直播预告｜滴滴业务架构与工程架构演进-优快云博客

博客

12-11

1070

而泛前端从业者自带 “懂交互、懂服务串联、懂用户体验” 的基因，在打造 AI Agent 驱动的无页面方案时，反而更具天然优势，如：在开发 “无页面化” 的服务场景时，泛前端能更快理清 “用户需求 - Agent 交互逻辑 - 后端 API 调用” 的链路，更精准地规避无页面场景下的体验痛点（如交互断层、反馈不及时），甚至能将过往跨端、组件化的技术经验，复用到 AI Agent 的功能模块设计中，让无页面方案更稳定、更易扩展。这意味着，单纯 “会写代码”“能套用方案” 的能力，正在逐渐失去稀缺性；

博客

AI 在泛前端领域的思考和实践

12-11

311

而泛前端从业者自带 “懂交互、懂服务串联、懂用户体验” 的基因，在打造 AI Agent 驱动的无页面方案时，反而更具天然优势，如：在开发 “无页面化” 的服务场景时，泛前端能更快理清 “用户需求 - Agent 交互逻辑 - 后端 API 调用” 的链路，更精准地规避无页面场景下的体验痛点（如交互断层、反馈不及时），甚至能将过往跨端、组件化的技术经验，复用到 AI Agent 的功能模块设计中，让无页面方案更稳定、更易扩展。这意味着，单纯 “会写代码”“能套用方案” 的能力，正在逐渐失去稀缺性；

博客

滴滴开源走进浙江大学｜共话开源实践与高校共建

11-07

576

Mpx是一款增强型跨端开发框架，以小程序原生语法和技术能力为基础，借鉴Vue框架的优秀语法设计，通过静态转译与运行时适配相结合，实现“一份源码，多端运行”。滴滴开源与CCF（中国计算机学会）重点孵化的HUATUO项目基于eBPF技术实现低损耗、零侵扰的内核数据采集，覆盖TCP/IP协议栈、CPU调度、内存管理等核心模块，并构建异常事件驱动诊断与全自动化追踪（AutoTracing）两大核心引擎，能够自动捕获softlockup、oom、网络延迟等关键事件，精准定位云原生场景下的偶发与突发故障。

博客

滴滴开源荣获多项 OSCAR “开源+”典型案例奖

10-30

540

作为一个针对开源操作系统的深度可观测性项目，在滴滴内部，HUATUO 实现了超大规模部署，覆盖通用计算、AI 计算、大数据、存储、消息队列等核心场景，并与阿里云龙蜥、华为欧拉、腾讯、麒麟软件等主流生态合作，联合多家科技企业共建开源生态，实现技术共享与协同创新。秉承这一精神情怀，钱一峰积极引领开源文化生根发芽，鼓励更多内部技术同学参与开源贡献，让开源不再只是技术成果的输出，更成为连接个人与社区、企业与行业的重要桥梁，让“共建共享”的理念真正融入开源技术创新的每一步。OSCAR开源+安全及风险治理。

博客

ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法

10-16

685

这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。

博客

ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法

10-16

462

这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。

博客

ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法

10-16

599

这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。

博客

ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法

10-16

622

这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。

博客

ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法

10-16

436

这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。

博客

ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法

10-16

342

这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。

博客

ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法

10-16

956

这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。

博客

ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法

10-16

470

这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。

博客

ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法

10-16

826

标题：Order Acquisition Under Competitive Pressure: A Rapidly Adaptive Reinforcement Learning Approach for Ride-Hailing Subsidy Strategies作者：Fangzhou Shi（史方舟）、Xiaopeng Ke（柯晓鹏）、Xinye Xiong（熊薪叶）、Kexin Meng（孟可欣）、Chang Men（门畅）、Zhengdan Zhu（朱正丹）论文链接：https://arxiv.

博客

ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法

10-16

940

这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。

博客

ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法

10-16

325

这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。

博客

ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法

10-16

867

这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。

博客

ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法

10-16

700

这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。

博客

ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法

10-16

629

这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。

博客

ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法

10-16

1019

这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。

博客

ECML-PKDD ‘25 | FCA-RL框架——基于强化学习的出行服务商动态市场环境效率保障方法

10-16

878

这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。