AI Infra 全书术语与符号表：收录 IO 栈、存储、网络、GPU、推理、调度、监控等领域的中英术语与缩写约定。

教材开篇：写给有 5-8 年 Linux/存储/网络背景、准备转型 AI Infra（GPU 集群方向）的工程师，讲清全书主线与使用方法。

自动化运维与版本管理：Python/Shell 健康巡检工具建设，以及驱动 / CUDA / NCCL 版本对齐的实战方法。

面试冲刺：用"结论先行 → 原理支撑 → 量化示例"三段式回答高频 AI Infra 面试题，附对比框架应对追问。

综合实战：用"分层假设法"把 IO 栈、存储、网络、GPU、推理、调度、监控串成完整的排障闭环。

故障演练（混沌工程）与复盘：如何主动注入故障、度量 MTTD/MTTR、把一次真实故障讲成结构化的 STAR 面试故事。

用 Prometheus + PromQL 搭建 AI 集群可观测性：GPU/网络/存储指标采集、告警规则设计（含 recording rule 与 for 时长）。

三大调度器对比：Slurm（HPC 老牌）、Volcano（K8s 批处理）、Kueue（K8s 队列），讲清 Gang/Fair-share/Preemption 的工程权衡。

推理框架 vLLM 内部机制：PagedAttention 如何把 KV cache 显存利用率从 40% 提到 90%，Continuous Batching 如何提升吞吐。

GPU 硬件与监控：H100 与 A100 规格对比、DCGM 关键指标解读、Xid 错误码定位，以及"利用率上不去"的成因树。