 MIN·#AI Infra#可观测性#LLM#评测

向量库运维:索引、召回与容量规划

RAG 背后的向量库怎么稳着跑:索引类型、重建窗口、过滤策略、容量与延迟的权衡。

·2 MIN·#AI Infra#向量数据库#RAG

GPU 调度实战:多模型共卡与显存不浪费

从单卡单模型到集群调度:显存估算、分片、迁移、抢占与队列策略,帮你少烧空闲 GPU。

·2 MIN·#AI Infra#GPU#调度

推理服务入门:把模型变成可调用的 API

从单机 demo 到可上线的推理服务:批处理、流式输出、限流与冷启动,以及 vLLM / TGI 这类引擎该怎么选。

·2 MIN·#AI Infra#推理服务#LLM#vLLM

Cursor 里的 Agent、Skill 与周边概念:是什么、怎么用

把 Agent、Skill、Rule、Command、MCP、Subagent、OpenSpec 拆开讲清楚,并给出常用 Skill 的触发话术与工作流配方。

·5 MIN·#Cursor#Agent#Skill#工程化

Physical AI 扫盲:具身智能、世界模型与工程栈

物理 AI(Physical AI)不是口号:从感知-决策-执行闭环,到 VLA / 世界模型 / Sim2Real,再到 ROS 与仿真在工程里的位置。

·4 MIN·#Physical AI#具身智能#机器人#ROS2

ROS 1 入门:节点、话题与最小可跑系统

用工程视角拆开 ROS 1:Master、节点、Topic/Service/Action、参数与 launch,并给出一个能跑的发布/订阅示例。

·2 MIN·#ROS1#机器人#中间件

ROS 2 要点:DDS、QoS 与从 ROS 1 迁过来

对照 ROS 1 讲清 ROS 2 的架构变化:无 Master、DDS/QoS、生命周期节点、launch 与常用发行版选择,附迁移检查清单。

·3 MIN·#ROS2#机器人#中间件

提示工程实战:从 Prompt 到可评测的系统

好的 Prompt 只是起点。本文讲如何把提示词沉淀为可版本化、可评测、可迭代的工程资产。

·2 MIN·#Prompt#评测#LLM

构建你的第一个 AI Agent:工具调用与 ReAct 循环

用最小的代码讲清楚 Agent 的本质 —— 一个"思考-行动-观察"的循环,以及如何安全地接入工具。

·2 MIN·#Agent#LLM#工程化

从零理解 RAG:检索增强生成的工程要点

拆解 RAG 的核心链路 —— 切分、embedding、检索、重排与生成,并给出一套可落地的工程实践清单。

·3 MIN·#RAG#LLM#向量数据库