用途：针对 fal.ai 集成做性能与成本优化，适合需要降低生成延迟、减少 API 花费、实现并行处理、在轮询与 Webhook 之间取舍、配置 Serverless 扩缩容的场景。相关技能包括 fal-api-reference（API 模式）、fal-model-guide（模型选择）、fal-serverless-guide（Serverless 配置）。
主要能力：客户端方面，推荐用 subscribe() 而非 run() 执行生成任务以跟踪进度，run() 仅用于 30 秒以内的快端点；用 Promise.all() 或 asyncio.gather 做并行请求并配合速率限制；用 stream() 做渐进式输出、realtime.connect 配合 throttleInterval 做实时交互。服务端方面，在 setup() 中加载模型并在 /data 卷持久缓存，用 fp16、attention slicing、xformers 等降低显存；通过 keep_alive 与 min_concurrency 减少冷启动，用 teardown() 释放显存；按显存选 T4/A10G/A100，开发用低成本模型、生产用高质量模型；控制图像尺寸与推理步数，用 Webhook 代替轮询，按 prompt+seed 缓存结果。还包含水平扩容、请求批处理、优先级端点以及日志、耗时指标、错误监控。
使用方式：资料给出 JavaScript 与 Python 示例，如 fal.subscribe、fal_client.run_async、fal.queue.submit 配合 webhookUrl、fal.App 子类声明 machine_type、min_concurrency、keep_alive、volumes 等。具体安装命令、版本要求与更完整的 API 参数，资料暂未提供。
限制：资料侧重方法建议，未给出各优化项的实际基准数据来源、模型价格、配额、平台支持范围与失败重试策略；示例代码需按自身项目适配，不能直接视为完整生产实现。