用途：为在单台低算力机器上处理可能超出 RAM 的数据集提供最佳实践参考，面向 ETL、数据工程与批处理中的扫描、过滤、聚合、排序、连接等 I/O 密集型工作。规则按执行生命周期影响从高到低排序，优先优化表格靠前的条目。
主要能力：分为九类并按优先级排列——内存纪律（mem-，关键）、I/O 访问模式（io-，关键）、数据格式与编码（fmt-，高）、分块与批处理（batch-，高）、落盘与外部内存（spill-，高）、流水线与背压（pipe-，中高）、压缩与序列化（codec-，中）、I/O 密集型并发（conc-，中）、可观测性与吞吐调优（obs-，中低）。示例代码使用 Python，其推理可推广到其他生态（Arrow C++/Rust/Java、Polars Rust、DuckDB、libuv 风格异步）。
使用方式：按问题匹配入手点，例如“流式任务中内存线性增长”看 mem- 与 pipe-，“磁盘 100% 忙但 CPU 空闲”看 io-，“数据放不进 RAM”看 spill-，“加了 worker 也没用”看 conc- 与 obs-，“慢但不知道原因”先做 obs- 测量再改。
适用场景：单机低算力下 OOM、swap、远慢于预期；输入大于 RAM；管道存在无界缓冲；逐行 RTT 写入；格式/编解码/序列化选型；CPU 低而 iowait 高。
限制：不覆盖算法原语本身（见 computer-science-algorithms）、超出单机的分布式计算（用 Spark/Dask）及数据库引擎内部（见官方文档）。