人工智能的2C应用进展很快，2024年美国居民生成式AI的渗透率已达39.6%（来源：圣路易斯联储）。然而，当前的模型厂商还热衷于评分打榜、技术炫耀，企业应用尚处于早期阶段。迫切需要找到丰富落地场景，加快推进AI和各行各业的深度融合。国联证券对A股上市公司财报中提及AI的情况进行了梳理，近年提及数量迅速增加，从2020年的172家上升至2023年的超过1200家，然而在所有A股上市公司的占比仍然不高，2023年还不到20%。根据国家经济研究局（NBER）数据，截止2024年2月，美国AI企业采用率仅有5.4%。根据欧盟统计局数据，2024年欧盟各国AI企业普及率在3.1%-27.6%之间，总体为13.5%。如下图所示。各国对问题的定义和调研方法有所不同，以上数据不能简单横向比较，但都反映出AI的企业应用还处于初期阶段。
本文主要介绍了淘宝直播组件进行的三大优化方向：组件调度、组件复用和组件治理。通过这些优化，旨在提升直播间性能与用户体验。最终，这些优化在技术指标（如 CPU 使用率、卡顿率）和业务数据（如人均观看时长、转化率）上都取得了显著提升。文章也提到了未来将继续优化的方向，包括布局层级优化和组件内部逻辑精简等。
当下，随着MCP（模型上下文协议）的迅速发展，AI 开发领域的协作生态正经历重塑，MCP为应用和服务方之间的协同开辟了新途径。太极平台积极拥抱 MCP，搭建起一座连接资源、工具与LLM的坚固桥梁。本文聚焦于 MCP 技术及其生态系统，一同探索太极平台如何借助 MCP，汇聚多方能力，释放大模型的巨大潜能，塑造 Agent 应用开发的全新范式。
在AI大模型应用爆发的今天，Model Context Protocol (MCP) 作为连接AI大模型与应用的关键协议，正在快速普及。然而，如何在企业级环境中高效部署和管理MCP服务，成为技术团队面临的重要挑战。本文将深入剖析MCP Server的五种主流架构模式，并结合Nacos服务治理框架，为企业级MCP部署提供实用指南。
今年 MCP 的概念非常火，市面上也涌现出了一大批 MCP 相关工具。作为技术一线者，都会按捺不住地去实操一下，很早的时候就有个设想，如果把我们的测试工具都改造为符合 MCP 服务协议标准，然后全部接入 AI Agent，打造一个集万千工具于一体的智能管家来帮助我们提效，是不是一个很完美的设想。很多宏伟或者天马行空的想法想要真正的落地，必然需要不断向下，拆解成可落地的任务模块，这里我们先从造数开始。
在数字化进程加速的今天，SaaS系统的稳定性是企业业务连续性的生命线。一次短暂的服务中断或者系统异常就可能导致用户资损、交易中断或数据异常，每一个"9"的可用性提升的背后，都是对技术架构、运维能力和服务责任的极致考验。有赞一直将稳定性视为客户信赖的基石，为此我们采取了非常多措施，其中之一便是建立了各个核心业务的稳定性监控群，监控业务涵盖小票打印稳定性、小程序稳定性、收银稳定性等等，一旦有线上系统异常或者是业务异常，群内就能第一时间收到相关告警信息，但这些告警信息往往可读性较低，技术同学如果一一跟进，需要花费较多时间，同时一些已经定位过的问题重复排查也会造成资源的极大浪费，因此，借助AI技术重构这一过程，显得尤为必要。
以OpenAI o1与DeepSeek R1为代表的"类Agent"模型、OpenAI DeepResearch为代表的“真Agent”模型，正在重构AI Agent的技术范式。Agentic Workflow的王座还没坐热，强化学习驱动的端到端Agent模型训练已呼啸而来。未来趋势已指明：模型即产品，工程化Agent的命运将如何？一起来洞察全新的Agent技术范式底下的技术及演进过程，提前看到未来的模样。
