本文介绍在C3级代码仓库中落地LLM代码评审的Agent实践。针对C3仓库禁用闭源模型的安全要求，基于Qwen3-Coder、RAG、Iflow实现，通过百炼Embedding构建知识索引，RAG知识库与生产代码同仓管理，文档与代码共生命周期保障一致性，AI辅助人工代码评审。在CI流水线监听代码修改自动触发AI评审，LLM进行代码解释、逻辑分析和识别并发缺陷、资源泄漏、边界错误、性能瓶颈及规范问题。以块存储C/C++百万行大库为例，已累计执行上千次评审，并部署至存储统一代码门禁平台，支持平台接入所有仓库。 实践表明，AI可有效发现传统CR易忽略的逻辑风险，已数十次成功拦截高危缺陷，显著提升评审效率与质量。当前持续优化准确性、误报率、采纳率，增强上下文感知，探索修复建议生成。该实践可复用于各类代码门禁平台或AI辅助编程工具。
传统的巡检系统都是基于固定阈值来判定指标是否异常，一般为了防止产生过多的指标异常信息，这种阈值设置的都偏高。虽然这种方式也能发现异常，但是场景过于单一，无法感知指标的动态变化，例如在业务逐渐进入高峰期时，数据库的QPS、负载或者数据体量也都是逐渐升高的，等达到日常的异常阈值再处理，时间上会比较紧张，而如果能提前发现数据库核心指标的变化以及变化幅度，那DBA就能提前介入分析和处理，也减小了因为负载过高或者容量紧张带来的业务异常的可能性。
本文介绍了一种面向天猫行业中后台前端研发的AI智能体（Agent）系统设计，旨在通过垂直化、多智能体协同和以需求为中心的架构，实现从产品需求文档（PRD）到代码交付的自动化研发流程。文章分析了当前AI辅助编码的提效瓶颈，提出将AI介入点前移至需求阶段，并构建了包含需求分析、任务拆解、代码生成与部署等子Agent的Multi-Agent体系。系统结合ReAct模式与“人在环路”机制保障准确性，采用本地化MCP服务和GraphRAG知识图谱提升安全性和上下文理解能力，同时引入视觉优先的多模态UI测试框架。最终目标是让开发者从重复性工作中解放，专注于高价值创新，推动研发模式由“工具辅助”向“需求驱动”的范式变革。
Apex以vscode插件为主要载体，接入SSO认证、打通CursorRules知识库、Webview远程UI、实现无感安装MCP、创建智能体、使用智能体等能力，帮助实现提示词撰写效率的提升，降低了使用过程的费力度。通过知识库、智能体等可实现在保障代码质量同时，进一步提升AI代码生成占比。 除了功能层面的能力，想必大家对Apex内部实现原理应该也很感兴趣，如何打通知识库、智能体使用时，MCP为什么自动安装了，下面将从技术实现角度，剖析Apex 如何将“AI 能力”工程化落地到 Cursor 开发流程中。了解Apex是如何激活装配、打通SSO认证，同步 Cursor Rules 知识库、通过远程dist包实现webview UI渲染，并提供智能体能力，实现无感更新，消息如何编排，如何识别大仓还是独立应用等。
在大规模微服务架构中，雪崩故障是极具破坏力却又难以预防的系统性威胁。本文基于百度搜索架构与运维团队的实战经验，深入解析雪崩从“非稳态”到“自强化崩溃”的微观演化机制，揭示重试风暴、容量退化等正反馈回路的形成过程。文章提出系统化的治理思路，并详细介绍百度落地的多项核心实践，包括重试预算、队列限流、全局TTL控制等自愈机制，以及秒级流量调度与降级预案。通过真实案例与生产数据，为行业提供了一套可借鉴的雪崩预防与治理框架。
「Agent不稀奇，能“自己想、自己干、自己复盘”的才是好Agent」可一到落地，名词、框架和坑一起涌来：设计模式、强自治、可控流程、多代理协作.... 到底该不该用 Agent？该选哪一类框架？需要用到什么程度？这篇文章用直观的图表、清晰的示例，为你讲清什么是Agent、什么场景适合使用Agent以及各类主流Agent框架，希望能帮各位少走弯路，迅速判断技术路径。
首先需要说明一下，标题中智造特指联调中的造数，是的，就是联调造数这么一个特定的场景下，我们采用了多个agent协同完成。联调造数是一个非常典型的AI应用场景，其背后是用户丰富的语言表达、复杂的业务场景、精准的指令执行。最初的时候，我们采用的是单agent模式，随着工具的不断接入和场景的不断深入，才逐步地演变成多agent模式（意图识别、工具引擎、推理执行等）。我会结合实际场景分别介绍两种方案，前者可以满足较为简单的造数场景，后者用以应对复杂的场景。
暑期，B站多媒体实验室带队参与了 ICCV MIPI (Mobile Intelligent Photography and Imaging) Workshop 的细粒度图像质量定位 (Detailed Image Quality Assessment Track) 国际挑战赛，提出创新的多模态训练策略，将综合指标提升了13.5%，最终获得了第二名的好成绩。本次参赛经历阶段性地验证了实验室在视频质量评价 (Video Quality Assessment，后文统称为 VQA) ，MLLM (Multimodal Large Language Model，多模态大语言模型) 以及强化学习上的成果积累，因此借本文的机会总结下比赛以及在以上领域一路以来的积累过程。
