阿里集团安全部正在积极探索如何打造由多智能体组成的虚拟网络安全专家，以在工作中发挥创造性的积极作用。作为算法团队的一员，首先需要调研多种不同的MAS（多智能体系统）的协作方式，并验证其能否快速实现。在这个过程中发现，现有的AI workflow类型产品的功能比预想的更加广泛，因此希望通过这篇文章记录并分享一些思考的内容。“xxxx is all you need” 是我很喜欢的一个标题格式，它能够很旗帜鲜明地表达个人观点。这里的workflow不是指固定编排的系统设计模式，而是AI workflow产品（甚至特指有图形化画布编排的产品），例如百炼应用、Dify、扣子等等。
自1965年戈登·摩尔提出摩尔定律以来，半导体行业持续推动芯片技术的革新，IDC（互联网数据中心）为平衡成本效益和多样化需求，逐渐形成了包含Intel、AMD、ARM等多种架构的混合部署模式。早期IDC往往通过小集群分别管理，这种方式虽然简单，但随着硬件代际和架构的增多，资源隔离问题日益凸显，不同集群间的计算资源无法共享，导致资源利用困难、运营成本上升。为解决这一问题，业界开始采用资源合池技术。该技术通过虚拟化、容器化和智能调度系统，将不同架构、不同代次的硬件资源抽象成统一的资源池，打破物理集群的界限，实现计算、存储和网络资源的全局共享。这种方式不仅提高了资源利用率，还降低了管理复杂度，使IDC能够更灵活地应对动态负载，支持弹性扩展，最大化数据中心的整体计算能力。
本专题是我们打造智能数字人的部分实践总结。我们将探讨六大核心环节：LLM文案生产赋予数字人思考和内容生成能力，如同其“大脑”；LLM互动能力则聚焦对话逻辑与拟人化交流，是实现自然交互的关键；TTS（语音合成）技术负责将文字转化为富含情感、个性化的“声音”；形象驱动技术让语音与表情、口型、肢体动作精准同步，塑造逼真视觉形象；音视频工程解决实时渲染、低延迟传输与高质量画面输出的技术挑战；最后，服务端工程构建稳定、弹性、高并发的后端支撑平台，确保数字人服务高效稳定运行。欢迎大家一起交流进步。
在分布式架构系统中，确保跨服务应用的数据一致性始终是系统设计的核心挑战之一。TDMQ RocketMQ 版作为一款基于 Apache RocketMQ 构建的企业级消息中间件，凭借其高可用性和高可靠性特点，通过提供完善的事务消息机制，为这一难题提供了专业的解决方案。本文将结合核心源码，深入解析 RocketMQ 事务消息的实现原理，希望能帮助开发者去构建更健壮的分布式事务系统。
AI技术一路发展至今，推理优化是一个永存的话题，尤其是面临算力有限的情况下，如何将有限的计算资源利用最大化，是需要持续努力去实现的。今天我们来探讨一下大语言模型(LLM)推理缓存优化技术的演进和未来展望。本文主要进行原理性的探究，下一期会有相关的落地实践方案。
Python作为当今最受欢迎的编程语言之一，从2008年Python 3.0的发布到2024年Python 3.13的正式发布，以及 2025 年计划发布的Python 3.14，十六年的演进过程不仅见证了编程语言技术的进步，更反映了整个软件行业的深刻变化。从人工智能的兴起到云计算的普及，从微服务架构的流行到开发者体验的重视，多重因素共同推动着Python语言的持续发展。
社区里缺的不是架构图，而是可供参考的架构实践。程序员缺的不是技术原理知识，而是抽象来的可供复用的方案思路。为了切实帮助技术人成长，在信息爆炸时代获取最精华的架构知识，腾讯云开发者携手腾讯云架构师技术同盟推出架构师系列文集，每期会以《如何设计一个 XX 系统》为主题，分享同盟架构师们多年经验抽象来的经典方案设计思想。 本文是系列第二篇，作者分享了一个运行十四年，底层系统架构一直没有大改的低代码系统是如何设计的，作者确信：如果有对业务的深入理解，有着架构性思维体系，有面对复杂的体系进行抽象的能力，是完全可以用低代码做出一套可用、好用的核心业务系统的。
携程火车票部门为解决智行酒店商户侧AB实验中，预实验分流中遇到的分流不均、分流组流量交叉问题，提出了一种用于非用户端AB实验的分流算法，该算法通过优化的随机抽样模块与贪心交换模块，保证实验组之间多指标的相似性；通过图算法模块，降低实验组之间的流量交叉。通过实证分析，该算法一方面有效的提升了商户端实验在多指标下的分流效率；另一方面，相比于使用先验知识进行分流，显著降低了实验组之间的流量交叉。
面对瞬息万变的市场和技术环境，越来越多企业开始探索人工智能（AI）在软件交付过程中的应用，以提升效率和创新能力。然而，不同组织在AI赋能软件工程上的实践成熟度各不相同，亟需一套分级模型来指引演进路径。正如自动驾驶领域采用L0到L5的级别定义来描述从人工驾驶到完全自动驾驶的演进过程，软件交付领域也可借鉴类似分级方法。本文面向AI辅助软件交付领域的实践者和管理者，提出“AI辅助软件交付全流程”的L0–L5成熟度分级模型，从需求分析、设计、开发、测试到部署与运维，全面阐述各成熟度级别的特征与实践方法。本文还将提供每一级的典型场景和行业案例，帮助实践者理解AI赋能的软件交付如何落地并带来效益。此外，我们设计了一套可操作的成熟度自评工具，包含关键判定标准和可视化评估维度，供团队评估自身所处级别。最后，本文将给出各等级的演进路径建议，明确从当前级别向上发展的措施、变革要素和关键成功因素，为企业制定AI工程能力提升规划提供参考。
