本文探讨了天猫技术构建的 AI 端到端交付架构——“数字员工”，旨在解决 AI 时代研发协作中信息传递失真、等待检索耗时及隐性知识流失等痛点。区别于传统AI编码工具，数字员工以钉钉群为入口，与产品、开发、测试等角色共享同一份需求上下文，贯穿从 PRD 到发布复盘的全流程。文章提出通过“协作”与“资产”两大核心解法，将散落的业务认知沉淀为可复用资产，推动组织协作从职能分工向任务驱动演进，最终实现异步化的大规模协作，让 AI 真正成为全程在场的同事而非单纯的工具。
当前，以大语言模型、智能体为代表的人工智能技术加速迭代，词元（Token）作为智能服务的计量与结算单位，正在重塑价值创造、产业组织与社会运转的底层逻辑，催生全新的词元经济形态。2026年10月21日，由腾讯研究院和金融科技50人论坛联合学术支持的“词元经济理论、实践与政策研究”成果——《一本书读懂词元经济》在2026金融街论坛年会金融街之声——“金融街发布”相关活动上正式发布，为理解词元经济底层逻辑，前瞻布局AI商业新增量，提供了重要的参考。
本文系统性地总结了我们以华为昇腾 910C 为国产算力底座，在大模型在线推理场景下完成国产化适配与性能优化工作。项目从建立 Qwen3.5-35B-A3B 在 910C 上的性能基线出发，通过 MindStudio 进行性能剖析定位瓶颈，按照「镜像与版本升级 → 参数与环境变量调优 → vllm-ascend 源码修改 → 算子层融合优化 → MTP 投机解码」五个层次逐层推进，累计落地 20 余项有效优化。
埋点是数据驱动的地基，成熟平台大多自带可视化测试后台，但仍有大量项目用的是没有配套后台的域名埋点，测试只能靠"抓包+肉眼比对"。自建后台要侵入业务代码，代价太高。本文介绍 Flyheart Monitor，一套零侵入的域名埋点实时校验工具：它不在 H5 页面端主动上报，而是在请求的必经之路上拦截一份数据去校验，且不绑定任何特定抓包代理（只要支持接口转发即可接入）。文章聚焦几个解决实际问题的巧思：把抓包请求变成实时数据流、用规则代替人脑校验、把验证结果沉淀为可归档的图片。
本文总结了淘特 App 从 3 月到 8 月在端侧模型建设上的全链路实践。为解决用户实时意图识别及云端大模型延迟与成本问题，团队选用 QWen3-0.6B 作为基础模型，通过两代数据集迭代将真机准确率提升至 80% 以上。在工程实现上，采用 LoRA 微调、基于 ShortGPT 的深度剪枝以及 AWQ 量化技术，大幅优化了模型体积与推理性能；同时结合 Prompt 精简、Prefix Cache 和增量推理等手段显著降低了端到端延迟。最终该端模型成功落地于信息流重排序与流失前权益挽留场景，实现了 GMV 的正向增长，并针对 CDN 下载等隐形成本提出了按需下载等优化策略。
如今程序员越来越离不开AI Coding。当AI有足够能力很快把代码实现写出来，而开发人员在此过程中应该干什么？我们在开发过程中遇到的几个问题：这个需求到底要做成什么样？做完效果如何？最终产物质量够不够好？以前手搓代码时代这三件事裹在日常开发流程里，开发过程中就定好了，开发人员靠专业素养和工具守住软件工程的”规矩“。而如今换成模型来写代码、去跑工具，Harness Engineering把这几个关键点仍然留给开发人员这里把控，整个开发流程严格约束AI，不轻易让AI糊弄过去。开发人员要确保整个流程运行在正确的轨道上
10 月上旬一周内，GitHub 上一个叫 REA 的项目 Star 从 1.5 万冲到 23 万+，凭什么这么火？REA 全称 Reverse Engineer Anything——逆向一切，要啃的是计算机领域一个由来已久的硬骨头：没有源码，如何从编译好的二进制里反推出软件的实现逻辑。过去这是逆向工程师用 Ghidra、IDA、Hopper 纯手搓死磕的苦活。本文深入拆解 REA 的工作机制与架构——逆向工程从"人用工具"切换到"Agent 用工具"，究竟是如何实现的。
