利用自动化平台可以做的那亿点事 |得物技术

前言

相信大家对接口自动化已经不陌生了,这是几乎我们每个迭代都会投入的事情,但耗费了这么多精力去编写和维护,实际的收益如何呢?如果收益不好,是不是说明我们自动化 case 的实现方式、使用方式还有改进的地方呢?以下是接入得物接口自动化平台后的一些实践和想法,欢迎大家积极交流~

浅谈接口自动化

1.1   使用场景 &可以带来的效果

  • 给开发用 - 提高自测效率 &提测质量

在接入自动化平台前,我们只能本地拉取代码->执行用例,所以执行者也只有测试人员。接入平台后,通过宣导 or 分享,开发可以方便的找到需要的用例(用例模块和标题需描述清晰),从而帮助他们造数或自测。

对于一些核心场景,即使业务迭代,通常结果也不会发生太大变化,这一类的场景 case 如果设计地较为稳定(当然这里的稳定不是只校验 code=200 就行),可以分享给开发用于自测,根据开发同学使用后的反馈,他们自测简单了许多,也有帮助他们发现过问题。

另外有一些本迭代内的新增接口,在接口评审完成后,我们可以提前编写好,根据具体情况决定是先保证接口状态的正常,后续再补充数据逻辑的校验,还是直接先把 case 写好。因为很多时候开发自测都只是调用本地代码,提测后连接口都调不通,如果提测前可以先进行基本的校验,就能减少冒烟测试被阻塞的概率。

  • 给测试用 - 提高测试效率

冒烟测试:针对改动点挑出涉及的接口 case,再加上 P0 级别 case,提测后先执行一遍看看是否正常,如果核心链路异常,阻塞了后续测试,就可以直接打回了。

验证 bug:有些复杂场景,测试链路较长,测试数据准备又很困难,很容易出现 bug,而出现 bug 也就算了,偏偏改一遍还不一定能改好...这时候自动化的价值就体现了,把这些场景利用自动化实现,验证 bug 时直接一键执行就能得出结果,大大节省了时间,同时也稳定了自己濒临暴躁的情绪。

回归测试:在每次的 bvt 测试、覆盖率跟进中,有些 case 可能并不涉及本次需求改动范围,场景又比较简单基础,我们就可以利用自动化去覆盖。执行通过,视具体情况可以简单看一眼或者不再回归。

  • 给需要的人用 - 简易的造数工具

虽然我们现在有了造数平台,但实现起来有一定的成本,一些场景可能除了自己没有别的业务方有造数需求,并且场景很简单,只需调个接口,改个数据表就行,那么最快的造数方法就是自动化脚本。现在有了自动化平台,我们可以更好地分享给有造数需求的开发、产品、测试。

当然,以上效果的前提是我们的自动化 case 比较稳定,不能每次执行都一堆不通过,这样时间都耗费在排查问题上了,效果会大打折扣,别人也不会再愿意使用。

1.2   什么时间去写自动化 case

通常一部分同学会在用例评审结束,开发提测之前进行 case 编写,此时需要实现自动化的场景已经明确,基本上涉及的接口和出入参都已确定,自动化 case 的大致框架就形成了。这时候实现自动化,就可以最大化地发挥其价值,在上述涉及到的几个场景都能投入使用。如果因为时间不够或接口尚未明确,可以先梳理好需要实现自动化的场景步骤,在提测后一边手动执行用例一边补充接口参数和校验点。针对级别较低的接口场景,也可以放在版本结束后再实现,只是效果会降低一些。

1.3   自动化维护成本太高怎么办

我们维护的 case 一般有两种,一是自己写的,二是别人写的。自己写的,含着泪也要日常维护。别人写的,由于大家的编码风格千差万别,在接入自动化平台前,维护起来简直困难重重,当我们为了通过率去推进 case 更新时,往往这一类的难以推进。现在接入了平台,基本上统一了 case 模板,当因为需求变动需要更新时,有时只需要修改出入参和断言即可,一定程度上已经降低了维护成本。

另外,当 case 经常报错时,可以看看设计上是否能优化。有些依赖性强的数据,是否可以通过其他手段让这部分数据稳定下来。比如发优惠券的场景,前提需要一张有效的券,那我们在发券前可以先获取一张有效的券信息,或者在发券前先创建一张券,发完券后如果需要对券信息进行校验,也通过变量的方式。针对单个测试点实现自动化时,可以尽可能地与其他测试点解藕,充分利用前置脚本,通过修改数据表等方式较少依赖。case 中也可以设置失败重试次数,减少由于环境不稳定等原因造成的失败。

在自动化平台上的实践

2.1   场景 case 的编写

举个例子:“得物 App 新客人群领取优惠券并触发金额膨胀,多次触发膨胀应该只有一次膨胀成功”。

这个 case 在迭代中提高了测试效率,并且在后续需求变更时,帮助开发自测,解决造数问题并发现了 bug。

  • 由于业务特性,只有命中实验组的新用户才可领券。那么首先需要创建一个新用户,并添加到 ab 白名单。然后在领券前先对领券状态、用户身份进行校验;

  • 因为后台会配置 3 套券,初次领券成功后,只会发放其中一套,所以在对领券接口的出参进行基本校验后,还需对券记录进行详细的检查,就需要使用后置脚本,获取到券配置后再对数据表进行核对,需要校验的表包括业务本身的领券记录表和优惠业务侧的账户表;

import jsonimport requestsfrom util.db_mysql import DBMySQLfrom util.db_redis import DbRedisdef call(env_vars, g_vars, l_vars, sys_funcs, asserts, logger, **kwargs):    userId = l_vars.get('userId')    n = int(userId)%4    dbA = DBMySQL(env_vars.get("db.A"))    dbB = DBMySQL(env_vars.get("db.B"))
    try:        sql_1 = "SELECT * FROM table_A WHERE user_id = %s;"%userId        # 领券后,用户领券状态校验        user_coupon_info = dbA.select(sql_1)        logger.info(newbie_res)        asserts.assertEqual(user_coupon_info[0].get("status"), 1, msg="数据表领券状态为true")        asserts.assertEqual(user_coupon_info[0].get("type"), 0, msg="当前券类型为0")        asserts.assertIsEmpty(user_coupon_info[0].get("coupon1"), msg="无资产1")        asserts.assertIsEmpty(user_coupon_info[0].get("coupon2"), msg="无资产2")        asserts.assertIsEmpty(user_coupon_info[0].get("coupon4"), msg="无资产4")        asserts.assertIsNotEmpty(user_coupon_info[0].get("info"), msg="券包信息非空")        #获取用户分组,确定用户是命中了实验组的        group = user_coupon_info[0].get("group")        asserts.assertNotEqual(group, 0, msg="用户命中对照组,无膨胀券")        #获取膨胀资产配置        sql_2 = "SELECT * FROM table_B WHERE id = 50%s and deleted=0"%group        logger.info("sql_2:"+sql_2)        coupon_config = dbA.select(sql_2)        logger.info("coupon_config:"+coupon_config)        content = json.loads(coupon_config[0].get("content_info"))        for i in range(3):            activityId = content[i]["activityId"]            l_vars.set('activityId_{}'.format(i+1), activityId)            # 优惠券表校验            sql_3 = "SELECT * FROM a_coupon_%s WHERE user_id = %s and activity_id = %s;"%(n,userId,activityId)            logger.info("sql_3:"+sql_3)            coupon_res = dbB.select(sql_3)            logger.info("coupon_res:"+coupon_res)            if(i==0):                asserts.assertIsEmpty(coupon_res, msg="未到账资产1")            if(i==2):                asserts.assertIsNotEmpty(coupon_res, msg="到账资产3")
    finally:        dbA.close()        dbB.close()

复制代码

  • 领券成功后进行膨胀。查询优惠侧账户表,将查询结果作为变量,在下一个接口的前置脚本中,进行券到账的校验;

import jsonimport requestsfrom util.db_mysql import DBMySQLfrom util.db_redis import DbRedisdef call(env_vars, g_vars, l_vars, sys_funcs, asserts, logger, **kwargs):    call_param = sys_funcs.get_call_param()    userId = call_param.get('userId')    activityId = call_param.get('activityId')    dbB = DBMySQL(env_vars.get("db.B"))    if not userId:        user_var = l_vars.get(call_param.get('var_userId'))        userId = user_var    if not activityId:        activityId_var = l_vars.get(call_param.get('var_activityId'))        activityId = activityId_var    if not userId and not activityId:        raise '请传入查询条件'
    try:        if not activityId:            sql = "SELECT * FROM a_coupon_%s WHERE user_id = %s;"%(int(userId)%4,userId)        elif not userId:            sql = "SELECT * FROM a_coupon_%s WHERE activity_id = %s;"%(n,activityId)        else:            sql = "SELECT * FROM a_coupon_%s WHERE user_id = %s and activity_id = %s;"%(int(userId)%4,userId,activityId)        logger.info(sql)        res = dbB.select(sql)        logger.info(res)        l_vars.set("select_tableB_res",res)    except Exception as e:        logger.info(f'查询失败【{str(e)}】')        raise e    finally:        dbB.close()        return res

复制代码

import jsonimport requestsdef call(env_vars, g_vars, l_vars, sys_funcs, asserts, logger, **kwargs):    select_tableB_res = l_vars.get('select_tableB_res')    asserts.assertIsNotEmpty(select_tableB_res, msg="到账资产1")

复制代码

  • 再次膨胀,应膨胀失败,校验接口 code 非 200,再次核对券表,校验确实只到账了一张券。

import jsonimport requestsdef call(env_vars, g_vars, l_vars, sys_funcs, asserts, logger, **kwargs):    select_tableB_res = l_vars.get('select_tableB_res')    asserts.assertEqual(len(select_tableB_res),1,msg="只到账资产1一张")    

复制代码

  • 其他类似的场景,可以通过复制已有的用例或步骤直接使用。

  • 2.2   公共组件的编写一些需要重复调用的功能,我们可以写成公共组件,不仅方便自己,也方便他人。在编写组件时,如果有入参,需要考虑参数值有可能是局部变量的场景。以下面的组件为例,实现的功能是通过数据库查询优惠券发放记录表,可以针对用户 ID、优惠资产 ID 进行查询。考虑到这两个参数有可能是局部变量,由于目前公共组件类型的入参不支持 ${}参数类型,所以换一种方式来实现 —— 设置 2 个入参,一个为对应的 value,一个为局部定义的 key。脚本中,如果 value 未获取到,则去变量空间中获取局部变量。拿到查询结果后也要尽可能的把结果存到变量空间,以供后续步骤的使用。

import jsonimport requestsfrom util.db_mysql import DBMySQLfrom util.db_redis import DbRedisdef call(env_vars, g_vars, l_vars, sys_funcs, asserts, logger, **kwargs):    call_param = sys_funcs.get_call_param()    userId = call_param.get('userId')    activityId = call_param.get('activityId')    dbA = DBMySQL(env_vars.get("db.A"))    if not userId:        user_var = l_vars.get(call_param.get('var_userId'))        userId = user_var    if not activityId:        activityId_var = l_vars.get(call_param.get('var_activityId'))        activityId = activityId_var    if not userId and not activityId:        raise '请传入查询条件'
    try:        if not activityId:            sql = "SELECT * FROM a_coupon_%s WHERE user_id = %s;"%(int(userId)%4,userId)        elif not userId:            sql = "SELECT * FROM a_coupon_%s WHERE activity_id = %s;"%(n,activityId)        else:            sql = "SELECT * FROM a_coupon_%s WHERE user_id = %s and activity_id = %s;"%(int(userId)%4,userId,activityId)        logger.info(sql)        res = dbA.select(sql)        logger.info(res)        l_vars.set("select_tableA_res",res)    except Exception as e:        logger.info(f'查询失败【{str(e)}】')        raise e    finally:        dbA.close()        return res

复制代码

2.3   测试计划的执行

配置平台用例计划,选择依赖应用,按照自己的需要选择执行频次。然后再编辑计划,配置匹配规则,可以看到关联的自动化用例。

在用例平台绑定自动化 case,在转测单平台添加自动化计划,已关联的用例在执行结束后会自动更新执行状态,提高手动执行的效率。

平台编写 case 的常用方法

3.1   查询 DB 数据库

  • 在环境变量中配置数据库连接信息

  • 在脚本中对数据表进行查询

import jsonimport requestsfrom util.db_mysql import DBMySQLfrom util.db_redis import DbRedisdef call(env_vars, g_vars, l_vars, sys_funcs, asserts, logger, **kwargs):    call_param = sys_funcs.get_call_param()    userId = call_param.get('userId')    activityId = call_param.get('activityId')    dbA = DBMySQL(env_vars.get("db.A"))    if not userId:        user_var = l_vars.get(call_param.get('var_userId'))        userId = user_var    if not activityId:        activityId_var = l_vars.get(call_param.get('var_activityId'))        activityId = activityId_var    if not userId and not activityId:        raise '请传入查询条件'
    try:        if not activityId:            sql = "SELECT * FROM a_coupon_%s WHERE user_id = %s;"%(int(userId)%4,userId)        elif not userId:            sql = "SELECT * FROM a_coupon_%s WHERE activity_id = %s;"%(n,activityId)        else:            sql = "SELECT * FROM a_coupon_%s WHERE user_id = %s and activity_id = %s;"%(int(userId)%4,userId,activityId)        logger.info(sql)        res = dbA.select(sql)        logger.info(res)        l_vars.set("select_tableA_res",res)    except Exception as e:        logger.info(f'查询失败【{str(e)}】')        raise e    finally:        dbA.close()        return res

复制代码

3.2   获取应用 ip 地址作为 host 域名

  • 配置 host 环境变量:http://${sys.container.ip:app_name}:8888,app_name 为服务名

  • 调用公共组件获取 ip,传入服务名,返回 ip

  • http 请求时,host 选择对应的环境变量即可

3.3   一个 case 下多个随机账号切换请求

  • 随机创建用户后,获取当前登录信息,将请求头存到本地变量

import jsonimport requestsdef call(env_vars, g_vars, l_vars, sys_funcs, asserts, logger, **kwargs):    l_vars.set("user1",l_vars.get("sys.public.login.headers"))

复制代码

  • 在下一次再次需要使用该账号时,替换请求头即可

import jsonimport requestsdef call(env_vars, g_vars, l_vars, sys_funcs, asserts, logger, **kwargs):    l_vars.set("sys.public.login.headers", l_vars.get("user1"))

复制代码

使用平台时遇到的一些问题

4.1   查询 redis,返回的数据带 b'

解决方法一:不使用平台的工具,代码如下:

import redisredisConn = redis.Redis(host='redis.host', port=666, password='test123',db=1, decode_responses=True)

复制代码

解决方法二:redis 平台工具返回是数据是 bytes 类型,需要 encoding 一下

re = DbRedis.ger_redis(link_info)test = re.get(test_key)test_str = test.decode(encoding='utf-8')key = key+test_strre.set(key,"aaa")

复制代码

4.2   update、insert、delete 语句执行成功,数据库却未生效

解决方式:需要 db.commit() ,select 语句不需要该语句

dbA = DBMySQL(db_A)sql = "INSERT INTO t(name,age) VALUES (%s, %s);"    try:    res = db.insert(sql,['lucy', 18])    db.commit()finally:    dbA.close()

复制代码

备注:delete 方式,删除数据量是 0.会有 error。

4.3   http 组件 json 请求体中有中文,运行报错

解决方式:请求头配置 application/json;charset=UTF-8

总结

接入自动化平台后,方便了很多,也还有更多的使用场景待探索和交流。自动化最主要的目的是提效,时间节省下来后我们可以有更多的时间去思考异常场景以及复杂场景,做一些探索测试,减少因为用例设计遗漏而发生的问题。

相关推荐

压测AI Agent 治理与评测调优实践|得物技术

本文介绍智能分析Agent在压测调试中上线后的治理闭环建设:通过Langfuse记录完整执行链路,结合用户反馈与Trace还原问题根因;利用CLI Mock固化证据数据集,实现相同场景下的回测验证。基于固定案例与五档评分机制,持续评估方案质量、延迟与成本,确保修复有效且无新问题引入,推动Agent能力迭代优化。

SmartCodeTech的博客 286

从中心调度到自驱协作多 Agent 架构的三次反转|得物技术

本文探讨多Agent系统中的控制权分配问题,提出三大协作架构:Master Agent(中心调度)、任务看板(共享状态)与Advisor(轻量咨询)。通过划清上下文边界与模型边界,强调应以信息相关性而非职业标签划分Agent。三种模式分别将决策权集中于中心、下放至共享状态、再下沉至执行者,形成控制权逐步下沉的演进路径。案例显示,合理设计可提升复杂任务的并行性、弹性与可维护性。

SmartCodeTech的博客 416

Jev 实战:为AI工作流引入轻量决策层 x10倍提速|得物技术

完成这三个场景后,我对适用边界有了更明确的认识:它们都可以先定义答案范围,再根据判断结果驱动下一步操作。接入时,我会优先明确输入、选项、采纳条件和兜底路径,再评估Jev是否适合承担这一环节。结合这些实践,我更容易理解Jev(TypeSafe System One)作为专用结构化决策模型不生成自然语言,而是返回带概率的判断结果。后续接入时,我会继续从脚本中边界明确的判断任务开始,分别验证准确性、耗时和费用,再决定是否扩大使用范围。下面整理了相关能力、限制和接入要点,便于查阅。

SmartCodeTech的博客 345

国产算力·昇腾 910C 大模型推理优化(下):源码修改与算子优化,提速30%|得物技术

本文延续上篇,深入vllm-ascend源码优化:通过多流重叠实现MoE共享专家并行计算,消除冗余事件开销,并解除与FUSED_MC2的互斥限制,实现c=1下TPOT从8.2ms降至8.0ms;优化decode阶段host侧开销,引入状态跟踪跳过冗余拷贝;设计Block Table CPU快路径,规避小batch下NPU kernel启动延迟;针对GDN层融合L2Norm至recurrent kernel,减少算子调用与内存往返。综合优化后推理性能显著提升,形成可复用的昇腾910C大模型推理优化方法论。

SmartCodeTech的博客 243

国产算力·昇腾 910C 大模型推理优化(上):镜像更新与参数调优,提速 40%|得物技术

文中详细给出每一项优化的动机、实现(含具体源码改动路径与关键代码片段)、验证数据与踩坑记录(包括十余项实测无效或负向的尝试),希望为同样在国产算力上做推理优化的团队提供一份可直接复用的工程参考。

SmartCodeTech的博客 223

动态规则的 Agent 实践:用确定性工程驾驭 LLM 的资产智能验收

面对财务验收中规则多变、材料非结构化、核对复杂等痛点,传统规则引擎难以应对。系统采用“规则即配置”思路,由大语言模型(LLM)负责理解合同、扫描件等非结构化材料并执行语义比对,工程系统则保障流程编排与可追溯性。通过异步处理、幂等设计、三类流量隔离及双通道(文本/图像)处理,实现高效稳定运行。结合用户反馈构建自动标准答案,辅以试跑、回测与发布门禁机制,形成闭环质量体系。底层采用确定性工作流架构,确保行为可预期、可测试,真正实现灵活规则的快速迭代与安全上线。

SmartCodeTech的博客 344

发一张图,它居然“跃“出屏幕了?一文读懂得物 3D 空间图片技术实践

3D 空间图片功能的落地,涉及模型生成、内容分发、客户端渲染之间的一系列取舍。本文重点分享如何生产出高质量、小体积的模型,以及如何在手机上流畅运行。

SmartCodeTech的博客 555

别再只卷向量检索了,得物交易搜索如何用“生成式”实现召回范式跃迁?

你搜"af1",它得给你"空军一号"。这一年,得物交易搜索把召回从"做选择题"改成了"写答案"——不再从商品池里"找"最像的,而是让模型自己"生成"你真正想要的。从 LLM 语义索引到 HLLM、语义 ID,搜索是怎么从"检索"走向"生成"的?

SmartCodeTech的博客 593

指标平台:从语义底座到智能消费的实践路径|得物技术

这篇文章想做的,不是在本体化的宏大叙事上再叠加一层理论,而是把我们在真实落地中验证过的路径讲清楚:语义底座怎么从零建立起来、怎么保证质量不失控、怎么支撑 Text2SQL 和 AI Coding 两条消费主线,以及沿着这条路径往前走,下一步该往哪个方向发力。

SmartCodeTech的博客 316

企业级 MultiAgent 落地:Plan 模式与主子 Agent 协作|得物技术

基于 AgentScope Java 的企业级 MultiAgent 平台,为研发、数据分析和知识问答等场景提供统一的模型调用、工具接入、任务编排、流式输出与运行追踪能力。

SmartCodeTech的博客 302

得物小摊 AI Native 演进实录:用 Harness 构建可控 AI 交付

AI Coding 一个人用很顺手,进了团队就漏:指令没人审、经验难沉淀、过程看不见、链路不闭环。作者团队基于 Multica 做了 EP-Harness,把 Agent 当成员管,给它套一层可执行、可观察、可治理的 Harness,并让反馈闭环。成果:可追溯决策、多 Agent 协作,高频异常从每 4 小时 2400 多条降到个位数,对得物技术补上团队级 AI 协作关键一环。

SmartCodeTech的博客 542

企业级 MultiAgent 的记忆系统:短期上下文与四层记忆架构实现|得物技术

在 MultiAgent 平台中,Agent 的"记忆"能力是实现智能对话和个性化服务的核心资产。本文深入剖析 Agent 记忆系统的设计理念与实现细节,重点解析长期记忆架构的写入与加载流程,涵盖 LLM 智能判断、语义检索、Token 预算控制、冲突处理等关键技术,为开发者提供完整的技术实现参考。

SmartCodeTech的博客 502

EP-Harness:从个人 AI Coding 到团队级 Agent 工作流|得物技术

AI Coding 个人用得爽,一到团队就崩。EP-Harness 把 Agent 从聊天工具变成团队协作成员——可管理、可追溯、可闭环。落地后高频异常从 2400+/4h 收敛到个位数。

SmartCodeTech的博客 693

得物知识问答:复合检索 Agent 的系统设计实践

从"搜到什么用什么"到"搜→筛→挖→验"自主决策闭环——我们造了一个有判断力的 RAG Agent,不是套壳。

SmartCodeTech的博客 734

实战从零开始构建一个Coding Agent:Violin |得物技术

理解了 coding agent 的构建原理,也就掌握了理解其他 agent 的一把钥匙。笔者对每天都在使用的 agent 原理很感兴趣,于是决定自己写一个:violin。

SmartCodeTech的博客 926

AI Native 交易核心系统的研发范式|得物技术

如何改造旧研发流程适配 AI 编码?本文提出五道标准化关口治理思路,依托 Claude Code Spec-Driven 插件打通需求澄清、方案设计、TDD 落地、门禁管控与埋点监控,构建带人工确认门控的完整工作流,以五层自底向上架构实现 AI 编码规范化落地。

SmartCodeTech的博客 975

推荐系统体验的数字化突破:得物自动化评测平台的技术实践|AICon 文章整理

「得物推荐 AI Harness 工程化实践系列」的末篇内容,本系列共三篇连载。本篇(末篇)详解得物推荐评测平台的完整技术体系:从主观体验量化到大模型自动化评测流水线,涵盖多维度指标设计、人机协作提示词校验闭环、分布式任务调度与成本精控等核心工程实现,以及单周百万级审计需求下实现 91% 资源成本优化的工业级落地实战细节。

SmartCodeTech的博客 1493

RAG 核心概念与原理:Chunking、Embedding、相似度、HNSW 与多路召回|得物技术

决定 RAG 效果的关键不在大模型,而是文本切块、查询改写、多路召回与精排。合理切块存好知识库内容,向量匹配抓语义、BM25 匹配关键词互补。先优化用户提问,快速召回一批相关文档,再用精排模型精细筛选,整套检索流程配合到位,问答准确度才会明显提升。

SmartCodeTech的博客 1079

从“机械应答“到“服务伙伴“:得物高可控智能客服的 Agent 工程实践|AICon 演讲整理

本次分享围绕以下核心技术展开:客服 Agent 挑战与架构设计(Single-Agent→Multi-Agent→Harness);高可控性数据飞轮(PE 自动化 + DPO 训练);RL 策略训练和人工经验对齐;多轮半双工消息流控制。

SmartCodeTech的博客 749

得物推荐系统诊断 Agent:从 “调接口” 到 “会思考”|AICon 演讲整理

本文是得物技术专家在 AICon 上海演讲整理的技术实录。AICon上海2026_全球人工智能开发与应用大会暨大模型应用生态展_InfoQ技术大会「得物推荐 AI Harness 工程化实践系列」的中篇内容,本系列共三篇连载。本篇(中篇)进一步详解得物推荐复杂业务场景下,AI代码从生成、防护校验到安全上线的完整技术体系、自研AI Harness整体架构框架、全流程安全防护机制、混合智能体核心算法实现,以及工业级工程落地的实战细节。

SmartCodeTech的博客 1364

得物 OceanBase 落地实践

得物选型OceanBase多模数据库应对业务挑战,通过验证其高可用架构、存储压缩技术及混合负载处理能力。测试显示OceanBase在复杂查询场景性能较MySQL提升130-200倍,在高并发TP/AP混合场景表现优异,存储成本降低40%+。通过DBA内部报表业务试点验证其稳定性后,逐步推广至核心业务场景,优化数据库技术栈,实现性能与成本的双重收益。

SmartCodeTech的博客 1381

AI UITester:AI Native 的 UI 自动化测试新范式|得物技术

ai_uitester 代表了 AI Native 的 UI 自动化测试新范式:这不仅是工具的升级,而是测试范式的转变 ------ 从 "代码驱动" 转向 "视觉驱动",从 "人工调试" 转向 "AI 自愈",从 "三端分离" 转向 "统一抽象"。

SmartCodeTech的博客 778

从狂野代码到按目标生产:得物推荐 AI Harness 的工程化实践|AICon 演讲整理

本文是得物技术专家在 AICon 上海演讲整理的技术实录。「得物推荐 AI Harness 工程化实践系列」的开篇内容,本系列共三篇连载。将系统拆解得物推荐复杂业务场景下,AI 代码从生成、防护校验到安全上线的完整技术体系,逐一详解自研 AI Harness 整体架构框架、全流程安全防护机制、混合智能体核心算法实现,以及工业级工程落地的实战细节。本篇(上篇):将整体介绍团队自研的 AI Harness 体系,包括建设思路、全生命周期防护机制、混合智能体架构及落地效果。

SmartCodeTech的博客 1080

从表单到 Agent:得物社区活动搭建的 AI 实践之路

一场营销活动从策划到上线,运营要在三个系统间跳转 10 + 次、填写 40 + 个字段。我们用 AI 重新设计了这条链路 —— 从 “AI 帮你填表单” 到 “两阶段 Agent + 聚合工作台”。这篇文章记录的不是技术细节,而是这条路上的选择和反思。

SmartCodeTech的博客 742

从埋点需求到规则资产:Hermes Agent 重构得物数仓工作流

埋点和指标需求中,消耗数据承接方的不是生成答案,而是补齐证据链、对齐历史口径、识别下游影响,并在生产写入前留下可追溯的确认记录。本文数据承接方指承接业务需求的数据同学或业务合作伙伴;后文讨论内部研发、元数据、查询和门禁能力在流程中的角色。

SmartCodeTech的博客 656

让 Claude Code 拥有自我进化和记忆系统|得物技术

本文记录了为 Claude Code 构建的一套持久化记忆与自我学习系统的设计思路与实现细节。这套系统让 AI 助手能够跨越会话边界记住用户习惯,并在每次对话结束后自动提炼行为规律和系统信息,通过向量检索快速提取关键信息,下一次对话时主动应用,逐步进化为更懂你的编程伙伴。

SmartCodeTech的博客 994

用 LLM Agent 重构告警排查流程|得物技术

告警排查需频繁切换日志、APM、链路追踪等多个平台,耗时 10~30 分钟,且高度依赖个人经验。我们做了 Troubleshooter——用 LLM Agent 自动完成数据采集、根因分析和处置建议生成。上线后中位数排查耗时从 20 分钟降到 4.4 分钟,覆盖 11 个服务和 10+ 种告警类型。

SmartCodeTech的博客 1007

HorizonVault 技术深潜:如何在 HDD 上做出 100GB/s+ 级大吞吐分布式存储|得物技术

HorizonVault是一款面向Kafka远程存储的高吞吐分布式存储引擎,通过分布式并行写入和状态感知调度解决冷数据存储的三大核心问题:吞吐瓶颈、性能抖动和恢复能力。系统采用分层架构,Meta负责全局资源调度,Broker处理请求路由,Store实现本地磁盘管理,形成完整的写入治理链路。通过将HDD磁盘提升为一等资源,实现顺序追加写入、多盘并行和慢盘隔离,在保证高吞吐的同时控制延迟。存储结构采用DiskStore组织磁盘资源,LogSegment顺序写入数据,IndexSegment定位读取,Change

SmartCodeTech的博客 890

Claude Code Harness 工程:数仓侧落地方案|得物技术

Harness 工程通过职责分层实现研发流水线可靠性提升。Claude 负责需求理解与代码生成等语义层工作;hooks 负责规范检查等确定性执行;Subagents 隔离血缘查询、自测等高 token 操作;Memory 承载跨会话状态持久化。四层协同使数仓 AI 开发从"对话式辅助"转变为"规则驱动的自动化流程"。

SmartCodeTech的博客 1099

BP Claw 破解 AI 编码输入难题 ——FlinkSpec 需求智能化实践|得物技术

本文为 FlinkSpec 系列之开篇,亦是这场工程化变革的序章。BP Claw 所立之处,不过链路之源。FlinkSpec 所图,乃以 AI 之力,将实时数仓从需求落地至验收上线的全程工序,熔铸为一套精密自洽、生生不息的智能工程体系。宏图未竟,后续系列将逐章揭幕,敬请期待!

SmartCodeTech的博客 1037
上一篇: 存货库存模型升级始末 | 得物技术
下一篇: 常见的项目管理问题如何应对?| 得物技术
得物技术
得物技术 得物技术官方账号 得物技术官方账号
博客等级 码龄6年 2492粉丝 408原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值