MCP的关键两步：模型如何智能选择工具和工具执行与结果反馈机制。在选择工具时，模型是通过 prompt 来确定当前有哪些工具。我们通过将工具的具体使用描述以文本的形式传递给模型，供模型了解有哪些工具以及结合实时情况进行选择，这一步会消耗大量token，所以我们选择了本地部署的小尺寸的Qwen3-0.6b，不仅节约了token，还加速了工具选择。承接上一步，我们把 system prompt（指令与工具调用描述）和用户消息一起发送给模型，然后接收模型的回复。当模型分析用户请求后，它会决定是否需要调用工具：无需工具时：模型直接生成自然语言回复；需要工具时：模型输出结构化 JSON 格式的工具调用请求。在这一步，为了输出效果的稳定性，我们选择了Qwen3-235b-a22b，并且经过测试，Qwen3-235b-a22b提供了与Deepseek-R1相同的能力。Qwen3-0.6b+Qwen3-235b-a22b的使用，不仅保证了结果的稳定性，加速了tool选择，同时在有大量描述的tool的场景下大大节省了token数，真正做到了“多快好省”。
本文介绍了“自营质量技术AI智能体”的实践与思考，探讨了如何通过AI技术解决自营领域业务链路复杂、场景繁多带来的技术痛点。文章详细阐述了AI智能体的整体架构设计、核心能力（如工具调度、数据查找、链路诊断等）、具体实施方案及其应用效果，并展望了未来在AI赋能质量技术领域的规划与发展方向。
可观测近年来已经成为一个关键概念，它不仅仅局限于监控，还包括了日志记录、指标收集、分布式追踪等技术手段，旨在帮助团队更好地理解系统运行状况、快速定位问题以及优化性能。可观测2.0融合 MCP，可以让用户更好地感知系统、分析问题——用自然语言开启与系统的对话！本文将分享6个设计 MCP Server 的亲身实践，帮助大家更好地融合与使用。
本文介绍了淘宝家装行业自主研发的图像分割与抠图系统——JianYi，该系统专注于提升室内家装场景下的图像处理能力，具备商品分割、人体分割和全景分割三大核心功能。通过多模态交互设计和高效算法优化，JianYi不仅实现了高精度、实时性的抠图效果，还广泛应用于“家作”和“放我家”等AI工具中，显著提升了用户体验和业务指标。
DeepSeek-V3 在多个评测中展现出强大性能，成为当前最受关注的开源大模型之一。由于采用了大规模 MoE 架构，如何优化推理性能，是工程落地上的关键难点。DeepSeek 团队于 2 月相继开源了 DeepEP、DeepGEMM、FlashMLA、EPLB 等关键组件。在开源社区工作的基础上，我们在RTP-LLM上完成了优化工作，对齐了 DeepSeek 推理系统的性能。 RTP-LLM 是阿里巴巴爱橙科技研发的 LLM 推理加速引擎，主要服务阿里集团内部业务。本文将分享实现过程中的一些关键技术点、不足和思考，以此感谢开源社区对我们的帮助。相关代码正在整理和重构中，不久之后会更新完整的代码和复现方法。
本文探讨了团队在代码风格与结构一致性上的长期实践与思考，分享了如何通过统一的代码规范和框架设计，提升代码可读性、可维护性，并降低团队协作与新人上手的成本。文章从问题起源、解决方案、实际收益到具体落地工具进行了全面阐述。
随着企业全球化业务的扩展，如何高效、经济且可靠地将分布在海外各地的应用与基础设施日志统一采集至阿里云日志服务 (SLS) 进行分析与监控，已成为关键挑战。本文聚焦于阿里云高性能日志采集 Agent（iLogtail/LoongCollector）在海外场景下的应用，深入探讨了如何为不同部署环境（包括本地机房、跨云平台及阿里云环境）设计最佳的网络接入链路。我们优先推荐 LoongCollector，因为它能提供更优的可靠性，尤其是在多目标发送场景下。文中详细分析了多种网络方案，涵盖公网直连、全球加速 (GA) 优化、阿里云内网以及专线/CEN/VPN 接入等方式。此外，本文还重点介绍了成本优化策略，包括利用 CloudLens for SLS 进行用量诊断，以及将公网链路迁移至私网以降低成本。同时，详细拆解了两种核心的多目标发送配置：一是通过 Agent 双写实现跨地域容灾（数据冗余），二是实现多地域/多目标日志分发（按需路由）。本文旨在为企业构建稳定、低成本、高可用的全球日志系统提供全面的实践指导和配置参考。
在人工智能技术飞速发展的今天，编程工具也迎来了变革。Cursor作为一款基于VS Code重新设计的AI驱动代码编辑器，正在重塑开发者的编程方式。它不仅提供智能代码补全、自然语言编程、多文件编辑等强大功能，还通过YOLO模式等创新特性实现任务自动化，让开发者能够更高效地编写代码、减少重复劳动。本文将深入解析Cursor的核心功能、与传统IDE的区别、真实用户反馈以及它对软件开发未来的影响。
随着 Manus 的火热，开源社区迅速响应，涌现出如 OpenManus 这样无需等待、人人可部署的优秀替代方案，它们通过多智能体协作和工具调用能力，实现了令人瞩目的效果。 正是在这样的大背景下，Spring AI Alibaba JManus 应运而生。它是一个完全以 Java 语言为核心、彻底开源的 OpenManus 实现。 JManus 产生的初心就是 “让Java程序员距离AI更近一点”。希望能够构建一个以 Java 语言为根基，基于 Spring AI Alibaba 的通用 AI Agent 框架/平台，让 Java 程序员朋友们能够更简单容易地使用 Agent 满足自己的工作、日常生活需求。 作为一个 Spring AI Alibaba 项目的子项目，整个项目在 GitHub 上获得接近 3k star，并且在快速增加中。在大语言模型构成方面，JManus 可以无缝集成包括 Claude 3.5、Qwen3 等在内的多个顶级大模型，使得开发者能充分利用各个模型的优势。
