本文总结了淘特 App 从 3 月到 8 月在端侧模型建设上的全链路实践。为解决用户实时意图识别及云端大模型延迟与成本问题，团队选用 QWen3-0.6B 作为基础模型，通过两代数据集迭代将真机准确率提升至 80% 以上。在工程实现上，采用 LoRA 微调、基于 ShortGPT 的深度剪枝以及 AWQ 量化技术，大幅优化了模型体积与推理性能；同时结合 Prompt 精简、Prefix Cache 和增量推理等手段显著降低了端到端延迟。最终该端模型成功落地于信息流重排序与流失前权益挽留场景，实现了 GMV 的正向增长，并针对 CDN 下载等隐形成本提出了按需下载等优化策略。
如今程序员越来越离不开AI Coding。当AI有足够能力很快把代码实现写出来，而开发人员在此过程中应该干什么？我们在开发过程中遇到的几个问题：这个需求到底要做成什么样？做完效果如何？最终产物质量够不够好？以前手搓代码时代这三件事裹在日常开发流程里，开发过程中就定好了，开发人员靠专业素养和工具守住软件工程的”规矩“。而如今换成模型来写代码、去跑工具，Harness Engineering把这几个关键点仍然留给开发人员这里把控，整个开发流程严格约束AI，不轻易让AI糊弄过去。开发人员要确保整个流程运行在正确的轨道上
10 月上旬一周内，GitHub 上一个叫 REA 的项目 Star 从 1.5 万冲到 23 万+，凭什么这么火？REA 全称 Reverse Engineer Anything——逆向一切，要啃的是计算机领域一个由来已久的硬骨头：没有源码，如何从编译好的二进制里反推出软件的实现逻辑。过去这是逆向工程师用 Ghidra、IDA、Hopper 纯手搓死磕的苦活。本文深入拆解 REA 的工作机制与架构——逆向工程从"人用工具"切换到"Agent 用工具"，究竟是如何实现的。
腾讯广告的商品数据生产链路是由60+个在线服务、50+个存储节点、490+条数据流关系与270万行代码构成的复杂分布式系统，异常会沿数据流和调用链跨服务级联传播，表象与根因往往不在同一位置，排查高度依赖经验，处置结论也难以复用。为解决这些问题，团队以系统拓扑图为核心构建统一知识底座，引入问题发现、根因分析、自主修复和 Self-Improving 等 Agent 协同，将异常识别、证据取证、受控修复与经验沉淀整合成自治闭环。
