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

总结：

• 先看 client <-> RM、RM <-> NM、RM <-> AM、AM <-> NM 这些 RPC 通信关系，以及 reactor 和异步事件处理模型
• 再看 ResourceManager、NodeManager、ApplicationMaster 内部模块、状态机和资源调度器
• 最后把队列层级、资源抢占、分布式缓存、日志回收、container 本地化启动和清理这些运行细节串起来

总结：

• DataSourceRegister 的注册方式，以及自定义 XXRelationProvider 是怎么被 Spark 发现和加载的
• DataSource 的查找过程，以及 DataFrameReader、DataFrameWriter 在读写路径里的角色
• 顺手补到 CheckpointRDDPartition、ReliableCheckpointRDD 和 SparkSession 内部的 SparkContext、sharedState、SQLContext、RuntimeConfig

总结：

• 从 RDD、DAGScheduler、TaskScheduler、SchedulerBackend 看作业是怎么拆成 stage 和 task 再被调度出去的
• 从 MemoryAllocator、TaskMemoryManager、MemoryConsumer 到 AppendOnlyMap、ExternalSorter、ShuffleWriter、ShuffleReader，看内存和 shuffle 主链路
• 最后补到 Executor 启动 task、Standalone 下 Driver/Worker/Master 交互，以及 YARN cluster / client 模式的差异