小米存储团队自 2021 年起推进基于 JuiceFS 的文件存储平台建设，最初主要面向云原生及部分业务场景提供文件存储能力。2024 年，小米提出全面 AI 战略后，原有异构存储体系在选型接入、数据流转和研发运维等方面的问题进一步显现。基于多协议接入、弹性扩展、多云适配和高性能访问等能力，团队最终确立了以 JuiceFS 为核心建设统一文件存储基座的方向，用于统一支撑大数据、云原生和 AI 等业务场景。 围绕这一目标，平台进一步建...
导读 本文系统阐述了构建App稳定性分析Agent的必要性、核心设计与实现路径。传统的手动排查流程效率低下、严重依赖专家，而本方案通过将工具链自动化与AI智能分析相结合，构建了一个统一的Agent框架。该框架以可扩展的Tool（原子能力）和Workflow（场景策略）为核心，当前已成功落地闪退（Crash）自动分析场景，能够实现从崩溃日志解析、地址符号化、代码上下文提取到AI推理和修复建议的一站式处理。 更重要的是，通过引入向量数...
各位网友大家好，我是前端工程化专家老林。相信大家都打过前端包，但是你知道你的源代码是如何一步步变成前端包的呢？今天我就为大家以一个尽可能完善的构建过程来讲一讲。 配置读取 打包命令执行的一瞬间，构建工具并不会立刻编译代码，第一步永远是读取并整合所有配置规则。 构建工具配置读取： 以 Vite 为例，工具会自动查找项目根目录 vite.config.js，读取入口文件、输出目录、打包策略、公共路径等核心打包规则。 环境变量...
5 月 11 日，GitLab CEO Bill Staples 向全员发了一封公开信。 信的开头不算特别。一家科技公司宣布重组 —— 削减业务覆盖国家、精简管理层、调整研发架构、开放自愿离职窗口。2023 年以来，这类信在硅谷每周都有人写。 但这封信的结构不同寻常。Staples 把重组公告和战略愿景拆成两部分，重组的部分只占三分之一篇幅，剩下的全部在讲一件事：GitLab 为什么必须为“Agentic 时代”重新设计自己 —— 包括删除了他们一直以来引以...
本文由融云技术团队原创分享，原题“IM 消息同步机制全面解析”，有修订和排版优化。 1、内容概述 即时通讯（IM）系统最基础、最重要的是消息的及时性与准确性，及时体现在延迟，准确则具体表现为不丢、不重、不乱序。 综合考虑业务场景、系统复杂度、网络流量、终端能耗等，我们的亿级分布式IM消息系统精心设计了消息收发机制，并不断打磨优化，形成了现在的消息可靠投递机制。 整体思路就是： 1）客户端、服务端共同配合，互相...
作者：柳遵飞（翼严） Nacos 作为 Skill Registry AI Agent 进入日常工作流后，能力复用的载体正在发生变化。 过去，我们复用的是脚本、配置、模板和文档；现在，越来越多可复用经验会被沉淀成 Skill。一个 Skill 通常包含触发场景、执行步骤、工具调用方式、输出格式、确认规则和任务边界。它不只是提示词，而是一个 Agent 能否稳定完成某类工作的关键资产。 在 Nacos 3.2 中，Nacos 上线了 Skill Registry 能力，用于帮助企业...
作者：民生银行信息科技部林冠峰、张新亮、雷双龙，民生科技公司李宏乐 近年来，大模型技术快速发展，人工智能在软件研发中的应用不断深化。从最初的代码补全工具，到能够理解需求、生成方案、编写代码以及辅助测试的智能化研发助手，人工智能正在逐步改变传统的软件开发方式。 起初，CodeAgent 工具在原型开发和技术验证场景中，通过自然语言描述需求即可生成代码的方式显著提升了研发效率。然而，银行业务系统通常具有规则复杂...
作者：维帝、悠逸 从"玩具"到"工具"的跨越困境 许多企业在初期尝试引入 Agent 时，往往采取"单点突破"的策略------由个别极客员工或小型团队基于开源框架或云 API 快速搭建原型。这种模式在 POC（概念验证）阶段行之有效，但当企业试图将 Agent 规模化推广至全公司时，混乱随之而来。数据孤岛、权限失控、成本黑洞、安全漏洞等问题接踵而至。传统的 IT 治理体系在面对具有高度自主性、动态交互性和复杂依赖关系的 AI Agent 时，...
作者：来自 Elastic Sunnie Weber AI 正在快速发展。企业级采用必须有目的地同步推进。 过去一年有一点已经变得非常清晰：企业并不需要更多 AI 炒作，他们需要的是一条通往生产环境的路径 —— 能够将基础设施、数据与智能连接起来，并真正创造业务价值。 这正是 Elastic AI 生态系统所要实现的目标。 在 Elastic，我们始终认为 AI 的能力取决于其背后的数据基础。优秀的模型 固然重要，但如果缺少快速、相关且具备上下文的检索...
前言 AI 编程助手已经让 85% 的全球开发者获益，代码生成、补全、重构，几乎无处不在。 但有一个场景，很多团队正在悄悄踩坑：用 AI 写电子表格类场景的业务代码。 表面上，你有了 AI 加持；实际上，调试时间没少，反而多了一堆"看起来对、一跑就错"的幻觉代码。 这篇文章想认真聊聊这个问题：症结在哪、怎么系统性地解决、以及葡萄城在这个方向上已经做了什么。 一、背景：电子表格，AI 的下一个主战场 先说为什么这个问题值得...
