Phase 0：读懂任何系统（通用方法）
用大白话说：这一页帮你搞懂——拿到一套不熟悉的系统（比如你那套视频检测系统），不用读代码，也能用 4 个简单步骤把它看明白，并找出哪里卡、哪里慢。
目标：掌握一套不依赖源码文件的读系统方法。你出门用手机也能练。至于你那套真实视觉系统的完整拆解，已经写好在 📱 系统拆解（手机可看）——这一章教你「方法」，那一页给你「成品」。
本页给什么
一套可复用的四步法：① 确认技术选型 → ② 画线程/数据流图 → ③ 用 3 问法追瓶颈 → ④ 把旋钮分成「治标 / 治本」。坐家里对照代码时用；出门用手机时，凭记忆 + 那一页的图就能复习。
第一步：确认「技术选型」（最关键，也最常被忽略）
读任何系统，先问一句：它底层到底用的什么？ 以你的视觉系统为例，这条认知最重要：
- 模型（说人话：训练好的、能认东西的"大脑"文件）推理（说人话：用训好的模型去认一张新图）：跑的是 TensorRT（说人话：一种给模型"加速"的工具，文件后缀 .engine） 还是 PyTorch（说人话：一个写 AI 的 Python 工具箱，文件后缀 .pt）？两者速度天差地别。
- 兼容性设计：系统会「有 TRT 库就用 engine，没有就回退 pt」——但有库 ≠ 自动用，你要真的导出并指向
.engine。 .engine精度（说人话：模型算数用多细，越细越准但越慢）在导出时焊死，推理时再传 half（说人话：半精度，一种"算得糙但快"的模式）不生效。
可迁移心法：任何项目都先揪出「真正决定性能的那一层」（推理框架 / 数据库 / 通信协议），而不是平均用力读所有代码。
第二步：画一张线程 / 数据流图
先说两个词：线程（说人话：电脑同时干的好几件"活儿"之一）；队列（说人话：一个排队传数据的"传送带"）。
不用看代码，先凭「它大概怎么跑」画一张草图：
- 列出有几个并行执行单元：比如主线程、推流线程（说人话：推流＝像直播一样，把视频一帧帧往外发）、后台任务线程……
- 画出数据从哪进、到哪出，每段标上「CPU / GPU」。CPU 是电脑主芯片（啥都干但跑 AI 慢），GPU 是专门跑 AI 的显卡（快）。
- 标出谁往谁塞数据（队列、管道）。
你系统的成品图就在 📱 系统拆解 的图 1、图 2——直接把它当模板，以后读别的项目照着画即可。
第三步：用「3 问法」追瓶颈
对图上的每一段，问：
① 这段在 CPU 还是 GPU？
② 有没有阻塞 / 背压（说人话：前面慢了，后面被堵住等着）？
③ 耗时主因是计算、I/O、还是数据拷贝？
你系统的结论（已拆解好）：读帧会阻塞、推流是 CPU 软编码（说人话：用 CPU 硬算来压缩视频，比用显卡慢）、多路在 GPU 上串行排队。这些都不是「模型慢」，而是架构没拆开。
第四步：把每个「旋钮」分类（治标 vs 治本）
任何系统都有一堆可调参数（我们叫它"旋钮"）。你要养成习惯，把它们分成两类：
几个词先认一下：解码（说人话：把压缩视频还原成一帧帧画面）；硬编解码（说人话：用显卡专门芯片来压/解视频，比 CPU 快）；batch（说人话：把几张图打包一起算，省时间）；置信度（说人话：模型对这次认出来的把握有多大）；召回（说人话：该认出来的，认出了多少）。
| 类别 | 例子（视觉系统） | 本质 |
|---|---|---|
| 治标：牺牲质量换速度 | 降分辨率、跳帧、提置信度 | 用精度/召回换延迟 |
| 治本：改架构 | 解码独立线程、硬编解码、跨路 batch | 不丢精度，真提速 |
为什么这步重要：很多人调参调半天，其实全在治标。你能分清「我在绕开问题还是解决问题」，是岗位稀缺能力的分水岭。
Phase 0 验收（不看代码也能答）
- 口述：一路视频流从网络到观众经过哪几段、每段 CPU 还是 GPU、哪里会卡。
- 指出「跳帧 / 降分辨率 / 提 conf」是牺牲质量，而「解码独立线程 / 硬编解码 / 跨路 batch」是改架构。
- 拿到任何一个新项目，能先用这四步画出草图，而不是从第一行代码啃。