基于个人 2025 年度回顾与行业观察，我认为软件工程的核心正在发生结构性转移：从以代码为中心，转向以运行时可控性与成本治理为中心。AI 与 Agent 的普及，并没有削弱工程价值，而是把工程复杂性上移到了运行时、算力与预算层。
Cloud Native
从云原生到 AI 原生：Kubernetes 如何承载下一代 AI Agent
从云原生演进视角出发，系统阐述为什么 AI Agent 需要 Kubernetes 级别的基础设施，以及如何通过 Agent 编排、MCP 服务化与 AI 原生网关，构建真正生产级的 AI 原生架构。
2026 年 AI 的转折点：不是模型，而是基础设施、Agentic Runtime、GPU 效率与新型组织形态。
回顾云原生十年演进，展望 AI Native 平台工程的技术分层与关键变革，解析 KubeCon NA 2025 行业信号。
分析闭源大模型加速与开源生态同步响应现象，探讨工程视角下的核心矛盾与基础设施演进。
Ingress NGINX 退役事件揭示了云原生基础设施技术债、迁移路径与未来流量治理标准化趋势。
本文解读 CNCF 的 Kubernetes AI Conformance 项目，深入分析一个 AI 平台要达到 Kubernetes 原生标准需满足的架构、调度、存储、网络与互操作性要求。
使用云原生大模型开源四件套构建高效推理体系：KServe + vLLM + llm-d + WG Serving
云原生与 AI 原生架构师必读：KServe、vLLM、llm-d、WG Serving 如何形成大模型推理的云原生“四件套”，各自定位与组合优势，以及生态融合趋势分析。
AI 推理系统的核心诉求恰好与 Kubernetes 的设计哲学契合。本文从工程化视角探讨云原生在 AI 基础设施中的地位与未来趋势。