2022 年是科技圈艰难的一年，很少有振奋人心的消息。惊喜的是年底 OpenAI 开放的 ChatGPT，一下点燃了整个科技圈，体验后感觉有点像人脑，智能化程度惊艳。 曾经我和朋友常调侃人工智能就是“有多少人工，就有多少智能”，ChatGPT 打破了这种印象。这里少有“人工”的痕迹，更像是“人脑”。AI 就像从远处开来的火车，听腻了每年总有人说它来了、要来了、真的要来了，这一次感觉它从我旁边呼啸而过～ 春节期间我围绕 ChatGPT、编程语言、大数据、前端 听了很多播客 Podcasts，脑海里一直在想，如此强大的 AI 能力，会给工作带来什么变化？作为工程师，工作机会是否会面临来自 AI 的威胁或者替代，我们应该如何在工作中更好地使用 AI？以下是我的观察和理解，本文不是硬核的 AI 技术解读，更多是从产品和应用角度阐述，我会先分享4个我认为内容较好的外部输入，然后是个人观点探讨。
随着闲鱼前端架构的不断演进，一些关键技术设施需要结合业务特征逐步自建，技术方案也要拥抱社区来提升可扩展性。一方面， 闲鱼跨端开发框架kun 让前端开发者使用JS/CSS/HTML即可交付终端页面，同时兼顾了动态性和高性能，另一方面，前端UI框架也正从集团 rax 逐步转向社区 React 方案。在这个大背景下，围绕 kun 和 web 两个容器的跨端组件建设也势在必行，因此 Fish UI 应运而生，它将全面拥抱 react 生态，并借助 kun 容器的能力，为闲鱼终端开发者提供一套高易用性和稳定性的跨端（kun & web）UI组件库。 FishUI 的最大的技术创新点在于跨端，它通过跨端组件的形式对齐 kun 和 web 两个容器的体验标准，让使用者更加专注于业务逻辑而非容器差异，从而实现为业务开发提效的目标。围绕着该创新和目标，一些可预知的技术难题也随之出现，比如组件库的工程结构如何组织、分端构建如何做、开发规范是什么样等等，这些问题将在下文中一一得到解答。
在企业的商业活动中，订单是指交易双方的产品或服务交易意向。交易下单负责创建这个交易双方的产品或服务交易意向，有了这个意向后，买方可以付款，卖方可以发货。 在电商场景下，买卖双方没有面对面交易，许多情况下需要通过超时处理自动关闭订单，下面是一个订单的流程：
在Lazada各域推荐场景中，既有优质商品优质卖家不断涌现带来的机会，也有商品质量参差带来的问题。如何才能为用户提供更好的体验，对卖家变化行为进行正向激励呢？下面本文将为大家分享我们在与商品的演变成长性和商品的购买体验相关的三个环节中探索实践的经验。
大数据平台建设有其天生的复杂性，每一年都在推陈出新，从WareHouse、DataLake到LakeHouse，各种各样的Batch、Stream、MPP、Machine Learning、Neural Network计算引擎，对应解决的场景和组合的方式非常个性化，建设过程会遇到包括技术层面、组织层面、方法论层面种种问题，包括存储计算组件选型、离线实时湖仓架构方案设计以及场景化的性能分析，随着时间推进也会出现持续的组织管理、数据和平台运营、扩容、稳定性优化等问题，出现多个平台共存，存储和计算集群技术栈多样化以及数据分散等常态化问题，面临保留原架构还是推倒重来迁移到新的平台的困扰，有没有一套Architecture FrameWork能够屏蔽底层技术和开发细节，Data Fabric、Data Mesh似乎是为了解决这个问题而生，从技术和方法论的角度探讨如何影响大数据平台的建设、数据工程和架构持续演进。 本文重点聚焦在相对比较容易混淆的Data Fabric和Data Mesh这两个概念，尝试说明这两个概念要解决的问题、架构特征以及可行的技术栈，距离成熟还有哪些不足，以及围绕两个技术领域
架构的核心是管理复杂度，架构师的核心能力是抽象能力，什么是抽象能力？抽象能力就是一种化繁为简的能力。何为化繁为简？就是把一种复杂的事情变得简单的能力，比如通过打比喻让别人很容易听明白你说的意思就是一种抽象能力。如何锻炼抽象能力？我觉得有三种方法，第一种是用归纳法找共性，从多个问题中找到共同的问题提炼通用解决方案，去其糟粕取其精华。第二种通过演绎法找关系，从多个问题中找关系，把多个问题串成一个问题，系统化解决问题！第三种是通过归纳法找特性。化繁为简需要不断的思考，不断的看清一件事的本质，这个事的解决方案越容易。
