本文围绕《架构现代化》一书展开,从“架构共鸣”的角度探讨了软件架构设计中的多个核心议题。文章通过八个方面——大泥团、独立价值、领域划分、概念设计、分类视角、领域厚度、全局与局部、脚手架——系统性地分析了架构演化中的常见问题与应对策略。强调了在复杂系统中避免代码混乱、明确权责边界、合理划分领域、建立共识概念、科学分类、理解领域复杂性、平衡局部与全局复杂度,以及架构活动的阶段性与可复用性。最终指出,架构现代化的关键不仅在于技术本身,更在于团队信任与工程卓越,推动“码农”向具备设计思维的“工程师”转变。
对于常见的机器告警来说,无非就是内存使用率告警、CPU使用率告警。这里以我们应用自己的一个线上环境的内存告警排查过程为例,演示一下排查过程和思路。希望对于新人在日常的问题排查过程中,有个抛砖引玉的效果。
本文通过复盘一个AI审核项目的实践,揭示了在真实业务中,合理的工作流设计 + 精细的提示词工程 + 对模型能力的清醒认知,比盲目追求复杂Agent更能带来稳定、可落地的效果。
近期,大量用户反馈系统在运行过程中出现 CPU 利用率与系统负载(load)突发性飙升,甚至引发系统短时卡顿(持续数秒至数十秒)的问题;对于业务来说,轻则导致几百毫秒的抖动,重则连机器都无法ssh上去。经分析发现,此类异常现象普遍存在一个显著特征:均发生在系统内存占用率接近阈值(90%-95%)时。
本文通过分享将AI Agent技术应用于“智能播报助手”和“批量建任务”两个真实业务场景的实践历程,深刻阐述了当下将AI Agent与传统工程系统深度融合,而非追求完全替代,才是实现业务提效和价值落地的有效路径。
近年来,人工智能领域最引人注目的进展莫过于大模型的飞速发展。这些模型以其惊人的学习能力和泛化能力,正在深刻改变我们对 AI 的认知,并推动着 AGI(通用人工智能)的梦想从科幻走向现实。大模型的发展呈现出两大核心趋势:模型能力的持续跃迁和模型生态的日益开放。
最近在做智能缺陷查重的项目过程中,遇到一个有意思的问题,尽管采用了精心设计的Prompt和强大的LLM,模型在返回重复缺陷时,仍产生数据不一致的“拼凑”结果。通过层层递进的分析,发现问题的根源并非出在Prompt工程或模型本身,而在于RAG数据库中的“信息断层”。这里将问题分析与调试过程记录下来,与大家共享。
ClaudeCode是由Anthropic开发的全新终端AI编程工具,旨在通过自然语言指令帮助开发者高效率地完成代码编写、调试和项目管理任务。它直接集成在开发者的工作环境(如终端)中,无需依赖额外服务器或复杂配置即可运行。在实际的使用过程中,Claude Code是一个比较通用的智能体,他输出的代码也比cursor简练很多,更像是一个熟悉整个项目的高级程序员,研究和学习这个框架对于开发自己的Agent至关重要,本篇文章会详细介绍Claude Code的设计模式和核心代码。
本文分析了在使用 HSF 服务时,因使用 Java 9 的不可变集合(如 Set.of())作为参数导致服务端反序列化失败的问题。根本原因在于 HSF 默认使用的 Hessian2 序列化机制不支持 Java 默认序列化中通过 writeReplace 和 readResolve 实现的不可变集合序列化逻辑:HSF 仅序列化非 transient 字段,而 CollSer 中存储元素的 array 字段为 transient,未被正确序列化,导致反序列化时 array 为 null,抛出 InvalidObjectException: null array 异常。最终解决方案是避免使用不可变集合,改用可变集合(如 HashSet)。
本文通过分享将AI Agent技术应用于“智能播报助手”和“批量建任务”两个真实业务场景的实践历程,深刻阐述了当下将AI Agent与传统工程系统深度融合,而非追求完全替代,才是实现业务提效和价值落地的有效路径。