必须引入：所有容器化 Go 项目必须在main.go中匿名导入。警惕 cgroup CFS Quota：容器使用率看起来不高，但并发线程过多会迅速打满 100ms 窗口配额引发 Throttle。监控指标：将容器 CPU Throttle 比例暴露给 Prometheus，大于 5% 即代表配置存在严重冲突。合理设置 CFS Period：在 K8s API 中对极高并发服务设置为 20ms 以降

流式渲染的工程要点其实就三件事：数据链路用流式读取，不要轮询。渲染必须配合消毒库，模型不可信。生命周期交给管理，别让陈年流占着连接。剩下的就是看监控——首字延迟、解析耗时、并发流数。指标上去了，体感才上得去。这条路在千万级对话下能跑通，回报是值得的。

NL2Chart 落地的核心，不在"调用模型"，而在"消化模型产物"。前端必须建立结构校验、默认补全、沙箱执行与超时保护四道防线，把不可信的模型输出转化为稳定可渲染的配置。安全上应坚持配置优先、禁止直接执行代码，必要时借助 Web Worker 隔离。工程上可用骨架兜底加异步精确的平衡策略兼顾速度与准确率。对于自助式分析场景，NL2Chart 能降低图表制作门槛；对视觉约束强的品牌页则仍需人工把关

端侧大模型推理把算力下沉到浏览器，主要价值在于隐私可控与零推理账单。落地关键有三：一是基于 WebGPU 探测做分级回退，保证异构设备都有可用路径。二是把模型加载与推理放入 Worker，用单例与量化权重控制体积，用kv_cache优化多轮延迟。三是用进度反馈与 Cache Storage 预取改善冷启动。权衡上需直面兼容性碎片、量化精度损失与首次加载成本。对于隐私敏感、离线、短文本场景，端侧推理

流式 Markdown 渲染的目标，是让大模型回答在生成过程中就拥有正确排版，而非生成结束再整体美化。落地要点有三：第一，把解析改为有状态增量消费，用"已闭合块缓存 + 当前块重渲染"把重解析范围压到最小；第二，代码围栏等语法块必须检测闭合状态，未完成前只累积不高亮，避免半成品闪烁；第三，用帧节流合并高频 chunk、用生命周期销毁防止竞态写入。在资源受限时，应优先复用成熟的流式 Markdown

端侧大模型推理用 WebGPU 与 ONNX Runtime 把部分 AI 能力下沉到浏览器，换取低延迟、低成本与数据不出端。落地要点有三：第一，仅对小规模、低延迟、高隐私要求的任务端侧化，大模型仍留云端；第二，生产封装必须包含模型缓存、WebGPU→WASM 降级、推理超时三道保险，把可用性放在性能前面；第三，警惕设备差异、模型版本滞留、电量发热与权重泄露四道边界，越界场景应回退云端。端云协同、

用大模型生成图表配置，本质是把「可视化配置语言」这层翻译工作交给 LLM，让人用业务语言直接要图。落地要点有三：第一，必须用 schema 约束与 JSON mode 把模型输出锁死在受支持范围，杜绝自由格式；第二，字段白名单对齐与沙箱渲染兜底缺一不可，确保任何畸形输出都只降级而非崩溃；第三，认清边界，敏感数据需脱敏、复杂图走模板、确定性场景要缓存、高频请求分层拦截、输出须防 XSS。把大模型当作

端侧推理把大模型能力延伸到浏览器本地，主要价值在降低延迟、摊薄成本与保护隐私。落地建议：第一，建立分级后端探测，WebGPU 优先、WASM 回退、云端兜底，保证任意设备可用。第二，模型权重必须懒加载并单例缓存，设置超时与中断控制。第三，把重计算放入 Worker，避免阻塞主线程交互。第四，明确适用边界，仅在轻量、离线、隐私场景启用端侧，强推理任务仍走云端。最终在体验、成本与设备约束之间取得工程平

NL2Chart 把自然语言变成可交互图表，是 AI 前端的重要落地方向。落地建议：第一，用白名单与 Schema 对齐约束模型输出，阻断字段幻觉。第二，所有生成必须超时、可中断，失败统一降级为表格。第三，控制提示词体积，宽表场景只传字段结构。第四，高频意图缓存模板，保证体验一致性。最终在智能生成与稳定可控之间取得平衡。这条路在生产看板下能跑通，回报是值得的。

流式对话界面的核心，是把网络协议、缓冲解码、渲染调度三层职责解耦。优先选 SSE 降低接入成本，用的流式模式解决中文跨片乱码，用统一中断来源。渲染侧借助批量合并，并对超长内容做降级。落地时务必补齐超时、重试与安全校验。这条路在千万级对话下能跑通，回报是值得的。