随着大模型的不断演进，测试行业基于AI也在做不同程度的探索，在agent智能体生成方面，基本使用的是prompt+RAG的方式，构建特定业务的需求分析/测试用例生成/数据构造智能体等。
本文从原理到实践系统地分享了如何高效使用AI编程工具。涵盖其底层机制（如Token计算、工具调用、Codebase索引与Merkle Tree）、提升对话质量的方法（如规则设置、渐进式开发）、实际应用场景（如代码检索、绘图生成、问题排查），并推荐了结合AI的编码最佳实践，包括文档、注释、命名规范和安全合规，旨在帮助不同经验水平的开发者真正把AI工具用好。
我们基于 SpringAI Alibaba Graph 构建了一套 Java 版本的 DeepResearch 系统，实现了从信息搜集、分析到结构化报告生成的全自动流程。系统主要具备以下能力：推理链路： 通过多轮信息收集，自动构建从资料到结论的分析过程。Java 技术栈：适合对长期稳定运行有要求的场景。Spring 生态集成：可直接使用 Spring Boot、Spring Cloud 等组件，提升开发与集成效率。可观测性：支持 Spring AI Alibaba Graph 的可观测，提供Langfuse平台观测实现，能够清晰的查看调用链路，便于调试和运维。可溯源输出：搜索到的相关内容，配有原始信息来源，便于验证。
本文系统性地探讨了如何通过AI技术提升研发效能，尤其是在企业级复杂场景下的应用实践。文章以“氛围编程”（Vibe Coding）为切入点，指出尽管AI生成代码在效率上显著提升（代码生产率中位数提高17%），但在质量保障方面仍面临挑战。作者结合自身在交易团队的实践经验，提出应聚焦于高频、重复且熟悉的非业务需求场景（如AB实验下线、Switch开关治理）进行AI提效突破。 为此，团队设计了一套高准确率的AICoding工作流，融合MCP、A2A和AG-UI三大协议，构建了基于Single-Agent架构的智能生码系统。通过精细化提示词工程、动态上下文注入与标准化工作流编排，实现了AB实验推全/下线等任务的自动化生成与发布。文章重点强调：选择细分、可控的场景，结合业务深度知识，沉淀可复用的工作流模板，是实现安全、高效、可推广AI研发提效的关键路径。最终目标是在保证90%以上正确率的前提下，解放研发人力，聚焦高价值创新。
Ant Design v6 的开发过程中，由于不需要再考虑 IE 的兼容问题，我们对部分组件改造使用了 CSS 变量获得了更小的 CSS 体积以及更好的性能。今天我们来聊聊 CSS 变量的一些小事。
本文整理自阿里云智能集团高级技术专家周礼在 2025 全球机器学习技术大会上的精彩演讲《Apache RocketMQ x AI：面向异步化 Agent 的事件驱动架构》，介绍了如何基于 Apache RocketMQ 新特性构建异步化 Multi-Agent 系统，深入探讨了 Agent 间的异步通信、上下文隔离、状态恢复与任务编排机制，并通过实际案例展示如何利用 RocketMQ 实现 Multi-Agent 的任务调度。
MYKMP 是支付宝基于社区 Kotlin MultiPlatform 与 Compose MultiPlatform 研发的原生跨平台解决方案，三端（Android、iOS、HarmonyOS）一码地共享业务逻辑与 UI 代码，减少为不同平台编写和维护相同代码所花费的时间，同时保留了原生编程的灵活性和优势。在支付宝内部我们也称之为 “Bundle 3.0”。去年 8 月，我们开始研发整个框架，历经一年有余，目前支付宝每天已经有亿级稳定流量运行着，在此向大家正式介绍我们的解决方案。本文会概述性地介绍我们的整体建设，并详细讲讲我们鸿蒙版本的架构方案与工程建设。
