谷歌在MCP协议快速发展之际推出A2A协议，定位为智能体Agent间的协调协议。本文通过具体的案例介绍了MCP和A2A的细节，通过同一案例在MCP与A2A两种模式下的实现差异，认为A2A模式下的 Agent 能够通过与大模型深度交互，交付更具价值的功能特性，从而更有效地吸引开发者群体。此外，A2A架构赋予每个 Agent 自主选择底层大模型的权利，这一开放性设计也将进一步吸引大模型供应商参与生态构建。 与行业普遍认为两种协议具有互补性的共识不同，笔者认为MCP和A2A协同发展仍面临显著挑战。文中还列举了 K8s 与Docker 的历史协同案例作为类比，将技术演进的想象空间留给读者。 限于笔者水平，本文部分观点可能存在错误，恳请大家不吝赐教。 注：作者4.18整理发布于内部系统，文中观点仅代表个人看法。
刚刚，Qwen3正式发布并全部开源8款「混合推理模型」。 此次开源包括两款MoE模型：Qwen3-235B-A22B（2350多亿总参数、 220多亿激活参），以及Qwen3-30B-A3B（300亿总参数、30亿激活参数）；以及六个Dense模型：Qwen3-32B、Qwen3-14B、Qwen3-8B、Qwen3-4B、Qwen3-1.7B和Qwen3-0.6B。
2024年底，B站的研发团队悄悄开启了一个代号CNY的神秘项目，原来是B站会在除夕当天转播央视春晚。因为是一项非常大的直播活动，且预期会有大量的新用户进来，产品和研发都想在这个项目上大展拳脚，希望给到新老用户一些新奇的直播玩法和更好的直播体验。结合B站已有的直播基础能力，以及产品的需求功能， 其中涉及流媒体技术的部分主要分为以下两大类。首先是体验提升：分为画质提升和降低延时及卡顿两个部分，其中画质提升包括提供HDR清晰度和更高的视频观看质量。然后是玩法创新：今年春晚涉及到流媒体技术核心玩法是结合B站的弹幕特色，“送弹幕上春晚”。以下会详细介绍我们是如何实现这些功能，遇到了哪些问题，都是如何解决的。
Kuikly 是腾讯广泛使用的跨端开发框架，基于 Kotlin Multiplatform 技术构建，为开发者了提供技术栈更统一的跨端开发体验。已在 QQ、腾讯新闻、QQ 音乐、搜狗输入法、QQ 浏览器等业务中广泛使用，显著提升了多端开发效率。近期 Kuikly 已在 GitHub 开源。那么，Kuikly 相对其他框架优势是什么？它的核心设计理念和技术原理是什么？现在，让我们一起探索 Kuikly 的奥秘。
腾讯云 TDMQ RocketMQ 版是基于 Apache RocketMQ 打造的满足金融级高可靠的在线业务消息队列产品，凭借其高可用、高可靠等特性，被广泛应用于金融、电商，社交等高并发场景，获得了各行各业用户的广泛认可。在实际使用中， 订阅关系不一致是开发者经常容易遇到的一个问题，可能会导致消息消费异常、消息丢失等现象。 本文将深入解析订阅关系一致性的核心要点，从定义与约束机制，到底层实现原理与优化实践，再结合真实案例分享 TDMQ RocketMQ 版针对订阅关系不一致问题的解决方案，帮助开发者快速定位问题根源，构建稳定可靠的消息系统。
MCP（Model Context Protocol）协议是一个用于 AI 模型和工具之间通信的标准协议。随着 AI 应用变得越来越复杂并被广泛部署，原有的通信机制面临着一系列挑战。近期 MCP 仓库的 PR #206 [1]引入了一个全新的 Streamable HTTP 传输层替代原有的 HTTP+SSE 传输层。两个协议简单对比如下：HTTP+SSE：客户端通过HTTP POST发送请求，服务器通过单独的SSE（Server-Sent Events）端点推送响应，需要维护两个独立连接。Streamable HTTP：统一使用单一HTTP端点处理请求和响应，服务器可根据需要选择返回标准HTTP响应或启用SSE流式传输。本文将详细分析该Streamable HTTP的技术细节和实际优势。
性能优化是降本增效路上必不可少的手段之一，在合适的时机采用合理的手段进行性能优化，一方面可以实现系统性能提升的目标，另一方面也可以借机对腐化的代码进行清理。在程序员的面试环节中，性能优化的问题也几乎是必考题。 然而性能优化并非一锤子买卖，需要一直监控，一直优化。过早的优化、过度的优化，以及优化 ROI 都是程序员们在工作中需要评估的关键点。本文作者总结了日常工作中常见的性能优化问题，围绕数据结构展开推荐了常见的几种性能优化方案——既有提升 3 倍性能的优化技巧，也有扛住26 亿/s API 调用量的健壮方案。文末还推荐了三款好用的性能测试工具，值得点赞收藏！
在生成式 AI 模型规模突破万亿参数的今天，推理效率与成本已成为企业落地的核心瓶颈。NVIDIA 最新开源了分布式推理框架 Dynamo，并称它为“AI 工厂的超级操作系统”。在上一期文章中，我们提到了如何在 TKE 上使用 NVIDIA Dynamo 部署 PD 分离的大模型推理服务，介绍了 Dynamo PD 分离的原理，还举例展示了分离后推理性能的提升。本文则将通过进一步的实测数据与技术解析，带读者一探 Dynamo 的真实实力，同时也将借助真实的部署案例和详细的压测数据为读者的大模型部署方案提供参考。
本文主要分享在过去的春节主互动中前端的一些实践，主要涵盖在复杂项目中的前端项目架构设计、数据管理、动画渲染、性能优化、高并发优化、异常容灾、研发流程协同等各个方面。
