随着 LLM 应用的飞速发展，越来越多的 Agent 应用开始走近每个人。围绕着 Agent 应用的核心，目前业界有零代码、低代码和高代码三条主流的技术路线。AgentScope 作为 Python 社区中受到广泛应用的高代码框架，在 Java 生态下的需求也越来越大。今天，我们很高兴地宣布 AgentScope Java v0.2 版本正式发布了，具备了所有核心的 ReActAgent 的能力。
本文首先以淘天电商交易订单表线上一条非典型慢 SQL 的深入剖析为切入点，示范如何系统地分析与排查慢 SQL；接着详尽归纳了索引分类、B+Tree 与 B‑Tree 的结构差异、B+Tree 高度估算方法、EXPLAIN 与 Query Profile 等诊断工具的使用，以及索引下推与排序的执行流程等索引优化理论；最后结合日常实践经验，提出了适用于大规模线上集群的索引变更 SOP，并总结了常见的慢 SQL 成因与相应的解决策略。
本文讲述 Dify 平台在 Agentic 应用开发中面临的可观测性挑战，从开发者与运维方双重视角出发，系统分析了当前 Dify 可观测能力的现状、局限与改进方向。
你是不是也有过刚刷完进站闸机，抬头十几条指示牌，一脸懵；换乘只隔一条站台 最后走到腿软还绕回原点；地铁口连商场没指路牌，硬生生逛成“买单人流”。面对日益多样化的用户场景和亟待提升的用户体验指标，现有的通用引导策略已显不足。而高德地图的公交接驳指引项目是从“以交通方式为中心”到“以用户完整行程为中心”的升级。通过激活数据关联价值，为用户提供无缝的端到端出行体验。
本文介绍了手淘穿搭星球业务在面对快速迭代和极致用户体验需求时，从初期Weex方案转向Native技术栈，并基于微服务架构设计了TurboUIBuilder这一可视化页面搭建平台。该方案通过Template-Container-Component三层结构实现页面布局的结构化与动态化，结合DX动态组件、keypath数据绑定协议和内置核心服务（如布局、数据、埋点等），提升了开发效率30%-50%，实现了双端一致性、体验优化开箱即用（如无极缩放转场、多媒体浏览）以及页面的远程动态更新。同时，依托Skyline模板发布平台，支持高效、安全的模板管理与AB测试，最终形成了一套可复用、易扩展、高稳定性的Native页面底层构建引擎，已在穿搭星球等多个场景落地并持续演进。
今天我们习以为常的 async/await，是 Python 异步编程的标准范式。但很少有人意识到，这个简洁优雅的语言结构并非凭空而来。它是一段跨越二十年的技术演进成果——从最原始的生成器（generator）出发，历经社区实践中的“打补丁”阶段（如 @wrappertask），再到语言层面引入 yield from 和原生协程，最终形成了现代异步体系。本文将按技术发展的真实时间线与逻辑脉络，带你完整还原这段历史：为什么需要协程？嵌套任务如何调度？wrappertask 是谁的“替身”？await 究竟比 yield from 强在哪？我们将一步步揭开 Python 协程从“手工轮子”走向语言级支持的全过程。
在探索 LLM 应用的过程中，LLM作为 Agent 的"大脑"有着无限可能。其中，"代码编写"已经成为了少数几个成功大规模落地的场景之一，这让我们不禁想到：既然 LLM 可以写出高质量的代码，为什么不能让它更进一步，编写并运行代码来控制 Agent 自身的行为呢？这样运行逻辑，就不简简单单的是“下一个”这么简单，而是让Agent拥有分支、循环等各种复杂逻辑。这个想法虽然听起来有点魔幻，但仔细想想确实是可行的。在这篇文章中，我想和大家分享我们是如何一步步构建这样一个能够"自我编程"的 Agent 的历程。我们的目标是将Agent模式，打造成一个“师弟”，一个真正能在内部的DevOps系统中，能帮得上忙的AI助手。
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。
