2022年底，ChatGPT的横空出世让千行百业看到通用人工智能的拐点。随后，GPT-4系列在高质量文本生成、推理分析方面表现出卓越能力，LLaMA拓展广泛应用生态，Sora视频生成惊艳亮相，通用大模型 、尤其是 Transformer 架构能力的快速提升给大家不断带来惊喜。 然而尽管通用大模型能力出色且进步飞快，但在面对特定行业或领域的问题时，仍存在相当的局限性。在AGI（通用人工智能）目标实现之前，我们仍需探讨大模型近期的行业应用模式问题。构建行业大模型、领域大模型是现实的选择。如果说通用大模型是完成了通识教育的高中生，我们希望让它再学习一些特定领域的知识和技能，成为该领域的本科生甚至研究生，为解决领域问题提供更加专业的精准的帮助。面向城市，我们甚至希望，发挥机器比人脑碾压级的存储与计算优势，解决那些人脑无法解决的复杂系统问题。通过构建城市大模型，也许能帮助我们解决城市问题、助力城市发展、辅助规划决策、提升治理效能。
智能体是一种通用问题解决器，从软件工程的角度看来，智能体是一种基于大语言模型的，具备规划思考能力、记忆能力、使用工具函数的能力，能自主完成给定任务的计算机程序。 大模型拥有接受输入，分析推理，继而输出的能力。但其无法像人脑一样，具备规划思考能力、记忆能力、工具使用能力。这极大地限制了大模型的应用落地——有脑子，但不多。 随着 AI 技术的迅猛迭代，智能体技术也迎来了突破的契机，成为了补上大模型最后一块短板的关键技术。AI 从概念走向规模化落地，会不会就出现在智能体方向上？
《王者荣耀》是由腾讯游戏开发的一款运营在 Android、IOS 平台上的 MOBA 类手游，属于多人联机在线竞技类游戏，于2015年11月26日在 Android、IOS 平台上正式公测。上线以来受到广大手游玩家的热爱，目前该游戏在手游排行中处于 TOP 1 的位置。作为中国最火爆的手机游戏，“王者荣耀”，拥有亿级用户体量，千万级日活用户。 而如此庞大用户体量带来的，也是服务端的挑战。如在游戏中产生的海量消息和数据交互，好友上线通知、开始游戏、赠送金币以及核心之一的交易链路，服务端如何敏捷快速实现上述海量消息场景，并解耦业务组件，是系统架构设计的一个难题。
大语言模型很强大，就像人类的大脑一样拥有思考的能力。如果人类只有大脑，没有四肢，没有工具，是没办法与世界互动的。如果我们能给大模型配备上四肢和工具呢？大模型是不是就会打破次元壁，从数字世界走向现实世界，与现实世界实现梦幻联动呢？ 大语言模型（后文将用 LLM 指代）可以接受输入，可以分析&推理、可以输出文字\代码\媒体。然而，其无法像人类一样，拥有规划思考能力、运用各种工具与物理世界互动，以及拥有人类的记忆能力。 LLM：接受输入、思考、输出 人类：LLM（接受输入、思考、输出）+ 记忆 + 工具 + 规划 如果我们给 LLM 配备上：与物理世界互动的工具、记忆能力、规划思考能力。LLM 是否就可以像人类一样，能够自主思考并规划完成任务的过程，能检索记忆，能使用各种工具提高效率，最终完成某个任务。
5月25日，腾讯研究院联合赛迪研究院，在清华中国电子数据治理工程研究院、中国电子数据产业集团、北京国际大数据交易所、中国计算机行业协会大数据产业生态专委会等单位的参与支持下，在第七届数字中国建设峰会数据要素赋能新型工业化工作会上发布《数据要素赋能新质生产力--数据要素场景创新发展报告（2024）》。以下为报告摘要部分。
在上一篇《十年前的微信消息收发架构长啥样？》（点击标题可阅读）的文章中，有用户提到想了解自己每次微信红包只能抽中 0.01 元的反向手气最佳是怎么在技术上实现的，于是就有了本篇文章的诞生。 其实，微信红包最初在产品设计上有过很多思路，最初曾以多档次、按比例分配的方式，但最后大家试用下来发现还是随机才好玩。那种看到有人抢到 100 块，有人 0.01 元的快乐无以言喻。 最初的随机算法中，领取越早获得大额红包几率越高，为了避免抢红包变成一个拼手速的游戏，后来的随机算法也对随机范围区间进行了一定调整。 本文中，我们将介绍主流的红包算法，相信聪明的你一定能从中窥见微信红包技术实现的一些奥秘～
2016年，山西大学科学技术史研究所的厚宇德教授对杨振宁先生做了一个访谈。期间，杨先生比较系统地讲了自己对科学与哲学的关系的一些看法，他的观点是本文讨论人工智能与哲学关系的一个起点。 杨先生认为，在19世纪时，科学仍然被当作自然哲学，并被认为从哲学脱胎而来。即使到了19世纪末，马赫（Ernst Mach）等科学家依然认为物理学和哲学密不可分。而在相对论和量子力学建立之后，哲学对物理学的影响就变得越来越小，甚至量子力学的观念开始反过来影响哲学家对“何为实在”的理解。
曾看过很多并发模型相关的文章，但是这些文章大部分只讲了并发模型的实现原理，并没有给出具体的示例代码，看完总觉得对并发模型这个知识点是一知半解，不得要领。为了掌握高并发模型，我这里抛砖引玉，实现了20种常见的并发模型，并对每种并发模型进行了性能压测和分析。由于本人水平有限，文章中难免有一些不准确或者纰漏的地方，欢迎大家批评指正。
性能分析和优化是所有软件开发人员必备的技能，也是后台大佬们口中津津乐道的话题。 Golang 作为一门“现代化”的语言，原生就包含了强大的性能分析工具 pprof 和 trace。pprof 工具常用于分析资源的使用情况，可以采集程序运行时的多种不同类型的数据（例如 CPU 占用、内存消耗和协程数量等），并对数据进行分析聚合生成的报告。trace 工具则关注程序运行时的事件（例如协程状态切换，GC 的开始和结束、系统调用等等），常用于分析延迟、阻塞和调度等问题。掌握了这两个工具就足以满足大部分 Golang 程序的性能分析需求。 本文将从使用方法、原理和实践三个方面分别介绍 pprof 和 trace 工具。读完本文后，相信你也可以更全面地掌握 pprof 和 trace。废话少说，让我们开始！
