电商订单履约-卖家发货演化史

1 背景

订单的履约之路就是从发货开始,看似简单的发货功能,其背后却藏着许多的小秘密。

发货的业务特点:

  • B端业务,性能要求不高,因为存在批量发货的场景。

  • 发货时间比较分散,所以并发量不大。

  • 业务复杂,涉及到N种订单类型的发货,不同的订单类型有着不同的业务规则。

随着公司业务的发展,订单类型的增多,没有进行抽象的发货逻辑随着迭代的推进难免会显得落后。当然,在迭代的过程中,也一直在优化,一直在演进,正所谓没有最好,只有符合当前业务现状的最合理。

2 一阶段卖家发货

卖家发货在一开始的时候,有N个接口。比如,现货单个发货,现货批量发货,现货极速发货,App发货,直发发货,定制发货等。

有这么多发货接口也是我们平台的业务特性决定的,现货就是卖家发货到平台,直发就是卖家发货到买家,不同的业务有不同的流程。除了接口多这个问题,另一个问题是逻辑分散,每个接口都是独立的逻辑,大量重复代码的出现极大地增加了维护的成本。

比较简化的发货流程如下:

  • 参数校验

  • 一些业务校验,比如订单状态,发货冷静期等

  • 核销卖家优惠

  • 推状态机

  • 订单数据修改保存

  • 广播发货消息

  • 下发入库单

  • 订阅物流轨迹

  • ……

在整个流程里面,存在很多可以优化的点。如在订单数据更新之后的很多操作都可以通过异步的方式去处理,这样可以提高发货整体的性能。

总结下之前卖家发货存在的几个问题:

  1. 对外接口多,难以维护

  2. 发货业务跟订单类型强绑定

  3. 内部逻辑分散,无业务全貌

  4. 整体性能偏差

3 二阶段卖家发货

3.1 业务改造

前面也提到了,目前发货是基于订单类型分类来进行编排。之所以要通过订单类型去做分类是因为之前只有订单类型,所有的业务都是根据订单类型去做区分。主要还是没有站在履约的视角下去做发货这件事情,所以导致每加一种订单类型,对发货都有一定的影响。

在履约视角下,会有履约单。履约单上有履约模式,目前有现货,直发,仓发,虚拟,服务单,跨境直发,跨境现货,跨境在仓。

履约模式是对货品怎么从卖家交付到买家手里的一种业务模式,不同的模式在业务流程的处理上不一样,在卖家发货的场景下,只关注货怎么到买家,而不需要关注订单是什么类型。

现货

  • 现货模式指的是卖家把货发平台,平台质检/鉴别合格后再把货发给买家。现货类的订单类型有普通现货,极速现货,极速预售,定金预售等。

直发

  • 直发模式指的是卖家直接把货发到买家。直发类的订单类型有品牌直发,定金预售直发,拍卖直发,众筹直发,盲盒直发等。

仓发

  • 仓发模式指的是卖家提前将货发到平台仓库,买家下单后直接从仓库发出。

虚拟

  • 虚拟模式指的是在线履约,无需快递配送。虚拟类的订单类型有随心省,洗护卡,虚拟卡卷等。

服务单

  • 服务单指的是定制类的服务,需要将货品从平台寄到服务商,服务商完成定制服务后再寄回平台,再由平台寄给买家。

从履约模式的划分可以看的出来,每个业务场景都有一个订单类型,但从履约的方式来说都一样。二阶段发货会根据履约模式去做业务流程编排,不感知订单类型,这样就能沉淀平台化的能力,而不是跟着上层业务每次都需要改变。如有特定的针对某种订单类型的业务处理,这个逻辑会放在订单侧。

3.2 稳定性改造

在稳定性方面也做了一些改造,发货虽然不是导购下单链路,但也是非常重要的一个节点。发货有问题就会导致订单状态无法推进,后续会引发超时关单等问题,所以在稳定性上必须严格保证。

整个发货的操作,有失败的会立刻告警出来,当然这里会屏蔽一些正常的业务校验场景,否则告警太多就显得毫无意义。同时也基于订单目前现有的错误码大盘构建了发货的大盘,发货失败量,失败的原因通过大盘一看便知有没有问题。

3.3 业务感知

作为研发同学,无论是业务研发还是中间件研发,都需要对自己负责的系统和功能的使用情况比较了解。构建业务大盘就是一种非常好的能够实时感知业务情况的一种方式。

比如说在发货场景我们需要感知的数据有如下:

  • 总发货量

  • 各履约模式的发货量,现货 xxx,直发 xxx,虚拟 xxx

  • 各场景的发货量,App xxx,商家后台 xxx,开放平台 xxx

  • 发货承运商分布情况,顺丰 xxx ,京东 xxx

  • 发货方式分布情况,上门取件,自主发货,普通履约(平台下运单)

  • ……

3.4 改造收益

这次改造的收益如下:

  • 统一发货接口

  •         只有一个接口,支持所有的卖家发货场景

  •         接入成本低,接入方式简单

  • 统一发货协议,支持多运单多订单同时发货

  • 基于履约模式做业务编排,新增订单类型无需改造

  •         提升后续发货相关开发效率

  • 完善业务大盘,错误码大盘

4 三阶段卖家发货

4.1 什么是业务身份

我们做平台化的业务,同时对多业务提供服务时,需要有标识能够区分每一次业务服务请求的身份,这样就可以提供差异化个性化的服务,我理解这就是业务身份。

就好比消费者去一家线下门店消费,商家会让消费者办会员卡,会员卡有不同的等级,比如黄金卡,铂金卡等等。消费者每次去店里消费都会带上这张卡,这张卡就是消费者的身份,商家也能根据这张卡来给消费者提供差异化的服务。

4.2履约模式下卖家发货面临的问题

在构建业务身份之前,我们是基于履约模式去处理差异化的业务流程。也并不是说非得抽业务身份,而是到了某个阶段,业务的复杂度不得不让你改变现有模型,说白了就是没办法支持多变的业务,就算能支持,改动带来的影响面比较大,对测试回归的范围比较广。所以我们需要反思以什么样的形式来解决复杂业务,同时又能支持后续业务的多变性,还能减少测试范围,这就是我们构建业务身份的根本原因。

上面说的可能有点抽象,下面通过一个具体的例子来说明下目前遇到的问题以及用业务身份如何解决这个问题,如何获得高扩展性。

在本文第四点 基于履约视角的卖家发货中已经说明了最新的发货是基于履约模式来进行业务编排。直发和现货模式都是基于实物的履约模式,需要使用快递发货。但我们还有一种虚拟履约模式,虚拟履约是不需要快递发货,而是线上进行,比如月卡,游戏皮肤,票务(电子票)等等。

如下图所示:

在虚拟模式中的票务目前仅仅支持电子票的形式,在最新的需求中,需要支持实体票。实体票默认都是快递配送,如果购买时间临近演出开始的时间,那么快递配送在时间上肯定是不能满足要求,这个时候另一种方式出现了,它就是现场取票。

此时可以看下图,虚拟模式下又存在多种业务场景,当虚拟订单需要走快递配送的链路,现有基于履约模式的业务编排没办法支撑。如果不谈合理性,只实现需求的话只能在虚拟模式下再开一条新流程,处理快递配送的流程。但是快递配送相关的流程在直发和现货的模式下都是现成的,这样做后续维护成本和理解成本太高,这就是基于履约模式的发货目前面临的业务扩展问题。

4.3 业务身份如何破局,提高扩展性

如上图所示:底层能力不再跟履约模式进行一一绑定,而是基于业务场景进行了抽象。这样做的好处在于这些底层能力可以被复用,怎么复用就需要抽象出具体的业务身份。

举例说明:

  • 现货通用业务身份 对应的能力如下:

  •         运单号校验 需要

  •         创建发货批次单 不需要

  •         优惠核销 需要

  •        状态机 现货

  • 现货App业务身份 对应的能力如下:

  •         运单号校验 需要

  •         创建发货批次单 需要

  •         优惠核销 需要

  •         状态机 现货

  • 虚拟通用业务身份 对应的能力如下:

  •         运单号校验 不需要

  •         创建发货批次单 不需要 

  •         优惠核销 不需要

  •         状态机 虚拟

  • 虚拟快递业务身份 对应的能力如下:

  •         运单号校验 需要

  •         创建发货批次单 不需要

  •         优惠核销 不需要

  •         状态机 虚拟快递

通过上面的例子我相信大家都看明白了业务身份的作用,结合业务抽象出业务身份,同时为业务身份绑定对应的能力,这样就能完全的复用底层能力。

当然,这里的重点是如何提取出对应的业务身份,业务身份是一个多维度聚合的一个结果,并不是随便编造出来就可以。以卖家发货的场景来分析,业务差异性体现在下面几个点上:

  • 不同的端有不同的逻辑

  • 这里的端指的是卖家发货时使用的系统,比如App,商家后台,开放平台对接等等。

  • 不同的履约模式有不同的逻辑

  • 履约模式目前已经细分完成,有直发,现货,定制,虚拟等等。

所以我们的业务身份就是对应的端+履约模式,对于没有差异性的可以定一个通用的业务身份,后面有差异性了再单独提取出来。比如通用现货,需要细分的那就是App现货。

上面这个维度组成的业务身份能满足大部分场景,还是有些场景无法满足,那就是虚拟订单走快递配送的场景。也就是说我只能识别出当前的业务身份是虚拟模式,但是无法识别出虚拟模式下是要走快递配送,还是现场取票,还是凭证发货。

为此,增加了第三个维度来组成业务身份,这样就能明确当前的业务身份需要做哪些事情。所以对于虚拟的业务身份就会有虚拟通用,虚拟快递发,虚拟现场取三个业务身份。

对业务身份来说,也是会随着业务而进行演变,也许以后将整个履约链路标准化,提供给多业务使用,这个时候业务身份中就会增加非常重要的一个维度:租户。

4.4 改造收益

4.4.1 高扩展性

高扩展性其实上面已经讲过了,通过业务身份编排的方式轻松的就支持了虚拟订单走快递配送的履约方式。根本不需要在之前很多逻辑里面加 if 进行强判断。

比如有个需求要对发货时子母件(一个运单多个包裹)的场景进行拦截,只在某一种履约模式下进行拦截。这个时候我们就可以新增一个子母件拦截的基础能力,分别是拦截和不拦截。

然后给需要拦截的业务身份配置上拦截,给不需要拦截的业务身份配置上不拦截,这样就只有指定的场景才会用到子母件拦截的能力。如果后面其他模式也要支持拦截,直接改配置就可以了,无需改动底层业务代码。

高扩展性的前提是有好的抽象和分层,发货整体业务架构如下图所示:

4.4.2 测试成本低

测试成本低主要体现在改动范围都是可控的,因为整个发货流程中都抽象出了具体的能力。比如说你改了A能力,A能力只作用在虚拟模式下,那么测试只需要回归虚拟模式的流程即可。

以上面说的子母件拦截的场景来讲,也只需要测试现货模式,而且老逻辑都不用看,因为是新增的能力点,完全不会影响老的业务逻辑。

或者说在业务的发展下,新出现了一个业务身份,但是这个业务身份对应的能力都是之前已经存在的能力,只不过是有些能力不需要,这个时候只需要改两个地方,一个是业务身份对应能力的配置,另一个是计算业务身份的逻辑,能够根据某些条件决策出当前请求是这个新的业务身份。这个时候测试只需要简单的验证下即可,底层能力都是已经在使用的,不同的点只在于编排。

无论是新增,还是修改,还是重新编排。都能很明确的知道当前调整的范围,这样测试的成本自然也就比较低。不再需要像以前一样,改动了几行代码,不清楚什么场景在使用,然后全部回归一遍。

5 未来展望

5.1 底层能力的持续完善

目前发货场景的底层能力数量不多,在某些场景还是会有简单的if判断逻辑。在目前看来这些场景还没有特别复杂,随着业务的发展和规则的变化,这些逻辑越来越复杂的时候,就需要继续去提取出原子级别的能力。

能力的提取和业务身份的抽象是个漫长的过程,不存在一成不变的情况,只存在慢慢演进和优化的过程。

5.2 业务身份的可视化编排

可视化编排在初期并不是重要的一环,随着底层能力越来越丰富,业务规则越来越多且变化频繁,此时研发侧能否快速交付就变得很重要。通过可视化编排,不用依赖代码改造和版本发布,就可以快速调整业务流程和新增一套完整的新流程。当然,这也需要有很多相应的机制来保证稳定性,毕竟代码变更是每次都经过一个迭代的测试才能发布,这种动态变更的也需要有相应的灰度机制才行。

5.3 扩大业务身份的适用范围

业务身份目前只在卖家发货场景落地,在履约这边有其他很多平台化的能力,如何用平台化的能力去支撑上层多变的业务是核心诉求。一旦业务身份确定,那么在整个履约链路中,都可以基于业务身份来做整体的流程编排,做差异化的处理。

*文/YJH

本文属得物技术原创,更多精彩文章请看: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 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 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 751

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 1383

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 1102

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: 自动化实践-全量Json对比在技改需求提效实践
下一篇: 资损防控技术体系简介及实践
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