Erasure Coding(简称EC)，是一种纠删码。EC编码能够对部分缺失的数据进行数据恢复，广泛应用于存储与通信领域。在Hadoop3.0版本中，作为一种新的冗余存储的方式引入进来。使用EC编码的方式替代原来的三副本存储，保证数据可靠性的同时可以节约存储。相应地，付出的代价是读取性能的下降，对于访问频率不高的数据，使用EC编码很合适。 vivo目前HDFS集群节点达万台级别，数据规模接近EB级别，并且业务数据规模还在以较高速度持续增长中。在推进压缩算法缓解存储压力的同时，EC编码的推进也是存储降本的一大有力手段。
DeepSeek依旧保持了不让程序猿们安心过长假的优良传统，在十一长假之前推出了DeepSeek-V3.2报告，之前一直在跟进DeepSeek的加速技术，第一时间看了报告，不长就6页纸，优化点也不多，本来想第一时间更新，不过还是让技术和鹅厂月饼一起消化发酵一下再来写吧，所以这篇还是在长假后和同学们见面了。
在AI时代天猫技术质量同学在质量保障方面也不断探索AI在测试全流程提效的落地方案，传统测试工作链条拆解为“需求解析 → 用例生成 → 数据构造 → 执行验证 → 对比校验”五大核心阶段，而我们的目标是通过AI+自然语言驱动，实现全流程自动化、可溯化、可管理化。而最AI参与到测试中来，最主要的目标就是提效，目前几个月的实践下来发现在用例生成、测试数据构造和交易链路数据执行的过程中提效明显，下面来给大家简单介绍一下AI参与在测试流程中的实践方案。
本文介绍了一种基于AI技术辅助实现微动效的解决方案，旨在提升淘宝秒杀业务中动画开发的效率与还原质量。针对Lottie动画在性能、动态适配和文件体积上的局限，以及DOM/SVG手动实现动画时存在的沟通成本高、实现慢、维护难等问题，作者团队在塔罗平台基础上开发了两个AI动画助手：Lottie动画开发助手和SVG动画开发助手。这两个工具将非结构化的视觉动画转化为可编程、高性能、易维护的前端实现，显著降低了开发门槛，使原本耗时数小时的动画开发流程缩短至几分钟，实现了从设计到代码的高效落地。
淘宝推荐信息流业务，常年被“需求多、技术栈杂、协作慢”困扰，需求上线周期动辄一周。WaterFlow——一套 AI 驱动的端到端开发新实践，让部分需求两天内上线，甚至产品经理也能“自产自销”需求。短短数月，已落地 30+ 需求、自动生成 5.4 万行代码，大幅提升研发效率。接下来，我们将揭秘它是如何落地并改变协作模式的。
Android View 通过测量、布局和绘制三个阶段完成 UI 渲染，Compose 整体上与 Android View 类似，但在开头多了一个叫做“组合”的重要阶段。在组合阶段，Compose 会执行 @Composable 方法并输出 UI 的树状结构与对应信息，为后续的布局阶段提供数据基础。 Compose 采用声明式 UI 范式，不再像传统 View 那样通过调用 View 的 setXXX 方法来手动更新 UI，而是在 UI 状态变更时再次执行组合、布局、绘制流程，以此完成 UI 的更新，重新组合的过程就叫做“重组“。 然而重组是一个比较重的过程，需要重新执行 @Composable 方法并更新内存中关于 UI 树的信息，如果每一个状态的变更都要走一遍整个流程将会带来严重的性能问题。因此在 UI 状态变化时，Compose 会智能的选择必要的 @Composable 方法进行重组，并尽可能跳过不必要的代码执行，这就是 Compose 的"智能重组"。
近几年，许多 Java 应用默认启用了 TTL Agent。它以 Java Agent 方式在运行期增强，实现线程上下文在线程池/异步执行间的透明传递，无需改造 Runnable 或线程池，真正做到了对业务代码的零侵入。 但我们也观察到：若使用不当，可能带来稳定性隐患，如上下文污染、线程/内存泄漏、CPU 异常等。本文将简要回顾 TTL 的工作原理，并结合近期生产案例，给出可复现的问题现象与避坑实践。
面对百度APP日均数千亿PV、超百PB数据规模带来的巨大挑战，我们完成了数据仓库的系统性升级。本文详细阐述了通过"两步走"策略解决资源压力、处理延迟和架构瓶颈的全过程：第一阶段聚焦日志清洗环节的稳定性与成本优化，第二阶段实现实时离线链路解耦、核心数据隔离及计算框架容错能力提升。此次升级显著提升了数据处理时效性、系统稳定性和成本效益，为业务发展提供了更坚实的数据支撑。
为解决专业视频剪辑软件操作复杂与模板化工具创意受限的行业痛点，本文深入探索并实现了一款面向Web剪辑软件（WebCut）的智能剪辑体——VibeCut。它旨在打破全手动与全自动编辑的边界，为创作者提供一种兼具效率、易用性与个性化表达的智能剪辑新范式。VibeCut的核心是一种创新的“计划者-执行者” (Orchestrator-Executor) 双智能体架构。该架构巧妙地将复杂的剪辑任务一分为二：“计划者”负责深度理解用户的自然语言意图并进行宏观任务规划；“执行者”则专注于调用具体工具完成操作。二者之间通过一个共享的、结构化的“任务上下文” (Shared Context) 作为唯一的指令与状态来源，完美实现了规划与执行的解耦。这一设计不仅显著降低了大型语言模型（LLM）的认知负担，更通过将任务规划全程可视化，为用户带来了“所见即所得”的透明交互体验。在WebCut平台上的原型实践中，VibeCut以大语言模型为驱动核心，成功通过了三大典型场景的考验：添加自定义样式字幕、根据画面内容自适应调整字幕颜色、以及进行视频内容的语义裁切。实验结果有力地证明，该系统能精准地将用户的模糊语言需求
