在大模型驱动的智能应用时代，AI 生成内容的规模与复杂度持续攀升。无论是对话助手、智能体服务，还是客服系统与知识问答，Markdown 已成为连接 AI 与用户界面的关键桥梁，让信息表达更清晰、更结构化。然而，在移动端原生开发中，想要实现高效、流畅的实时 Markdown 渲染并同时兼顾流式增量输出与灵活样式定制，仍是一项棘手的技术挑战。为此，支付宝终端技术团队推出并开源了 FluidMarkdown —— 一款专为智能化业务场景打造的移动端原生 Markdown 渲染引擎，它能够轻松应对大模型的逐字输出，并为开发者提供高度可定制的交互与视觉表现，助力构建新一代智能应用体验。
随着大模型在Coding领域的表现越来越好，AI Agent技术从提示词+ Rag 迈向上下文工程，使得AI Coding高度自治成为了可能。本文将结合技术流程方案和项目实践落地案例，介绍携程机票在代码转译/迁移场景上的AI Coding助手 - Transpiler。
不同于传统软件开发通过编程与算法构建的确定性逻辑，AI 时代的应用构建以面对自然语言编程、上下文工程为核心特征，将复杂业务逻辑与决策过程下沉至模型推理环节，从而实现业务的智能化自适应。然而，AI 应用开发过程中仍面临诸多挑战，例如开发阶段强依赖模型黑盒特性，导致结果可控性不足、幻觉问题频发，从原型验证（PoC）到生产部署往往需要数月调优，核心痛点集中在调试效率与业务适配；上线后则面临推理延迟、稳定性波动、问题排查困难、安全风险凸显、输出不可靠及成本过高等问题，折射出企业级 AI 应用在稳定性、性能、安全与成本控制上的系统性挑战。
在过去几年里，我更换AI编程工具的频率，几乎赶上了前端框架的迭代速度。 一开始，我像许多人一样，让GPT帮我写一个孤立的函数，感觉很神奇。后来，GitHub Copilot成了我的标配，它总能猜到我接下来要写的几行代码，尤其是在写那些重复的样板文件时。再之后，Cursor出现了，它将对话和编码更紧密地集成在编辑器里，我开始尝试让它帮我完成更复杂的任务。
支付宝体验技术部正式对外开源智能编程助手 Neovate Code，能够深度理解你的代码库，遵循既有编码习惯，并在上下文感知的基础上，精准地完成功能实现、Bug 修复和代码重构。它集成了 Code Agent 所需的核心能力。
本文主要介绍了大模型时代下，如何通过 LoRA（Low-Rank Adaptation）这一参数高效微调技术，实现对大模型的轻量级定制。文章从微调的基本概念出发，详细阐述了 LoRA 的原理、优势与局限性，并结合本地原生实现（Transformers + PEFT）和百炼平台两种方式，展示了在小样本、低资源场景下的实战流程。结果表明，LoRA 能以极低的计算成本让通用大模型有效学习业务知识，显著提升其在特定任务中的表现，真正实现“让大模型懂业务”，推动 AI 从“可用”走向“好用”。
本文主要介绍基于流批一体建设的Feed实时数仓在业务高速发展和降本增效的大环境下，所面临的问题和挑战，以及对应的解决方案。文章分为四个部分，首先介绍下旧的Feed实时数仓的整体架构设计；然后介绍随着业务的不断发展，旧的架构所面临的问题；第三部分是文章的重点，着重介绍重构升级后的Feed实时数仓架构设计，以及在重构升级过程中所遇到的关键性问题和解决方案；第四部分是总结和规划，Feed实时数仓重构升级后，带来了什么样的收益和业务效果，以及对实时数仓未来发展的一个思路探讨。
为什么进行源码角度的深度解析？ 大家在项目中到处都在使用线程池做一些性能接口层次的优化，原先串行的多个远程调用，因为rt过高，通过线程池批量异步优化，从而降低rt。还有像RocketMQ中broker启动时，同时通过ScheduledThreadPoolExecutor线程池执行其他组件的定时任务，每隔一段时间处理相关的任务。线程池广泛的应用在外面各种实际开发场景中，我们很多同学可能在项目里只是简单的copy了一些前人的代码参数并不知道其中的含义，从而导致生产级别的bug。所以本篇文章，旨在帮助还不熟悉或者想要熟悉线程池的同学，分享我自己在学习线程池源码上的一些内容来更简单、快速的掌握线程池。
vivo 浏览器为应对多场景金币激励需求及旧架构流量、IO等痛点，升级福利中心架构。服务层面拆分流量与业务，打造金币集散中心；数据层面分库分表、拆解大表并优化流水设计；通过仲裁系统和软事务保障数据一致性。改造后，系统可支撑千万级DAU，性能稳定提升，物理存储成本降低，解决了流量与存储压力，成为高可用可复制架构，且将持续迭代保持竞争力。
