标注说明：生产 = 在生产环境长期使用并踩过坑；项目 = 在个人项目里完整落地过。
云平台与容器
- AWS（EKS / EC2 / S3 / VPC / 成本分析）—— 生产
- Kubernetes（故障排查、节点治理、调度与驱逐）—— 生产
- Docker / 容器镜像与运行时 —— 生产
- 阿里云（OTS / OSS / 函数计算 FC）—— 项目
可观测性
- Prometheus（容量规划、基数治理、告警设计）—— 生产
- Grafana 面板与告警体系 —— 生产
- eBPF / bpftrace（指标盲区归因）—— 项目
- Loki 日志体系 —— 生产
IaC 与 CI/CD
- Terraform / 基础设施即代码 —— 项目
- GitHub Actions 构建发布流水线 —— 项目
- 自研发布平台（Vega：应用台账、构建发布、Docker 编排）—— 项目
后端与工具链
- Go（运维平台后端、CLI 工具）—— 项目
- Linux 性能分析（strace / perf / 系统调用级排查）—— 生产
- Shell / 自动化脚本 —— 生产
- Vue 3 前端（本站点与 Vega 控制台）—— 项目
当前聚焦：AI Infra
- LLM 应用工程：RAG 检索链路、Prompt 工程与输出评估
- 推理服务部署：vLLM / Ollama 的性能与成本基准，GPU 资源规划
- AIOps 落地：大模型辅助告警降噪、根因分析与 Runbook 生成
方向判断：LLM 服务正在重演当年微服务化的过程——部署、观测、成本治理会成为标配能力。我在把多年 SRE 的稳定性方法论平移过来，进展同步在近况页和后续博客。