海纳“千川”:得物多场景统一推荐平台|精选

1 千川由来

得物的推荐场景,除了首页瀑布流等几个比较大的场景之外,还有很多长尾的小场景,包括:频道、会场、购中购后场景、品牌墙等。这类场景存在单个场景体量小(UV和GMV均偏小)、场景零散、类型多元的情况。如需对这类场景进行单独优化,涉及的成本投入远高于产出。而随着业务发展,这类长尾场景只会越来越多,对这类场景的优化亟待解决。因此,我们需要这样一个通用推荐平台,来承接住这些小场景,并能够持续优化,带来收益。“化零为整”、“兼容并包”、“统一平台”,这就是千川。

1.png

2 千川需要解决的难题

结合各类需求及定位,千川作为统一推荐系统,面临不少难题,至少需具备五种能力。

2.jpeg

3.png

3 工程和算法解决方案

应对上述困难,千川提出统一推荐框架。在千川ID体系基础上,实现多场景推荐的统一优化。

4.png

千川推荐框架总体分五层

  • APP服务层:对接各个长尾场景,目前接入了包括主题、频道、会场、购中购后独立流、出图等场景

  • 千川接入层:目前提供两种接入方式,一种是通过商品投放服务接入,一种是注册千川直连。千川依据接入场景的差异建立千川ID体系,会为每个接入的场景提供特定的千川ID(或者千川ID集合)。

  • 千川DPP层:提供多种DPP推荐模块,满足多类型推荐需求,包括商品推荐DPP,多类型推荐DPP,楼层推荐DPP,品牌推荐DPP。每个DPP模块框架基本一致,会根据推荐类型设计差异化推荐策略。

  • 算法层:搭建完整推荐链路,在召回、粗排、精排、策略等全流程上进行效率和体验优化。

    • 召回阶段:设计包括I2I、U2I等在内5类召回,尽可能处理场景、行为、兴趣偏差,召回用户喜好商品。

    • 粗排阶段:在满足高性能要求上,提供单目标及多目标粗排能力,为后续精排提升空间。

    • 精排阶段:针对场景差异、用户兴趣、多种目标、大促应用方面进行一系列模型迭代。

    • 策略阶段:结合业务需求提供策略干预、场景差异化配置、流控调权、多样性重排、多类型分发等能力。

    • 基建层:依托包括机器学习平台、索引平台、特征服务、流控平台等在内的强大能力支持,方可打造出整套千川推荐框架。

4 算法迭代过程

4.1 召回粗排演进

因千川多业务场景的特色,召回和粗排阶段面临一系列挑战,包括:场景行为偏好差异、多场景下用户兴趣偏差、场景目标定位差异。

挑战1:场景行为偏好差异

千川用户行为较为分散,不同场景下行为稀疏且差异较大。为处理这类偏差,千川汇集全场景下用户的长短期行为,设计I2I、重定向、Trigger选取、向量化等一系列策略。

5.png

  • I2I、重定向捕获行为偏好
  • 不同的Trigger选取策略兼顾长短期行为
  • GraphEmb、RankI2I实现行为偏好的向量化

挑战2:多场景下用户兴趣偏差

不同场景下用户的兴趣不完全一致,具体表现如:男性用户A在主题落地页更多关注鞋、运动、3C等之类的商品,在送礼频道更关注化妆品相关商品;女性用户B在主题落地页更倾向于包袋、玩偶等,在送礼频道更关注篮球、休闲服之类的商品。用户在不同场景之间的兴趣表现既有共性又存在差异,千川通过实现全场景的DSSM向量表征与结合场景特征的MIND向量表征多场景下用户的兴趣偏差。

  • DSSM引入全场景数据表征用户对商品的基础兴趣
  • MIND结合场景特征扩展用户在多场景多兴趣上的表征

挑战3:场景目标定位差异

因场景定位不同,对应的目标也不一致。整体可归纳为dpv导向场景和uv价值导向场景。dpv导向场景对应的是对点击的预估,uv价值导向场景需要同时预估点击和转化。千川针对两类场景目标,设计了粗排双塔和粗排ESMM模型实现分目标差异化预估,消除场景目标定位差异。

6.png

  • 粗排双塔模型实现点击预估
  • 粗排ESMM实现点击与转化的多目标预估

4.2 排序模型迭代

挑战1: 用户兴趣建模

用户兴趣建模一直是推荐系统中重要的优化点之一,用户的历史行为则是用户潜在兴趣最直接的表达。

之前的工作主要针对用户实时和中短期行为进行建模,仅使用近期行为无法建模用户长期以来稳定的兴趣和周期性的行为,同时也会将推荐系统的数据反馈循环限制在局部的热门的内容中。

7.png

另一方面则是特征交叉的不足,模型从deepFM单目标范式迁移到基于dmt范式下的多目标模型,去掉了fm侧结构,虽然可以充分挖掘用户行为序列特征,但是对稀疏特征在模型上的交叉还较少,有一定的优化空间。

挑战2: 场景差异建模

由于不同的场景往往具备自身独特的定位,服务的用户、包含的商品都有较大的差异。而小场景本身的用户分布和行为偏好也随活动和运营策略等变化发生较大的波动。

新人落地页、新人频道等场景,新用户占比较高,点击率偏高而转化率明显偏低;补贴频道主要以性价比高商品为主,点击、转化的意向都不错,但是aov较整体有明显的下降;女性频道的受众基本是女性,这个场景的商品集较主流场景有着明显差异,女性用户在喜好上也有明显偏向,数据上看这个场景的女装、箱包占比有明显提升;而会场等场景,日常和大促用户分布和商品池变化很大,用户行为也有相应的变化,在预热期收藏意愿持续提升,直到大促当天集中实现转化。而对于购后、支付后等场景,由于用户需求已经部分满足,浏览深度就相应偏低。

迭代1: 用户兴趣建模

为了充分建模用户的兴趣的差异,我们在构建场景下用户、商品各种显式交叉统计特征的基础上,进一步通过优化对用户行为序列的充分建模和隐式的特征交叉方式,提升我们对用户偏好刻画的准确性。

  1. 首先我们增加了transformer的结构来处理用户的长短期用户行为序列,并对行为序列做了合并和去重处理来增大信息容量。

  2. 我们增加了显式的对用户统计特征、稀疏特征的交叉,提升模型效果。

  3. 增加千川id、商品、用户属性对用户行为的交叉特征,并利用co-action结构做隐式交叉。

    a. 用户行为序列作为Feed Feature, 复用attention之前的sequence embedding

    b. cspu、qcid、gender、brand等作为Induction Feature,构建3层mlp

    c. 做3次阶乘,增加高阶的特征交叉

8.png

9.png

迭代2: 多场景差异建模

为了充分建模不同场景的差异,我们在构建场景下商品、品牌、类目的交叉统计特征基础上,进一步通过模型结构的优化,充分学习用户在不同场景的偏好差异。

  1. 通过构建特征刻画场景偏好以及场景效率的差异

10.png

  1. 通过构建特征刻画用户活跃度、用户生命周期标签等特征

    a. 用户标签-生命周期

    b. 用户-不同场景-活跃度 【exp|clk|buy|clickbuy && cspu|brand|cate】

    c. 用户-全场景-活跃度【exp|clk|buy|clickbuy && cspu|brand|cate】

  2. 通过mmoe结构,使得模型进一步学习到场景的差异。

    a. 尽管丰富了特征,但是不同场景的样本混合,只用一个模型会使得不同场景互相干扰覆盖,难以达到最优的效果,所以进一步对模型结构做了调整,复用了mmoe的结构。

    b. 为了凸显场景的差异性,需要对原始的MMoE的 Gate 网络的输入做调整,为此只选择千川id的本身信息作为特征,利用场景id的信息对experts进行选择,使得不同场景经过softmax输出不同的Gate 权重。

    c. 针对不同的场景,模型能够感知场景的差异,不同场景能够选择不同的experts子网络的组合,从而实现不同场景的差异化建模。

  3. 通过poso结构,使得模型能进一步学习到用户群的差异。

    a. 在初步使用用户特征时,发现新用户的特征因为数据稀少(新用户的样本只占所有样本的4.6%),并没有被网络充分学习利用,导致这些特征即使被MASK也几乎不影响网络参数分布。

    b. 为了解决不平衡分布的特征的处理,采用了POSO的结构,主要在Gate侧输入用户标签特征,例如是否新客、是否卖家、性别等特征。然后在全连接结构使用POSO时,全连接的每层输出和gate的输出按位相乘。

13.png11.png

12.png

按照预估点击率分桶,可以看到模型在对新客的预估上,准确率明显提升,而且从整体的pcoc上看,模型建模效果也显著提升。

14.png15.png

5 未来展望

5.1 业务

千川一如既往的支持各类业务发展:

  • 规范对接流程,继续扩展新场景,做到准确高效,如:会场主图,金刚位出图等。

  • 归纳业务诉求,提炼需求共性,进一步扩展能力,如:多类型分发能力、多样性重排能力等。

  • 维护系统稳定,完善监控、神盾巡检,及时发现、处理相关问题。

5.2 算法

千川召回迭代会继续聚焦在处理场景、行为、兴趣偏差上:一方面从场景相关特征入手,围绕场景特征进行召回模型迭代,如:将场景特征作为独立塔引入,加入场景、用户、商品之间的特征交叉,探索SDM模型结构等;一方面持续深挖用户、商品特征,强化价格因素占比,丰富价格特征、加深价格与场景、用户、商品的关联,实现精准建模。

千川精排迭代会继续聚焦在多场景差异建模方向上,一方面探索现有建模范式的进阶方向,例如PepNet等。一方面继续挖掘特征,例如场景内的用户行为序列等,并探索与之适配的模型结构,如SAR-Net等。

另外在许多千川的实际应用中,有许多非瀑布流场景,K个商品可能一次性呈现给用户。例如金刚位、中通位、会场楼层内、商品分类等等场景。此时,这K个商品如同被呈现在一张卡片上,且这K个推荐位之间是相互影响的。会尝试探索生成重排等整屏优化的算法方向。

而千川会场商品推荐很容易受外界干预和大促日程节点的影响,排序模型常常出现日常表现优于基线,但是到了大促就效率大幅下滑的现象。这既是挑战也是算法技术创新的机遇。会进一步探索诸如持续学习、实时ODL、LTR等方向。

5.3 通用性

此外,我们会继续升级,将千川变得更加通用,争取做到组件化、构建算法库、灵活扩展和可复制。

16.png

扫码添加小助手微信

如有任何疑问,或想要了解更多技术资讯,请添加小助手微信:

微信二维码.jpeg

文: Tmac, 阿寿, Yaobik

本文属得物技术原创,来源于:得物技术官网

未经得物技术许可严禁转载,否则依法追究法律责任!

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 312

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 420

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 346

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 245

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 226

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 594

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 317

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 543

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 694

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 735

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 927

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 1495

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 752

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 1365

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 1384

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 779

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 1082

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 745

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 657

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 1008

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 892

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 1103

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 1039
上一篇: 微服务架构中的数据一致性:解决方案与实践| 得物技术
下一篇: 亚毫秒GC暂停到底有多香?JDK17+ZGC初体验|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