推荐系统擅长回答“推什么”，用户却卡在“怎么选”。 本文探索：不改排序，补上排序之后的“表达与决策”——把游戏理解透，让同类多款可比较、可解释、可追溯。做法是让大模型放开探索、用工程约束收住，使生成稳定进生产。目标不是替代排序，而是帮用户从“给结果”走向“帮决策”。
当万卡集群每日遭遇数十次 GPU 故障，当超节点适配困于"无环境可验、无数据可训、无路径可推"，我们不再等待故障发生——而是用数字的方式主动创造一个可控、可测、可进化的"算力风洞"。（文章内容基于作者个人技术实践与独立思考，旨在分享经验，仅代表个人观点。）
2026 年 6 月 30 日，AWS 宣布投入 10 亿美元组建 FDE 组织，把工程师以 45 天冲刺的方式嵌入客户团队。两天后，微软成立 Frontier Company，投入 25 亿美元、6000 名工程师做同一件事。再往前推几周，OpenAI 花 2.95 亿美元收购 Tomoro 成立独立部署公司，Google Cloud 把嵌入式 FDE 团队挂进产品组织，Anthropic 联合 PE 让被投企业大规模部署 AI Agent。五家公司都在押注同一类岗位：派人到客户现场，把 AI 从 demo 变成生产系统。AI 透镜是腾讯研究院发起的 AI 时代行业观察系列，关注技术、组织与商业现场的真实变化。行业圆桌是其中面向一线从业者的讨论形态：不只做趋势解读，而是把正在发生的岗位、打法和组织实验摊开聊。
得物是全球领先的集正品潮流电商和潮流生活社区于一体的新一代潮流生活方式平台。复杂的业务场景和极致的用户体验追求，对数据库运维和选型提出了更高要求。 目前得物在线的数据库服务涵盖 MySQL、TiDB、MongoDB、HBase、DuckDB、ClickHouse / StarRocks、向量数据库等多品类，支撑核心交易、运营分析、AI 算法、社区等多业务场景。 多品类数据库面临运维复杂度高、研发选型难、架构复杂、资源成本高等运维问题。同时业务对数据库性能、可用性、成本要求逐步增高。在持续的数据库调研和选型中，OceanBase 作为多模数据库，逐步进入视野，特别是 4.x 版本引起了 DBA 团队和研发团队的极大兴趣。
作为一名老登前端开发，这两年深刻感受到大模型时代 AI 对软件工程带来的冲击——也被近年来 AI 各种范式大潮冲击了一遍又一遍。一路从提示词工程，再到上下文工程、Vibe Coding，再到本篇要介绍的 Harness 工程化，一路在思考：什么样的 AI 工程化方案，才是符合 WeTV（腾讯视频海外平台）当下 Web 项目的？这里抛砖引玉，和大家一起来探讨。 【为了将每个细节讲到味，篇幅较长，文章有问题的地方欢迎指出，大佬们不吝点赞+收藏！】
一篇属于后端微服务 + 前端微应用大仓的 Harness 实战分享。 不讲理念有多重要，只讲我们这一路是怎么搭起来、怎么撞墙、撞完怎么补的。
随着大语言模型的普及，流式输出（Streaming）已成为 对话式 AI 应用的标准交互模式：模型逐 Token 生成内容，前端实时增量渲染。此前，我们已面向 Web 端推出了流式友好的 Markdown 渲染器 @ant-design/x-markdown[1]。然而，小程序端缺乏浏览器原生的 HTML 渲染能力，流式 Markdown 渲染会面临格式突变、频繁重解析、性能损耗等问题，我们对现有主流小程序 Markdown 渲染方案进行了研究，发现其在流式场景下存在以下核心局限。
