包括：

• 按任务类型拆开看图像、视频、音频、文本、多模态的微调差异
• 把数据准备、冻结层、学习率、LoRA/全参微调、评估与部署这些通用步骤串起来
• 补上梯度下降、导数这些基础概念，方便把工程流程和模型原理接上

把 Flink 的状态数据、后端实现和 checkpoint 主线串起来：

• 先看 State 体系本身，包括 MapState、ValueState、BroadcastState 以及内部使用的 InternalKvState
• 再看 KeyedState 和 OperatorState 两条实现路径，以及 Heap、RocksDB、StateTable、OperatorStateBackend 这些核心组件
• 最后把 checkpoint 的触发、barrier 对齐、下游传播、ACK 回传和 job-manager 确认完成的过程连起来

主要看 Flink 集群是怎么被创建出来、怎么和外部资源管理器打交道的，重点包括：

• ClusterClientFactory -> ClusterDescriptor -> ClusterClientProvider -> ClusterClient 这条客户端侧的入口链路
• AbstractContainerizedClusterClientFactory、StandaloneClientFactory 这些不同部署模式下的工厂实现
• Yarn 和 Kubernetes 两条典型路径里，ResourceManager、TaskExecutor、fabric8、pod/Container 启动之间的关系

重点是把“提交一个 Flink 作业”拆成几个明确阶段：

• 从 CLIFrontend、PackagedProgram、DefaultExecutorServiceLoader 到不同集群类型下的 PipelineExecutor
• 从 ExecutionEnvironment、StreamExecutionEnvironment 生成 StreamGraph / JobGraph，再交给运行时调度
• 再往后看 Dispatcher、JobMaster、SlotPool、TaskDeploymentDescriptor、StreamTask、Mailbox、重启策略这些运行阶段的关键组件

DataStream 在运行时到底会落到哪些算子和线程模型上：

• 从 StreamOperator、AbstractStreamOperator、AbstractUdfStreamOperator 一路看到单输入、双输入算子的继承体系
• 再看 SourceFunction、SinkFunction、TwoPhaseCommitSinkFunction、ProcessFunction、KeyedProcessFunction 这些常用扩展点
• 最后顺着 SourceStreamTask -> StreamSource -> user function 和 StreamSink -> invoke() 这条路径，把 Watermark、TimerService、端到端一致性串起来

Flink 运行时的脑图，重点包括：

• Session 集群、Application 集群两种模式，以及客户端、JobManager、TaskManager 之间的基本关系
• 作业从提交到调度执行的主链路，包括心跳、checkpoint、slot 分配、任务状态汇报
• 运行时启动时会顺带拉起的组件，比如 RPC service、blob server、metric registry、HA service、heartbeat service 等

Flink 逻辑计划到物理执行的主线整理，重点包括：

• 流任务如何先转换成 StreamGraph，批任务如何进入 OptimizedPlan，最后统一落到 JobGraph
• StreamNode、StreamEdge、JobVertex、JobEdge、IntermediateDataSet 这些图结构节点和边分别代表什么
• 再往后如何结合并行度、算子链和调度需求，生成最终的 ExecutionGraph 并进入物理执行

PyTorch 入门学习单，内容比较散，这里把主线收一下：

• 先从 numpy、tensor、索引切片、张量和数组转换这些最基础的操作开始
• 再往上走到 Torchvision、MNIST、训练评估、模型保存加载，以及常见图像预处理
• 最后补到卷积、padding、空洞卷积、梯度、tensorboard、visdom、分布式训练这些进阶主题

在公有云和 Kubernetes 环境里，日志怎么从 pod 里拿出来、再怎么落到后端存储：

• 先对比两种采集方式：程序内通过 log4j appender 直接发送，或者由辅助程序读取日志文件再转发
• 再看几种常见处理路径，比如写 Kafka、共享存储、S3，或者交给 Raft 集群、NewSQL 系统做聚合和索引
• 重点不只是怎么采，还包括高可用、吞吐、解耦和后续检索分析成本

记录一个 BTrace 脚本，再顺带把几类 Java 线上诊断工具放到一起看：

• 先用一个简单的 BTrace 例子理解字节码插桩、运行期观测和不重启排查问题的基本思路
• 再和 Arthas retransform、jdb 这种更常见的调试方式做对照
• 最后补上 JFR、VisualVM、JProfiler、MAT、火焰图这些工具，方便按问题类型选手段