淘宝闪购爆品团业务排序模型过去很长一段时间更像是在“堆模块”：遇到一个问题，就补一个结构。短期看，这种方式能持续拿收益，但当模型越做越大，结构碎片化、计算不够稠密、调参成本高等问题会越来越明显。这次爆品团排序模型升级，核心不是再增加一个局部模块，而是把主干从传统 DLRM 架构切到 Token-Based 的 RankMixer 架构。围绕这条主线，我们系统做了负采样、多任务学习、序列建模、Tokenization、FFN、MoE 和 Task Tower 等结构消融。多期迭代后，模型规模从 85M 扩展到 107M，再到 243M，并在爆品团频道页取得了稳定线上收益。
在 ChatGPT 刚出现的时候，它聊起天来似乎无所不知，但一旦你问它：“明天的天气怎么样”，它会告诉你：它无法获得当前最新的信息。它很聪明，却像一个瞎子——你只能让它写写诗、和它聊聊天；想让它做实际的事，它却看不见，动不了。 而在几年后的今天，它已在我们工作的角角落落下场干活！它不再仅是聊天工具，而是真正帮我们解决实际问题。 它如何长出了眼睛和手脚？核心靠的是：Agent（智能体） 和 Skill（技能）。
当客户不再只是人类，当竞争的不再只是流量和注意力，当越来越多的商业流程实现“Human not in the loop”，那些互联网时代习以为常的经验，或许都需要重新学习，甚至主动遗忘。本文中，杨斌教授提出“To A ”这一概念，试图为AI次方时代正在到来的商业新场域，提供一种新的观察框架与思考起点。
本文是 DECO（一个跑在生产上的数仓 Agent 引擎）实践系列之一，聚焦护栏层：怎么用 Agent 框架的 Hook 切面，把 LLM 处理长文本时的"偷懒"（截断、略写、残缺）、对生产环境的"越权"（未确认发布、回刷）以及上下文传递中的"失忆"（改了表不查风险、产出了物不知汇报），在代码层确定性兜底——prompt 管不住的，框架来堵。DECO 作为腾讯一站式数据工程 Agent 智能协作平台，以业务数仓知识库为基础，致力于解决从需求到数据交付全过程，主要聚焦于数据问询、开发、同步、分析、运维五大环节。希望帮助更多同学更轻松地获取数据、理解数据、应用数据，助力数据平权。
Agent 正在把 AI 从"回答问题"推向"完成任务"，存储也随之从"提供容量、承载文件"的资源层，升级为贯穿 Agent 运行、协作与持续优化的关键底座。火山引擎存储团队以 Storage Agent Infra 为载体，围绕 Sandbox Store、Artifact Store、Agent 观测 & 评测三大能力方向，重新组织存储能力，支撑 Agent 时代的真实业务。
在不手写一行代码的情况下，用自然语言指挥 BlueCode AI 编程助手，在 2 个工作日内完成了一个 4 年历史、2 万行 Vue 项目的全面重构——157+ 个文件变更、108 个单元测试从零建立、包体积下降 30%、Element Plus 完全移除。文章的核心观点是：AI 辅助开发的关键不在 AI 本身的能力，而在于人为 AI 建立的约束体系——通过 Skills 技能包注入领域知识、AGENTS.md 沉淀项目规范、飞轮效应让错误只犯一次，将模糊目标转化为 AI 可精确执行的高质量指令，从提出需求到代码合入，甚至本篇分享也是AI生成。
本文会介绍如何把本地 CodeBuddy/Cursor 这类 Agent 接入在线应用，重点拆解从裸 LLM API、自建 Agent、Spawn CLI 到 ACP + MCP 的方案取舍，以及最终如何通过 Local Agent Proxy、Session Sandbox 和 Browser Tool Bridge 让 Agent 安全修改在线业务状态，或许能为有类似 Agent 嵌入需求的团队提供一些参考。
本文提出 AI Native 能力成熟度模型(AINMM)，为软件工程组织提供AI原生研发能力的评估与提升框架。AINMM 借鉴 CMMI 思想，定义了五个成熟度等级(ML1-ML5)：从 ML1 “AI 认识项目”到 ML5 “组织级自进化”，围绕五大过程域(上下文工程、能力封装、验证回路、协作契约、自进化)构建。模型针对存量工程转型痛点，提供可测量、可比较、可指导的渐进式路径，避免“big bang”式重构。配套 AI Native Evolution Kit 工具支持自动化评估与演进。通过挽单系统实践验证，该框架能准确定位团队 AI 能力短板，指导从“AI 辅助”向“全链路 AI 驱动”的系统性转型，助力实现十倍级效率跃迁。AINMM 不是银弹，而是随实践持续进化的工程指南。
