我于 2023 年 12 月负责前端构建持久化缓存服务的设计与开发工作，并先后于 2024 年 3 月，12 月上线编译缓存和依赖缓存服务，如今距离服务上线已 1 年有余，我觉得现在是一个很好的时机和各位读者分享我在复盘这个项目时的一些经验和反思，希望对大家有所帮助，也欢迎各位的反馈和建议。
本文系统介绍了MCP协议在大模型交互标准化中的创新应用，通过技术解析+实践案例的方式，阐述了MCP协议的架构设计、开发实现原理及实际应用效果。重点探讨了MCP如何解决AI工具调用碎片化问题，并通过企业微信机器人开发实例展示MCP服务端/客户端开发全流程，干货满满点赞收藏！
随着AI技术的飞速发展，2024年至2025年间，AI研发工具已成为软件开发领域的重要组成部分。本文从个人视角出发，从产品功能、使用体验、优劣势、收费模式及开源情况等多个维度，对当前主流的AI研发工具进行了全面对比分析。文章主要分为四大类：云端开发工具（如v0.dev、bolt.new、Lovable）、AI原生代码编辑器（如Cursor、Windsurf、Trae）、IDE插件（如GitHub Copilot、Cline、通义灵码）以及底层编码大模型（如Claude Sonet、Deepseek V3/R1）。通过横向对比，帮助开发者快速了解各类工具的特点与适用场景，为选择合适的研发工具提供参考。 此外，文章还探讨了AI研发工具未来的发展趋势，包括云端协同、全链路覆盖、多模态能力等方向，并指出当前AI出码的主要瓶颈在于长文本理解、图像识别及模型调用成本。尽管目前部分工具仍存在不足，但正如工业革命中蒸汽机取代手工锻打一样，AI研发工具正逐步改变传统开发流程，推动行业迈向更高效率的时代。
作为非算法同学，最近被Cursor、DeepSeek搞的有点焦虑，同时也非常好奇这里的原理，所以花了大量业余时间自学了Transformer并做了完整的工程实践。希望自己心得和理解可以帮到大家~
DGraph是得物自主研发的新一代推荐系统核心引擎，基于C++语言构建，自2021年启动以来，经过持续迭代已全面支撑得物社区内容分发、电商交易等核心业务的推荐场景。DGraph在推荐链路中主要承担数据海选和粗排序功能，为上层精排提供高质量候选集。
在离线混部可以提高整体的资源利用率，不过离线Spark任务部署到混部容器集群需要做一定的改造，本文将从在离线混部中的离线任务的角度，讲述离线任务是如何进行容器化、平台上的离线任务如何平滑地提交到混部集群、离线任务在混部集群中如何调度的完整实现以及过程中的问题解决。
2020年一月，36氪发表了一篇10万+阅读的技术文章《中台，我信了你的邪》。有幸作为文章中唯一正面主角露脸，因为通篇文章，貌似只有百果园自认为中台实施是成功的。五年过后，中台仍然是各持一说，甚至中台的“鼓吹者”也在23年传出“去中台”的说法。 作为严谨的技术人员，我们当然不能人云亦云，事物本身就是一体两面，我们今天做一个复盘，在复盘的过程中，自己学到了知识，以后的工作能够更好开展，才是本文的核心。
本文介绍了企业如何利用MCP（Model Context Protocol）实现AI应用架构的新范式转型。
OpenAI 官宣全面支持MCP协议，至此MCP已得到业界广泛的认可。正逐步成为AI应用架构的基础协议。做为AI应用架构的USB-C,MCP原理是怎样的？对实际业务又有何影响呢？本文以MCP原理解读及业务实践为切入点，探索AI应用架构在业务领域落地的路径。
