在需求迭代开发过程中，有测试团队的小伙伴反馈在 RN 页面 偶尔会出现 crash，且堆栈只有一行，指向了MMKV，看完之后一头雾水，为什么 RN 页面会出现 MMKV的 crash，而且堆栈为什么只有一行，其实这些都和 unwind 有直接和间接的关系。就此问题而言，虽然 crash 平台的堆栈只有一行，但是通过抓取到的墓碑文件，可以看到此问题和 __gxx_personality_v0 相关。自 RN 升级到 0.72.5 版本之后，已经是第三次出现和 __gxx_personality_v0 相关的 crash。 为什么 crash 堆栈只有一行？为什么 RN 的 crash 会指向MMKV？让我们带着这些疑问来详细了解一下unwind。
随着大模型技术的发展，“智能体（Agent）”成了新的热点。但对一线开发者来说，也带来了不少实际的困惑：我们用LangChain、Dify等工具搭建的应用，到底算是一个固定的“工作流”，还是一个能自主决策的“智能体”？在项目中，是该追求流程可控，还是该放手让AI自由发挥？当一个Agent的能力遇到瓶颈，处理不了复杂任务时，我们又该怎么办？本文从开发者的角度出发，把这些问题一一讲清楚。文章会系统地梳理Agent的核心定义，探讨几种主流的实现模式，并解释为什么从单个Agent发展到多智能体协作（MAS）是解决复杂问题的必然趋势。最后，我们将介绍一个强大的Java多智能体框架——LangGraph4j，通过实际代码实现一个Supervisor（主管）模式的多智能体系统。希望对Agent开发初学者有所帮助。
在上一篇文章《微服务是毒瘤吗？》中，我们强调了架构设计和发展需要适应业务的需求和变化。这篇文章就是一个非常好的架构随业务、时间变迁而重构的观察对象，可以帮助大家搞清楚什么情况下平迁，什么情况下重建。 作者团队通过一次为期 24 个月的重构战役，最终实现了这些业务收益： 可用性从不足 99% 到 99.99%；核心链路响应时间下降 50%；代码仓库从 200+合并成一个大仓，代码行数从 300 万行精简到 30 万行；推荐中台成本下降 58%，Redis 成本下降 70%，亿次 PV 成本下降 95%。
在探索 LLM 应用的过程中，LLM作为 Agent 的"大脑"有着无限可能。其中，"代码编写"已经成为了少数几个成功大规模落地的场景之一，这让我们不禁想到：既然 LLM 可以写出高质量的代码，为什么不能让它更进一步，编写并运行代码来控制 Agent 自身的行为呢？这样运行逻辑，就不简简单单的是“下一个”这么简单，而是让Agent拥有分支、循环等各种复杂逻辑。这个想法虽然听起来有点魔幻，但仔细想想确实是可行的。在这篇文章中，我想和大家分享我们是如何一步步构建这样一个能够"自我编程"的 Agent 的历程。我们的目标是将Agent模式，打造成一个“师弟”，一个真正能在内部的DevOps系统中，能帮得上忙的AI助手。
本文用于验证 Spring AI 与 Google ADK 集成的可能性，为未来的正式版本提供实践经验和架构参考。核心收获在于验证了分层设计的可行性：Spring AI 处理 AI 服务抽象，ADK 管理智能体生命周期，两者通过标准接口实现实验性衔接。需要注意的是，Google ADK 的 Spring AI 支持确实处于早期 SNAPSHOT 阶段，API 可能存在变更风险，但整体架构设计已经展现了良好的技术融合潜力。
推荐系统作为互联网时代连接用户与信息的核心技术，正在经历从传统协同过滤向多模态智能推荐的重要变革。随着深度学习技术的快速发展，特别是大语言模型和多模态预训练技术的成熟，推荐系统开始从单纯依赖用户行为ID特征转向充分利用商品图像、文本描述等丰富内容信息的新范式。笔者有幸于24年下半年和25年初深度参与了饿了么首页店铺推荐场景的多模态推荐系统设计与实现，以及生成式ranking前期技术方案的探索实践。在此过程中，在多模态推荐技术发展脉络、实践挑战以及生成式推荐技术方法探索等方面收获颇丰。趁着25年上半年总结的机会，希望将这些学习路径、技术探索过程、思考感悟以及实践经验进行系统性的完整回顾，整理成文作为学习笔记与大家分享交流。
借助 Aone Copilot Agent，通过精心设计的 prompt 指导 AI 进行测试用例的自动化生成和代码修改。从实践来看，AI 代码采纳率约 50%，要获得更好效果需要持续优化 prompt 质量。
