本文首先以淘天电商交易订单表线上一条非典型慢 SQL 的深入剖析为切入点，示范如何系统地分析与排查慢 SQL；接着详尽归纳了索引分类、B+Tree 与 B‑Tree 的结构差异、B+Tree 高度估算方法、EXPLAIN 与 Query Profile 等诊断工具的使用，以及索引下推与排序的执行流程等索引优化理论；最后结合日常实践经验，提出了适用于大规模线上集群的索引变更 SOP，并总结了常见的慢 SQL 成因与相应的解决策略。
近期，得物社区活动「用篮球认识我」推出 “用户上传图片生成专属球星卡” 核心玩法。 初期规划由服务端基于 PAG 技术合成，为了让用户可以更自由的定制专属球星卡，经多端评估后确定：由 H5 端承接 “图片交互调整 - 球星卡生成” 核心链路，支持用户单指拖拽、双指缩放 / 旋转人像，待调整至理想位置后触发合成。而 PAG 作为腾讯自研开源的动效工作流解决方案，凭借跨平台渲染一致性、图层实时编辑、轻量化文件性能，能精准匹配需求，成为本次核心技术选型。 鉴于 H5 端需落地该核心链路，且流程涉及 PAG 技术应用，首先需对 PAG 技术进行深入了解，为后续开发与适配奠定基础。
时光奔流，我们即将与 2025 年挥手作别。感谢这一路上，每一位伙伴的并肩前行与坚定支持。今年，美团技术团队在持续深耕中涌现出不少值得分享的实践与开源产品&服务。我们从中精选了18篇具有代表性的技术文章，内容涵盖大模型开源、研发技能、产品服务三大方向。值得一提的是，美团 LongCat 团队今年在大模型开源领域成果显著，陆续发布了涵盖基座模型、图像、视频、语音等多个方向的开源产品与工具，期望能够持续推动AI技术分享与生态共建。希望这些开源的大模型产品、服务及凝结一线技术实战经验的内容，能为大家带来启发和帮助，陪伴同学们在技术前行的道路上扎实成长。愿我们在新年里，继续向下扎根、向上生长，迎着光，奔赴更高、更远的山海。当然，跟以往一样，文末依然准备了一份小心意，期待你的参与。2026，期待继续同行！
在大模型满天飞的今天，我们是甘心做一个只会调用 OpenAI.chat.completions 的 API 搬运工，还是想真正弄懂那个黑盒子里到底发生了什么？本文将用最朴素的代码，完整的实现一个小型LLM。当你亲手写出 Attention 层的矩阵乘法，亲眼看到模型从输出乱码到学会说话，你会发现：大模型，其实也没那么可怕。
知识库作为IMA的核心功能，合理的架构设计是业务发展的重中之重。本文会分享IMA知识库从0到 1的架构设计，围绕可拓展性、可用性、安全性等方面，分享在构建系统的过程遇到的困难和我们的解决思路。
本文介绍了AI辅助前端动画开发的实践方案与技术思路，核心围绕解决传统动画开发中“参数难获取、沟通成本高、反复返工”等痛点展开。作者以 After Effects（AE）为动效源头，构建了一套基于 MCP（Model Context Protocol）工具链 + Cursor AI IDE 的协作工作流，强调“L3级自动驾驶”——即AI生成关键步骤，但保留开发者随时介入、校验与调整的灵活性。
D是我们团队的服务端应用，其代码库历史悠久，最早可以追溯到淘宝APP无线端迁移，应用中许多代码已无线上流量，但代码并未随业务的下线被清理。越来越多的代码“沉淀”下来，既增加了团队新人学习门槛，也增加日常开发维护成本。但实际做代码下线并非容易，仅凭业务逻辑决策代码清理费时费力，还容易误删在使用的业务代码，因此非常需要工具来辅助做代码的清理，这就是基于代码执行染色和覆盖分析做代码下线方案的背景。代码执行染色&执行覆盖率分析，使用JVM agent的扩展能力实现代码的插桩和在线染色，再通过解析采样的数据可得到代码的执行情况，清理代码就“有理有据”；仅靠原始分析出的数据清理依然低效，为此我们将数据采集、覆盖率可视化通过IDEA插件集成，实现清理无效代码过程又准又快。
近一年，围绕大模型的 Agent 方案呈现井喷态势。从自动化流程、开发辅助，到复杂任务编排，Agent 几乎成为所有 AI 应用的默认形态。 但在实践中，许多系统很快遇到一个共同问题：任务流程越来越复杂，模型的行为却难以预测，失败原因也难以定位。 要理解这一现象，视角需要下沉到 Agent 的底层执行方式。在大多数 Agent 系统中，模型并不是持续自主地完成任务，而是通过一系列推理、行动和反馈来推进流程。 ReAct 范式正是对这一执行过程的抽象总结。它为 Agent 提供了一种清晰、可控的工作链路，使复杂任务能够以结构化的方式逐步完成。 本文将围绕 ReAct 展开，解析其原理、架构设计、适用场景，并结合代码示例说明它在 Agent 系统中的具体实现方式。
