推荐系统作为互联网时代连接用户与信息的核心技术，正在经历从传统协同过滤向多模态智能推荐的重要变革。随着深度学习技术的快速发展，特别是大语言模型和多模态预训练技术的成熟，推荐系统开始从单纯依赖用户行为ID特征转向充分利用商品图像、文本描述等丰富内容信息的新范式。笔者有幸于24年下半年和25年初深度参与了饿了么首页店铺推荐场景的多模态推荐系统设计与实现，以及生成式ranking前期技术方案的探索实践。在此过程中，在多模态推荐技术发展脉络、实践挑战以及生成式推荐技术方法探索等方面收获颇丰。趁着25年上半年总结的机会，希望将这些学习路径、技术探索过程、思考感悟以及实践经验进行系统性的完整回顾，整理成文作为学习笔记与大家分享交流。
借助 Aone Copilot Agent，通过精心设计的 prompt 指导 AI 进行测试用例的自动化生成和代码修改。从实践来看，AI 代码采纳率约 50%，要获得更好效果需要持续优化 prompt 质量。
传统内核网络协议栈诞生于以通用性、兼容性与内核资源隔离为首要目标的时代：它通过在内核空间实现协议栈，并向用户空间暴露如 BSD Sockets 这类统一 API，为各种异构应用和硬件平台提供标准化、兼容性的接口；同时，采用系统调用与内存空间隔离等机制，确保应用之间、应用与内核之间的资源隔离。这些设计极大地增强了协议栈的通用性和兼容性，提升了多应用环境下的安全性和稳定性。然而，时过境迁，如今云数据中心的规模早已不可同日而语，在其所面临的高并发、高带宽、低时延场景下，上述内核设计带来了显著的性能瓶颈：频繁的系统调用与上下文切换、多次数据拷贝、锁竞争与缓存失效共同放大了数据处理时延；协议栈的高度通用性和兼容性设计，也使其难以针对高性能计算、分布式存储、分布式数据库等特定应用场景进行深度优化。
得物DBA自2020年初开始自建TiDB，5年以来随着NewSQL数据库迭代发展、运维体系逐步完善、产品自身能力逐步提升，接入业务涵盖了多个业务线和关键场景。从第一套TIDB v4.0.9 版本开始，到后来v4.0.11、v5.1.1、v5.3.0，在经历了各种 BUG 踩坑、问题调试后，最终稳定在 TIDB 5.3.3 版本。伴随着业务高速增长、数据量逐步增多，对 TiDB 的稳定性及性能也带来更多挑战和新的问题。为了应对这些问题，DBA团队决定对 TiDB 进行一次版本升级，收敛版本到7.5.x。本文基于内部的实践情况，从架构、新特性、升级方案及收益等几个方向讲述 TiDB 的升级之旅。
