多年来，Istio 一直提供一种可选方案来部署 “Egress Gateway[1]”，这是一种功能强大的机制，可将出站流量经由一个 Gateway 统一转发，以便对其实施各类策略，包括授权、审计、可观测性等等。 尽管功能强大，但长期以来，设置 egress gateway 一直相当复杂。即便只是最基本的场景：将来自特定域名的流量通过 egress gateway 转发，都需要先后配置 5 个不同的 Istio 对象（参见 官方文档[2]），更不用说后续还要为流量添加各种高级策略了。 凭借 Istio 的 Ambient 模式与 Gloo Mesh，现在配置 egress gateway 的过程变得更加轻松，同时还能为网格中的流量提供更优的功能与管理。让我们在这篇博客中深入探讨一下。
本文围绕淘宝特价版的主动预警建设展开，详细阐述了在业务质量保障中主动预警的重要性及其具体实施策略。文章首先分析了预警范围，包括活动/资源位配置过期、权益类问题、开发常用配置平台、实验人群过期以及舆情类问题等五大类。接着，文章介绍了预警流程的设计，借鉴集团技术风险平台的风险预警机制，并结合自身业务实践，搭建了预警数据采集能力与规则制定体系。核心部分探讨了针对不同场景（如平台类配置、权益类、配置类、实验及舆情）的具体解决方案，解决了多数据源对接、动态识别新增预警等难点。最后，文章展望了后续计划，强调主动预警能力建设的持续优化与场景拓展，以进一步提升业务稳定性与用户体验。
作为面向AI计算的开源框架，Ray 已在深度学习训练、大规模推理服务、强化学习以及AI数据处理等领域构建了丰富而成熟的技术生态。基于Ray构建的上层AI框架（如RayData、RayTrain、RayServe、AReaL、OpenRLHF、veRL等）正在成为AI研发的关键工具，尤其在后训练时代的强化学习场景中，这些框架为复杂的任务提供了高效、可扩展的分布式执行环境。 在蚂蚁内部，我们基于业务实践，不断深化对Ray的应用和优化，积累了丰富的分布式系统建设经验。这些实践中沉淀的技术能力会推动Ray生态在实际场景中的应用深度和广度。我们激活的AntRay开源社区，会始终保持与官方Ray版本强同步（即AntRay会紧随Ray官方社区版本而发布），后续也会以系列文章形式同步蚂蚁推向开源的新特性。本文将首先重点介绍：Ray Flow Insight —— 让分布式系统调试不再"黑盒"。
在AI技术迅猛发展的今天，模型的开源与协作方式正以前所未有的速度演化。 随着模型体量的激增、功能模块的碎片化，以及对复用与定制化需求的增加，传统的模型发布与管理模式已经难以满足行业对效率与创新的双重追求。 正是在这样的背景下，MCP（Model Context Protocol，模型上下文协议）作为一个全新的开源协议框架被提出，它试图重塑模型开发、集成与协作的方式。 那么，MCP究竟能针对传统软件利用到何种程度，MCP的开源开发热潮，预计会在什么时候崛起，哪些具体应用中又能最快实现对MCP的应用?
随着ES在业务场景中的使用逐渐增多，平台对ES集群的稳定性、管理、运维的压力逐渐增大，通过日常的运维情况来看，发现用户对ES的了解熟悉程度参差不齐，经常性的遇到索引创建不规范，或者参考别人索引的创建脚本进行创建索引，对索引没有一个比较清晰的认知，对索引结构的规划也寥寥无几，为此，平台使用了一些列手段来帮助用户提前合理规划模板，比如索引、模板的创建接入飞书审批流，平台侧会逐一结合业务场景和ES集群情况详细沟通确定索引或者模板结构；又比如ES内核增加业务不停服的动态扩分片能力，旨在进行不合理索引的治理提升ES集群稳定性（索引一旦创建分片是不能修改的），我们内部改动ES源码实现了不停服动态扩分片。 因此有必要从ES的索引讲起，让大家对ES的索引从概念、原理到使用有一个清晰的认知，希望日常业务场景中用到ES的同学能够抽时间读一下。当然文章避免不了存在主观的分析，大家可以在文章底部进行评论或者私聊我们，一起探讨。好了废话不多说了，现在开始介绍。
当前vivo的应用监控产品Vtrace经常遇到用户反馈某个Trace链路信息没法给他们提供到实质的帮肋，对此团队一直在持续完善JavaAgent的采集。经过不断增加各类插件的支持，同时想方设法去补全链路信息，但一直还是无法让用户满意。面对这样的困境，需要改变思路，从用户角度思考，在产品中找灵感。同时产品重新思考在应用监控中一条完整的Trace应该展现给用户哪些信息？业界其它产品对Trace的监控可以观测到什么程度？带着这些问题，Vtrace通过全面的同类产品对比分析，结合vivo实际情况自研Profile采集，从而开启涅槃之路。
如何实践工程师文化带领出一群靠谱的程序员，并在不确定性的条件下争取成功，是过去几年我在持续思考的事情。团队的工程师文化能不能提升成功的确定性，一定要有吗，它来自哪里，又能带来什么？本文尝试解答这些问题，并期望通过更系统和全面的解剖，可以减少有极致追求的程序员们的纠结和内耗。
Kubernetes Scheduler 是控制面中的核心组件之一，负责决定每个 Pod 运行在哪个节点上。换句话说，所有使用 Kubernetes 的用户，其 Pod 的命运都掌握在调度器手中。 kube-scheduler-simulator[1] 是一个 Kubernetes 调度器的“模拟器”，最初是我（Kensei Nakada）在 Google Summer of Code 2021[2] 中启动的项目，后续得到了众多贡献者的支持。这个工具的目标是帮助用户深入观察调度器的行为和决策逻辑。 无论你是使用诸如 Pod 亲和性[3] 等调度约束的普通用户，还是开发自定义调度插件的调度器专家，这款模拟器都将成为你理解和测试调度策略的重要助手。
实时数据仓库是近年来数据技术领域内的一大发展潮流。构建一个能够实现高吞吐量写入与更新、端到端全链路实时处理以及低延迟、高并发的实时数据仓库，一直是众多企业面临的重大挑战。随着B站游戏业务的快速发展，对数据的实时应用需求也日益增加。单点式实时指标计算模式已难以支撑日益复杂的实时业务需求，因此，构建一个稳定、高效的实时数据仓库变得迫在眉睫。
MCP协议通过标准化接口实现AI模型与外部工具的无缝连接，而Serverless架构提供弹性计算资源，两者结合可解决AI代理的动态资源需求。例如，企业内大量AI智能体（如千人规模）的实时调度，可通过Serverless函数动态部署MCP服务器，按需扩展计算能力。这种模式尤其适用于低频但需快速响应的场景（如临时视频处理、数据查询），避免传统软件采购的高昂成本。同时在 Serverless 环境中，每个函数执行都有独立的执行环境，这种隔离性确保了不同 AI 代理之间的安全性。通过精细的权限控制和资源访问管理，可以有效防止数据泄露和未经授权的访问，增强系统的安全性。
