Kuikly 是腾讯广泛使用的跨端开发框架，基于 Kotlin Multiplatform 技术构建，为开发者提供了技术栈更统一的跨端开发体验，由腾讯大前端领域 Oteam（公司级）推出。在Android、iOS开源基础上，本次开源鸿蒙平台支持和Compose DSL支持，进一步提升业务多端适配和鸿蒙开发效率。目前Kuikly鸿蒙版已接入腾讯多款业务，开发并上架鸿蒙App，如QQ浏览器、腾讯新闻、搜狗输入法、全民K歌、自选股等。
以大模型为核心的新一轮人工智能浪潮，正在全球范围内催生一批AI原生企业。本系列研究将AI原生企业界定为：创立之初即将人工智能作为核心产品、服务或能力，并以此驱动价值创造和业务创新的公司，有别于仅将AI嵌入现有业务或作为工具的企业。腾讯研究院聚焦全球100+家AI原生企业，围绕三大关键问题展开系列观察：1）AI原生企业正催生了哪些新技术、产品形态和商业模式？2）AI技术如何深度融入千行百业的应用场景和核心流程，赋能产业升级？3）AI产业生态正在沿着怎样的路径加速演进，带来哪些结构性变革？与以往产业分析多聚焦单点技术发展或单一企业创新不同，本系列研究将生态作为开篇切入。当前，生成式人工智能正处于从工具跃升为平台的转折期，生态的开放性、可扩展性和协同效应成为决定产业格局的关键变量。本文基于对AI原生企业所依赖基础模型的梳理，初步识别出海外正形成以OpenAI、Anthropic和Google为核心的三大生态阵营。这一选择基于基础模型能力、开发者吸引力、生态开放度及产业影响力等方面的综合考量。本文通过揭示全球AI企业的聚合趋势与落地扫描，为我国在AI生态建设上提供一个观察视角。
笔者最近对负责项目做了一些服务性能优化的工作，主要优化了项目中的一些不合理设计，例如：服务间使用 json 传输数据；监控上报处理逻辑在主流程中；重复数据每次都请求下游服务；多个耗时操作串行请求等。取得了 A 服务平均耗时跟 p99 耗时均下降 80% 、事件底层服务平均耗时下降 50% 的业务收益。 本文总结了在服务架构设计时，提升服务性能的 9 大常用办法，相信可以有效帮到你的日常工作。期待你的点赞转发收藏一键三连！
告警治理永远是后台架构中绕不开的话题，几乎可以认为告警是否治理得好，决定能否做好后台的服务质量。现网运作过程中，时而都会面临现网质量的问题，可能是大范围的故障，也可能是一个发布有 Bug 导致某一小群用户某个功能功能不可用。让人尴尬的是，事后复盘之时，总会发现优化措施里总是有告警优化措施的身影。而告警措施无论怎么补全，似乎永远补不完。 本文将结合笔者最近一年团队的成功实战经验，从如何结合错误码设计开始，再到统一告警策略、工具建设乃至团队值班制度管理等，介绍腾讯会议部分模块告警治理经验。 本文全文1.4w字，阅读本文后，后台团队质量负责人将能回答出以下三个问题：怎么样让告警是覆盖有效的，且能真实告警是故障（这个通常不难，一旦有大范围问题，告警通常是泛滥的），还能包含一些功能性的质量/bug问题，在大面积用户反馈之前介入。在告警有效的前提下，如何做到后台服务的告警不会一直处于轰炸状态，导致团队麻木。如何推动团队真正长期有效地对告警所反映的问题做到闭环解决。
在分布式消息队列 RocketMQ 中，ConsumeQueue（消费队列） 是消息消费的核心组件之一。它作为 CommitLog 的索引机制，帮助消费者快速定位并拉取消息。如果没有 ConsumeQueue，消费者将无法高效地从海量消息中筛选出自己订阅的数据。 本文将基于 RocketMQ 5.0 源码，深入探讨 ConsumeQueue 的设计原理与实现细节。
本文尽量用最简单的方式, 帮读者理解 LLM, Transformer, Prompt, Function calling, MCP, Agent, A2A 等这些基本概念. 表述时不追求绝对准确, 尽量通俗易懂. 部分内容有个人理解的成份, 内容难免疏漏, 欢迎指正.
人人都在聊MCP，但人们口中的MCP往往只是一个拼凑而成的幻影。如今，各大厂商纷纷为它镀金包装，就像硅谷创投圈每隔几年就热炒一次的那个“改变世界”的万能工具。然而，当最初的狂热稍退，我们不得不面对更复杂的问题：MCP真的适用于所有场景吗？它是否被赋予了过高的期待？技术史上从不缺少“神话”，而真正的进步，往往始于祛魅之后的清醒认知。
人工智能的2C应用进展很快，2024年美国居民生成式AI的渗透率已达39.6%（来源：圣路易斯联储）。然而，当前的模型厂商还热衷于评分打榜、技术炫耀，企业应用尚处于早期阶段。迫切需要找到丰富落地场景，加快推进AI和各行各业的深度融合。国联证券对A股上市公司财报中提及AI的情况进行了梳理，近年提及数量迅速增加，从2020年的172家上升至2023年的超过1200家，然而在所有A股上市公司的占比仍然不高，2023年还不到20%。根据国家经济研究局（NBER）数据，截止2024年2月，美国AI企业采用率仅有5.4%。根据欧盟统计局数据，2024年欧盟各国AI企业普及率在3.1%-27.6%之间，总体为13.5%。如下图所示。各国对问题的定义和调研方法有所不同，以上数据不能简单横向比较，但都反映出AI的企业应用还处于初期阶段。
当下，随着MCP（模型上下文协议）的迅速发展，AI 开发领域的协作生态正经历重塑，MCP为应用和服务方之间的协同开辟了新途径。太极平台积极拥抱 MCP，搭建起一座连接资源、工具与LLM的坚固桥梁。本文聚焦于 MCP 技术及其生态系统，一同探索太极平台如何借助 MCP，汇聚多方能力，释放大模型的巨大潜能，塑造 Agent 应用开发的全新范式。
以OpenAI o1与DeepSeek R1为代表的"类Agent"模型、OpenAI DeepResearch为代表的“真Agent”模型，正在重构AI Agent的技术范式。Agentic Workflow的王座还没坐热，强化学习驱动的端到端Agent模型训练已呼啸而来。未来趋势已指明：模型即产品，工程化Agent的命运将如何？一起来洞察全新的Agent技术范式底下的技术及演进过程，提前看到未来的模样。
