大模型（LLM）相关理论研究与工程实践随着 GPT3 的发布，在学术界、工业界大爆发，备受各行各业关注，并涌现出一些赋能行业、促进生产力、生产关系变革的实践。GPT3 [1] 以及斯坦福计算机学院近 100+ 教授联名论文 [2] 将大模型列为第三轮 AI 浪潮，相对于传统的机器学习与深度学习，以 GPT3 为例的大模型涌现出处理各类任务的新范式：zero-shot、few-shot、in-context 等，同时也支持深度学习领域的 finetune，新范式让大模型能够低成本、快速处理各种任务，极大的缩短了数据准备与工程开发流程。 其中，in-context 作为随着大模型涌现的范式，被大规模的应用到各种知识库问答、资料汇总等领域中，开源社区对 in-context 也非常活跃地响应，推出了 langchain [3]、向量数据库 [4] 等系列优秀框架与技术基座。但是，基于 langchain + 开源大模型在实践过程中也会遇到系列不尽人意的问题，本文将深入剖析 langchain + 开源大模型用于搭建基于公司语料库（iwiki、oncall、码客）上的缺陷，剖析利用开源方案进
在软件行业，对于什么是架构，都有很多的争论，每个人都有自己的理解。在不同的书籍上, 不同的作者, 对于架构的定义也不统一、角度不同、定义不同。此君说的架构和彼君理解的架构未必是一回事。 因此我们在讨论架构之前，先讨论架构的概念定义, 因为概念是人认识这个世界的基础和用来沟通的手段，如果对架构概念理解不一样，那沟通起来自然不顺畅。 今天的系列图就跟大家分享鹅厂工程师关于架构设计的理解与总结。
最近，腾讯发布了自主研发的大型语言模型：混元大模型。该大模型具备多轮对话能力、内容创作能力、逻辑推理能力、搜索增强和知识图谱等特点。除了对于人类自然语言的理解，混元大模型对于计算机编程语言同样可以进行分析和和生成。今天我就来用一个很常见的 Python 开发需求：对一组数据进行采集、整理、可视化分析，来演示下混元大模型在编程辅助开发上所能提供的帮助。
软件开发中遇到异常才是正常，很少有人能写出完美的程序跑在任何机器上都不会报错。但极为正常的软件异常，却经常出自不同的原因，导致不同的结果。怎么样科学地认识异常、处理异常，是很多研发同学需要解决的问题。本文作者根据自己多年的工作经验，撰写了《异常思辨录》系列专栏，希望能体系化地帮助到大家。本文为系列第一篇，本篇文章将主要聚焦异常处理的几种方式展开，欢迎阅读。
前端框架的复杂度最近一段时间频频遭到质疑，引发了一些吐槽，甚至有一篇文章提到：『前端所有主流的框架，都是在自欺欺人』。本文主要是向前端的初学者介绍前端框架的发展历程及设计思想，比如为何要引入这样那样的“复杂度”？这样『设计』有什么好处？是为了解决什么问题？了解其背后的原因，我们或许就不会那么多抱怨了。
TQUIC 的目标是打造一个稳定、快速、高性能并具有广泛技术影响力的传输协议库。具体来说，TQUIC 具有快传输、高性能、高质量等特性优势，并支持多种类拥塞控制算法，包括 BBRv3、BBRv1、COPA、CUBIC 等，传输速度和公平性均表现优异，适用于不同网络环境。此外，TQUIC 还支持多路径，在弱网和跨网场景下保障业务体验平滑过渡。值得一提的是，TQUIC 是基于 RUST 语言开发的 QUIC 协议库，保证在提升内存安全性的同时，单机转发性能也非常良好。
