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。
本文详细分享了作者的后台开发环境配置方案及常用效率工具，旨在帮助读者搭建个性化、高效的开发工作流。文章从终端环境配置切入，逐步介绍了开发环境各组件的高度定制化方案，并推荐了多个提升开发效率的实用工具。
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。
重生之我与AI的900天：如何把工作流重塑了一遍，顺便搞定了生活. 这期间我从一个尝鲜者, 到进行很多的文章, 分享, 讲座等. 愈发的感受到AI的冲击越来越大, 感兴趣和日常运用它的人越来越多, 使用的方式也五花八门. 在这个过程当中我也又学习到了很多新的方式. 我们的团队也在这个期间, 在AI方面也进行了多方面提效, 比如有许多同学已经做到了从产品规划, 需求拆解, 原型图设计, 前后端的统一研发, 运维部署, 全流程的闭环. 也应用到了我们实际业务当中, 进行了业务的提效. 这篇文章, 我想要总结一下, AI在我目前的生活, 工作中, 带来的变化. 以及我这两年半是如何使用它的
信息通信技术（ICT）正经历着前所未有的变革浪潮，以大模型和生成式人工智能（GenAI）为代表的技术突破，正在引发全球产业体系的深刻变革，成为驱动企业技术架构革新和商业模式转型的关键引擎。得物是广受年轻人喜爱的品质生活购物社区。在AI鉴别、图搜、算法、安全风控等场景下都广泛使用啦GenAI技术。向量数据库作为GenAI的基础设施之一，通过量化的高维空间数据结构（如HNSW算法），实现对嵌入向量（Embeddings Vector）的高效存储、索引和最近邻搜索（ANN），支撑包括多模态数据表征在内的复杂智能应用。
我们常说，世界上不止一条路可以选择。你可以坚守技术通道，也可以在某个契机转管理。你可以延用某个技术栈，也可以在某个节点改换门庭。你甚至可以不再做技术，抽离出代码的实现去做更多自己感兴趣的事情。 本文作者是一位年轻的鹅厂人，但他的经历却足够精彩，从客户端到技术美术，再到去追寻技术策划的梦。这一路走来，他经历了什么，看过哪些不一样的风景？这篇文章或许可以帮到你。
本文主要介绍了如何通过 Devtools 的 Memory 内存工具排查 JavaScript 内存泄漏问题。先介绍了一些相关概念，说明了 Memory 内存工具的使用方式，然后介绍了堆快照的分析方式，说明如何通过分析堆快照找到泄漏的 JavaScript 代码，最后列举了一些 JavaScript 内存泄漏的排查案例。
