本文通过depth-anything获取图片的深度图，同时基于pixi.js，通过着色器编程，实现了通过深度图驱动的伪3D效果。该方案支持鼠标/手势与手机陀螺仪双模式交互，在保证性能的同时，为不同终端用户提供沉浸式的视觉体验。
人人都在聊MCP，但人们口中的MCP往往只是一个拼凑而成的幻影。如今，各大厂商纷纷为它镀金包装，就像硅谷创投圈每隔几年就热炒一次的那个“改变世界”的万能工具。然而，当最初的狂热稍退，我们不得不面对更复杂的问题：MCP真的适用于所有场景吗？它是否被赋予了过高的期待？技术史上从不缺少“神话”，而真正的进步，往往始于祛魅之后的清醒认知。
随着B站业务的快速发展，用户规模和内容生态不断扩展，平台的技术架构也在不断演进。伴随着这一增长，服务器数量呈现出爆发式增长，支撑起了海量用户请求和复杂的业务场景。然而，随着机器规模的持续扩大，服务器故障管理面临的挑战也愈发严峻。人工处理效率低：传统的人工故障排查和修复方式难以应对如此庞大的服务器规模。工具链分散：由于硬件故障的多样性，不同硬件需要不同的工具，导致运维团队需要频繁切换工具，增加了排查的复杂性和时间成本。在这样的背景下，如何高效地进行服务器故障管理，成为保障平台稳定性和提升用户体验的关键课题。本文将详细介绍我们在服务器故障管理中的实践与探索。
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。
