在日常研发中，AI 辅助代码审查（Code Review）已被广泛使用，但主流方案多仅依赖 Git Diff，只能看到修改片段，缺少类结构、方法依赖、跨文件调用关系等上下文，模型判断容易失真。跨模块返回值的空安全、多线程下的全局变量风险等细节，往往仍需人工反复核对。为解决这些落地问题，我们基于项目实践搭建了一套 AST（抽象语法树）驱动的方案，通过中间件调度补全完整上下文，为模型提供可追溯的结构化信息，从而稳步提升 AI Code Review 的准确性和可用性。
Feed 流（英文 “Feed” 原意为 “饲料”，引申为 “信息供给”）是基于用户关系、兴趣偏好或场景需求，以时间/算法排序为核心，持续向用户展示/推送结构化内容的动态信息展示形态。关注流就是用户关注的人或者账号（或发布源）所发布的feed内容按照时间顺序排列的流。实现关注流通常有三种方式：推模式（Push，又称写扩散）：当用户发布一条内容时，系统会立即将这条内容推送至所有关注者（粉丝）的关注流中；拉模式（Pull，又称读扩散）：当用户要查看自己的关注流时（或者用户收到红点或者数字气泡提醒时），系统实时地去拉取其所有关注对象的最新内容，然后时间倒序排序；推拉结合（Hybrid混合模式）：结合推拉两种模式，例如针对大V用户采用拉模式、普通用户采用推模式。还有其它的一些实现（优化）方式，如按粉丝活跃度进行部分推、非活跃用户延迟推、拉缓存（非实时）等等。本文主要对推模式的实现进行介绍。
从静态页面到模块化开发，前端工程化经历了怎样的演进？Webpack、Vite、Rspack 这些打包工具各自解决了什么问题，在实际项目中又该如何选择？
从 2010 年至今，Android 架构的迭代始终围绕“解耦、可维护、可测试”的核心目标，一步步从“代码堆砌”走向“规范化设计”。本文将通过 7 个阶段梳理这段进化史。
在我们的业务中，一个基于Vision Transformer (ViT)微调的色情图片分类模型扮演着关键角色。它在线下评估中表现出色，然而，当我们将它部署到生产环境提供在线推理服务时，真正的挑战才刚刚开始。 我们最初采用训练时的PyTorch框架 + Flask提供WEB服务的方案，但性能测试结果给我们敲响了警钟：单张图片的端到端平均延迟 53.64ms。令人困惑的是，GPU核心、显存等关键资源的利用率始终不高。在业务压力下，我们首先依靠增加服务副本、利用多进程并发的方法来支撑，这显然不是一个可扩展、高效率的长期解决方案。 那么，如何榨干GPU的每一分性能？本文将完整复盘我们的优化之旅，记录我们如何通过七个阶段的迭代，跟随性能瓶颈的不断转移，将单张图片的平均处理时间从 53.64ms 极致压缩到 8.34ms，最终实现了超过 6.4倍 的性能提升。
