去年我们团队完成了数字人形象克隆和实时渲染引擎的接入，当我们自信满满地把渲染画面接入客户端，推到APP测试——结果当场翻车：直播延迟10秒、卡顿掉帧、几小时后直播中断。更惨的是，当我们要同时开50个直播间时，推流服务直接卡死。
时光荏苒，Qunar技术沙龙陪伴大家又走过一年技术探索的征程。这一年，我们向大家分享了近二十篇高质量的技术文章，覆盖AI应用实践、数据库、中间件、系统/架构优化和运维方面等领域。在这一年的旅程中，感谢每一位读者的真诚相伴，你们每一次的阅读与反馈都让我们备受鼓舞。在此辞旧迎新之际，小编特地为大家汇总了2025年的技术文章，向大家呈现这一年来所探索的“技术地图”。（点击文章标题即可阅读哦）
移动互联网时代，传统业务模式是端来负责内容呈现，云端进行推荐和决策。近年来随着终端算力的持续提高使得边缘计算成为可能，通过边缘计算提升整体业务服务的实时性，算力与存储能力为用户打造更好的体验，并且边缘计算主要的数据在端内存储可以更好的保护用户隐私。围绕端智能这个前沿课题，去哪儿建设了以数据为中心的端AI解决方案，让端具备实时感知、计算、决策的能力，为端上智能场景提供统一可复用的的平台基建。
去哪儿网国内酒店稳定性保障之中间件超时演练：为保障高峰期稳定性，一阶段先对酒店历史发生过的3起Mysql/Redis存储超时引发ATP故障的场景进行模拟演练，基于这3个故障的共性都是数据层出现问题导致应用连接池被打满，所以演练将通过在应用接口访问存储时注入超时故障，同时结合压测流量，验证高并发存储超时下不触发ATP故障。
随着大模型技术的发展，“智能体（Agent）”成了新的热点。但对一线开发者来说，也带来了不少实际的困惑：我们用LangChain、Dify等工具搭建的应用，到底算是一个固定的“工作流”，还是一个能自主决策的“智能体”？在项目中，是该追求流程可控，还是该放手让AI自由发挥？当一个Agent的能力遇到瓶颈，处理不了复杂任务时，我们又该怎么办？本文从开发者的角度出发，把这些问题一一讲清楚。文章会系统地梳理Agent的核心定义，探讨几种主流的实现模式，并解释为什么从单个Agent发展到多智能体协作（MAS）是解决复杂问题的必然趋势。最后，我们将介绍一个强大的Java多智能体框架——LangGraph4j，通过实际代码实现一个Supervisor（主管）模式的多智能体系统。希望对Agent开发初学者有所帮助。
传统的巡检系统都是基于固定阈值来判定指标是否异常，一般为了防止产生过多的指标异常信息，这种阈值设置的都偏高。虽然这种方式也能发现异常，但是场景过于单一，无法感知指标的动态变化，例如在业务逐渐进入高峰期时，数据库的QPS、负载或者数据体量也都是逐渐升高的，等达到日常的异常阈值再处理，时间上会比较紧张，而如果能提前发现数据库核心指标的变化以及变化幅度，那DBA就能提前介入分析和处理，也减小了因为负载过高或者容量紧张带来的业务异常的可能性。
在日常AI应用工作中，我们常常遇到提示词（Prompt）调整效果不及预期，甚至出现输出“失控”的情况。本文所分享的提示词优化经验，源于去哪儿机票售前客服项目的实际淬炼，具备较强的实践指导价值，旨在为编写和优化提示词提供参考。当你面临修改无效或逻辑混乱的困境时，不妨尝试文中提到的几种修订技巧，多次实践往往能带来意想不到的成效。机票售前客服主要负责解答用户在购票前提出的各种疑问，例如机票信息及相关服务。在去哪儿App内，进入机票搜索列表页后，点击右上角的客服按钮，即可弹出与机票售前客服的对话窗口。客服的回答方式与内容如下图所示。
