在淘宝天猫两年半的A/B实验经历里，我从零到一分别经历了货架电商-淘特的A/B实验能力建设和内容电商-直播的A/B实验能力建设，前者更关注实验通用能力建设，后者更关注实验科学落地。在拥抱变化的当下，专注一个领域是幸运的，因此做个总结，聊聊我理解的“科学实验”怎么做。
测试用例作为质量保障的核心，影响着研发-测试-发布-上线的全过程，如单元测试用例、手工测试用例、接口自动化用例、UI 自动化用例等，但用例撰写的高成本尤其是自动化用例，导致了用例的可持续积累、更新和迭代受到非常大制约。长久以来，我们在用例创作技术上一直未有过很大的突破，协助 QA 做好最基本的工作。 直到2023年，生成式 AI 的到来，为用例智能创作带来了可能，借由 AI 技术，尤其是生成式 AI，一切就变得不一样了。 我们可以通过 AI 更好地理解需求，理解 UI 页面，理解接口访问的含义，智能化的生成测试用例，辅助研发测试提效的同时借由数据飞轮不断巩固沉淀测试经验。 为此，百度移动生态质量效能部启动了 QAMate 用例智能创作项目，从基于需求生成脑图用例，基于真机操作的 UI 自动化用例录制回放，基于流量或代码生成接口自动化用例三个场景深耕，通过 AI 技术实现测试用例的智能创作，进而辅助研发测试提效，为业务质量保驾护航。
质量保障是一门基于软件测试的系统化工程，遵循渐进式的发展规律。通过因地制宜地制定落地策略，设计场景方案，获取试验结果，并加以循环往复。最终，在每一位得物测试工程师的共同努力下，积累出一套适应得物技术的质量保障方法论，即本文介绍的得物质量管理体系。
前期我们详细介绍了B站在定制化数据中心（R2-AZ2）项目上的探索[1]，主要集中在智慧节能数据中心的技术迭代和实施情况。数据中心的高效运作并非孤立存在，它依赖于复杂而精细的互联互通网络，确保数据中心内的服务器、存储和网络设备间的连接。 布线系统是实现数据中心互联互通的关键组成部分， 数据中心布线的管理不当问题会造成生产环境交付周期拉长、预留线缆过长、线缆布局混乱、设备安装困难、故障排除和维护时间增加，甚至会影响机柜的气流组织，导致局部过热从而影响电子信息设备的安全运行。 此外，随着AI技术及业务应用的快速发展，智算中心正在迅速崛起，网络正向大带宽、低延时、低功耗等方向发展，这也意味着对网络和布线系统的要求正在持续提高。 布线系统作为大型数据中心的关键基础设施之一，如何利用数字化管理工具提高其交付及运维管理效率，也是我们一直在思考的问题和探索实践的方向。
作为一款优秀的开源分布式数据库软件，TiDB 得到越来越多的用户关注和应用，但在运维保障过程中同样面临着运维孤岛、定界定位难、获取可观测性数据开销大等挑战，本文总结了 TiDB 用户如何基于 DeepFlow 构建全栈可观测性的最佳实践，包括如何用 DeepFlow 高性能、零侵扰的可观测技术消除全链路追踪在 TiDB 侧的盲区，如何在 DeepFlow 中统一观测业务全景、SQL 事务全过程、网络性能、系统资源性能、文件读写性能、应用函数性能，从而为 TiDB 及其上应用构建出统一、立体、全方位的可观测性能力。
在日常的编码实践中，经常会用到缓存来解决高并发问题，缓存可以说是解决流量洪峰的不二利器。虽然集团中间件团队已经构建了缓存的基础设施，已经帮助我们解决了绝大部分问题，但是在实际的编码使用过程中，应用端调用缓存API时还是存在下述几类问题： 使用缓存的逻辑非常通用，基本都是先查缓存，有直接返回，没有查DB，再放入缓存中。这段通用逻辑散落在系统的各个地方，违反了高内聚低耦合的原则。 缓存代码和业务逻辑代码深度耦合在一起，不仅降低了代码的可读性，还额外增加了系统复杂度。 如果要切换缓存（MDB->LDB）或者API升级时，所有涉及代码都需要改动。 如果要解决缓存击穿、缓存穿透、级联缓存等类似通用问题时，都需要通过框架去解决。 因此，缓存是什么，如何选择某一种缓存，都不是本文重点，今天就写写实际编码过程中，如何将缓存代码从业务代码中剥离出来，促使代码更简洁，更便于阅读。
2024年4月12日，腾讯研究院联合前海国际事务研究院、青腾一同发起AI&Society人工智能+社会发展高端研讨会，第一期会议主题为“大模型时代的创业生态”，研讨会在深圳前海举办。 会议邀请国内外人工智能与社会治理方面的业界领袖和知名学者，重点围绕大模型创业生态构建的话题，通过专家主旨演讲和圆桌讨论的形式，分别对中美大模型生态及技术趋势、AI投资趋势及应用方向两个主题展开讨论。 以下是“AI投资趋势及应用方向”圆桌实录，内容由实习生李玉杰整理，AI工具辅助完成。内容经嘉宾确认。
