智能体驱动的自适应测试系统通过多智能体协同实现测试流程自动化，涵盖需求分析、用例生成、执行与结果反馈闭环。系统具备知识共享、自主生成与动态存储能力，显著提升测试效率与质量，降低人力依赖。淘工厂实践中，该模式实现分钟级响应、缺陷发现率提升及资源高效利用。未来将强化知识库运维体系，推动测试从生产力跃迁至生产关系重构，测试工程师转型为策略制定者，人机协作向更高层次演进。
本文介绍了AI Agent对存储能力的挑战，尤其是Memory和Knowledge两类核心需求。为应对这些挑战，基于阿里云Tablestore提出了一种轻量化的Agent Memory框架设计，支持实时记忆存储与语义检索等场景。该框架已在多个实际业务中落地，如通义App、某头部浏览器的AI搜索及1688商品AI搜索等，验证了其高性能、高扩展性和低成本优势。未来将继续增强多模态与用户行为分析能力，并与主流AI框架共建生态。
本文系统回顾了计算机视觉的发展历程，从早期基于手工特征的传统方法，到深度学习的崛起与卷积神经网络（CNN）的广泛应用，并通过数学原理、代码示例与可视化手段，全面解析了卷积操作的本质与CNN的架构设计。
关于AI Coding这个话题，其实一直被持续的讨论，同时相关的工具和产品都在不断的演进，包括各类的Copilot插件、集成AI的IDE以及一些Remote的AI Agent，伴随着也开始讨论AI Coding会不会替代程序员（可能Junior Engineer为主）；但是从我们当前身边的实践来看，对于AI Coding的效果和跟个人日常coding工作的结合度的情况可能会存在不同的反馈和声音，有很爽的，有爽了几次的，有一直用着但是可能也说不出滋味的，也有浅尝辄止的。2025年5月，O'Reilly邀请了一些资深人士和技术畅销书的作者，针对AI Coding的出现以及能力的持续提升，是否会替代掉Promgramming这一职业的开放性讨论，结论可能也没出乎大家意料，都是不buy in这个观点的；笔者结合这个会议里的内容和自己的一些思考，在这里和大家分享交流下一些观点。
本文探讨了后训练的重要性、方法以及最新进展。文章将包含理论分析与实际操作指南，适合希望深入了解并应用这些技术的开发者
如何实现 AI Agent 自主发现和使用 MCP 服务 —— Nacos MCP Router 部署最佳实践
在智能驾驶技术快速发展的背景下，车辆对周围环境的实时感知和决策能力成为系统性能的关键。目标检测、语义分割、多传感器融合等任务构成了智能驾驶系统的核心感知模块，这些算法通常依赖于大规模深度学习模型的训练与部署。随着自动驾驶等级从L2向L3乃至L4演进，模型复杂度和数据量呈指数级增长，这对计算平台提出了更高的要求，尤其是在算力、内存带宽、并行处理能力和能效比等方面。 当前，行业内主流的高性能计算平台包括高速GPU集群，整体提供极高的内存容量和带宽，支持高效的大批量数据处理和分布式训练，可以满足更复杂的模型架构和更大的训练批次需求。因此，在典型智能驾驶场景中，如高精度目标检测、点云感知以及多模态融合感知任务中，对不同的算力卡进行全面的性能对比测试，为客户在选择合适的算力资源时提供有力的数据支撑。
本文首先回顾了基于人类反馈的强化学习（RLHF）的核心理念及其在现代AI模型中的关键作用。在此基础上，我们深入探讨了RLHF在两大主流领域——大语言模型（LLM）与文生图模型（Text-to-Image Models）中的具体应用与前沿方法。最后，我们以「家作」的“场景模特”功能为例，展示了如何通过RLHF技术，有效优化模型的生成效果，显著降低图像中肢体异常的概率，从而提升用户体验。
我们的服务整合了Paimon数据湖与RocksDB，通过SDK负责数据的查询与写入。近期，该系统在线上环境连续发生了三次内存溢出（OOM）故障。排查过程颇为曲折，笔者与团队成员尝试了多种方法，走了不少弯路，最终成功定位到问题根源并将其妥善解决。本文旨在将这段“曲折”的排查经历抽丝剥茧，分享我们是如何一步步逼近真相并最终解决问题的，希望能为使用相似技术栈的朋友带来一些启发。
