三个拐点、两组实测数据、一张决策表——告诉你 Go 缓存方案什么时候该换、换到哪一级。
同一个 zap，配置 A vs B 性能差 2.3 倍——而换库只差 1.4 倍。5 个设计决策各自带来 1.3-4.8 倍的量化提升，每个都有 benchmark 实测数据支撑。
AI 新名词绝大部分都是软件工程老概念换马甲。Skills 是写给 LLM 看的插件说明书，MCP 是 AI 时代的 RPC，Agent 是带 LLM 脑的 cron job。认出老朋友，不用再学每个新词。
Go 服务 P99 飙高但 pprof 看不出问题？大概率是网络层的事。两组实测数据告诉你：TCP_NODELAY 不是万金油，缓冲区也不能乱调。附完整排查判断表。
用 go/analysis 框架写一个自定义 linter 只要 20 行代码，但从第一行代码到团队平稳运行花了两个月。三组实测数据展示 go/ast 的能力边界，以及比技术更难的落地困境。
8 行 echo server 离生产有多远？从 CLOSE_WAIT 泄漏到协议分帧再到 TCP_NODELAY 实测，用踩坑经历和 benchmark 数据拆解连接管理、协议设计、性能调优三层进阶。
四大厂商都说先从单 Agent 开始，但没人告诉你什么时候该拆。五个失控信号帮你诊断单 Agent 健康度，一个协调税框架帮你算清拆分的隐性成本。
AI 代码审查在代码层已经很强，但业务逻辑和架构判断几乎是盲区。审查焦点需要升维——从'对不对'到'合不合理'再到'该不该做'。三层模型帮你重新分配审查时间。
Harness Engineering 的核心不是让 Agent 更高效，而是把失败变成可收集、可定位、可约束、可修复的工程对象。从 OpenAI 暗黑工厂到个人 Agent 编排项目，失败系统化的原理是相通的。
Go 的 plugin 包九年没动过 API，5 种方案的 benchmark 实测告诉你该不该用插件、该用哪个。多数场景的答案是：不需要。
