得物增长兑换商城的构架演进

一、简介

在移动互联网蓬勃发展的今天,用户的选择日益多元化,App市场的竞争也愈发白热化。为了在激烈的市场竞争中脱颖而出,提升用户获取效率并增强用户粘性,越来越多的应用开始采用积分兑换、抽奖等互动玩法。这些精心设计的运营策略不仅能够满足用户的参与感和成就感需求,更能有效促进社交传播,提升品牌忠诚度。通过持续优化和迭代,开发者能够在竞争激烈的市场中占据优势地位,实现用户的可持续增长和长期留存。

基于提升系统复用性和稳定性的考量,我们构建了一个统一的兑换商城中台系统。该中台旨在为各上游业务线提供标准化的积分兑换和奖励机制,使各类应用和服务能够快速接入并享受便捷的服务支持。通过这一中台架构,我们不仅实现了核心业务逻辑的集中化管理与维护,更为后续的功能扩展(如抽奖、彩票等多样化玩法)奠定了坚实基础,从而显著提升了开发效率和用户体验。

二、诞生背景

在用户增长和留存策略的探索中,增长团队先后推出了多种互动类玩法,如每日签到、星愿森林、心愿海洋以及早期的点鞋成金等。这些玩法通过积分或虚拟货币的积累,不仅增强了用户的参与感,也为用户提供了丰富的奖励机制。然而,随着玩法的多样化,如何高效管理这些积分或货币的消耗途径,成为提升用户体验和趣味性的关键。

在这里插入图片描述

面对这一挑战,团队意识到为每个互动玩法单独开发兑换功能不仅需要前后端的全面支持,还需重复搭建复杂的监控和预警系统以防范潜在的资损风险。这种重复开发的模式不仅成本高昂,而且难以保证系统的一致性和稳定性。因此,构建一个统一的积分商城,为各互动玩法提供通用化的兑换系统,成为了提升开发效率和确保系统安全性的必然选择。这样不仅优化了资源配置,也为后续的玩法扩展和用户体验升级奠定了坚实的基础。

在既有兑换业务的基础上,我们也成功沉淀并提炼了多个核心领域模型。后续基于这些通用化的领域模型,我们逐步探索并实现了多种新型玩法的快速落地,包括老虎机、盲盒以及抽奖券等多样化互动形式。

三、业务架构

业务架构图

业务架构图

业务架构概述

业务架构主要分4级:

上层业务

▪ 主要是有使用兑换商城功能的上游应用,包括星愿森林、每日签到、心愿海洋、增长新客、社区抽奖、学生答题等应用。

玩法沉淀

▪ 主要包括三类玩法,包括积分兑换、老虎机/盲盒,以及抽奖券等。玩法核心所依赖的领域模型基本相似,各个系统都能得到了很好的复用。而在玩法层面,我们主要使用了设计模式中的模板模式,优先搭建好每个玩法的骨架,然后将一些关键步骤交由上游应用自定义实现。

领域模型

▪ 活动:对应每个新接入的应用都需要新建一个活动模型,而各类自定义的业务层面的逻辑都是在活动维度上实现的。

▪ 模板:模板作为上下关系的重要承接,一个活动能够创建多个模板,而每个模板下又可以关联多个奖品。之所以存在模板这个中间层,是有多个原因的。

▫ 原因1:模板和活动之间的关系,我们可以以星愿森林为例,一个活动他是存在多个兑换专区的,包含了合种专区、超值专区等,这些是需要通过模板维度来划分的。

▫ 原因2:模板和奖品之间的关系,奖品需要关联到不同的资产,创建一个奖品的成本较高。而将奖品设计成可以被绑定到多个模板上,奖品这个资产就可以得到一个很好的复用。同时每个模板中该奖品有其独立的库存模块,那么模板之间就不会互相影响了。

▫ …

▪ 奖品:后台不同类型的奖品统一都需要在奖品库内创建。这样我们就能在不同的活动和模板中在奖品库内选出该奖品。每次新增新的类型奖品,需要实现该新类型奖品的发奖能力,如优惠券、津贴、现金等都依赖不同的下游应用进行发放。

▪ 库存:目前支持分时间段库存、每日库存以及总库存逻辑频控,包含用户及奖品的发放频控、包含每日频次、周期循环频次以及总频次。

下游依赖

▪ 主要是兑换商城所依赖的下游应用,包括营销中台、商品聚合中心、提现中台、口令服务、增长配置中心等。

四、玩法迭代

整体玩法总览

本次玩法迭代的介绍主要以积分兑换玩法为主,参考样式如下:

在这里插入图片描述

要想兑换具体的商品需要经过一系列流程,下图为兑换的主流程介绍,包含了用户从发起兑换到最终兑换成功或失败的流程。主要为用户选择某个奖品兑换需要处理的一系列业务逻辑。

如上文所说,在玩法层面,主要使用了设计模式中的模板模式,利用自己领域模型的能力,优先搭建好兑换玩法的骨架,比如有效性校验、库存扣减、奖品发放等逻辑,然后将一些关键步骤如前置自定义检查、扣减货币、回滚操作交由上游应用自定义实现。

玩法内置逻辑是由商城内部的领域模型实现,主要包含通用逻辑如下:

各个模型的有效性校验:确保兑换请求的合法性。

库存及频控模型的前置校验:检查库存和频控模型,确保兑换请求的可行性。

库存扣减逻辑:扣减奖品库存,确保库存数据的实时性和准确性。

奖励模型的发放逻辑:发放用户所兑换的奖品。

兑换成功后置处理:进行兑换成功的后置处理,如记录日志、更新用户状态等。

即下图灰色模块是由商城自己的玩法模板实现。

需业务方对接逻辑主要包含:

前置自定义校验:实现特定业务规则的前置校验。

货币扣减:扣除用户相应的积分或虚拟货币。

兑换失败后的货币回滚:在兑换失败时,将扣除的积分或虚拟货币返还给用户。

即黄色箭头及模块是由商城侧发起,调用上游接入应用,由上游应用处理相关逻辑,然后通知商城成功与否。

在这里插入图片描述

RPC调用迭代

1.0版本

在最初的版本中,黄色模块(如前置自定义检查、扣减货币、回滚操作)的实现方式较为繁琐。具体流程如下:

上游业务方提供protobuf文件:每个新接入的业务方需要提供自己的protobuf文件。

生成go-grpc的server及client端桩代码:根据protobuf文件生成go-grpc的server和client端桩代码。

商城服务编写代码调用client端桩代码:在商城服务中编写代码,调用client端桩代码发起RPC调用。

这种实现方式存在以下问题:

开发成本高:每次新接入一个业务,都需要在商城服务和接入方同时编写代码。

维护复杂:随着业务接入数量的增加,代码维护和管理的复杂度显著提升。
在这里插入图片描述

2.0版本

为了减少商城侧的开发成本,我们借鉴了Java的SPI(Service Provider Interface)概念,对RPC调用进行了优化。具体实现如下:

商城统一生成protobuf的server端代码:商城统一生成protobuf的server端代码,作为服务提供者接口。

活动模块统一配置调用路由:在商城服务的活动模块中,统一配置调用路由,实现服务的动态路由和调用。

接入方引用protobuf生成的server端桩代码:每次有新业务接入,接入方只需引用对应protobuf生成的server端桩代码,并通过反向注册机制实现服务的注册和调用。

这种实现方式带来了以下优势:

开发成本降低 :商城层无需再为每个新接入的业务编写代码,只需进行应用配置。

维护简化 :通过统一的服务提供者接口和调用路由,代码维护和管理的复杂度显著降低。

扩展性强 :新业务的接入更加便捷,系统的扩展性和灵活性得到提升。

通过这种优化,我们不仅实现了RPC调用的高效复用,还为未来的业务扩展和系统优化奠定了坚实的基础。这种模块化、可配置的设计理念,不仅提升了开发效率,还增强了系统的灵活性和可扩展性。
在这里插入图片描述

库存设计迭代

一开始库存只有每日及总库存的概念,实现也比较简单。为了保障库存扣减的并发安全,使用Redis作为库存的存储。具体的库存扣减则通过提前设置好Redis值并不断扣减即可。由于Redis的单线程特性,也不用担心并发重复扣减的风险。Redis一直扣减直至数值小于0就表示库存已被耗尽。

rest, err := redis.decr(key)
if err {
  ...
  return err
}

if rest < 0 {
  return limitErr
}

而后需求迭代中出现了分时间段库存,每天需要分成多个时段来分配库存,每个时间段的库存如果未被耗尽会累积到下一个时段。这个时候通过简单的Decr命令就不能满足需求了。

方案一 :为每个时段单独设置一个Redis的key,但这样会导致某个时段的库存被浪费,不符合功能需求。要实现库存累积效果,需要在进入下一个时段时将上一个时段的库存加到下一个时段,增加了实现复杂度。

方案二 :继续使用同一个库存key,但需要拆分成两次Redis命令调用,首先判断当前时段的库存是否足够,然后进行扣减库存。这种非事务性的执行方式可能导致并发问题,难以确保库存被准确扣减。

考虑到实现成本,我们选择了方案二。具体逻辑如下:

在这里插入图片描述

当前剩余未释放库存 = 总库存 - 当前已释放库存(即timeStock)

▪ 当前已释放库存是当前已过时段各个库存的累加。

如果当前库存 < 当前剩余未释放库存,表示当前时段已无可使用库存,返回-1。

否则,返回当前剩余未释放库存-1。

图片

为了解决并发问题,我们引入了Lua脚本,确保库存扣减的原子性。

LUA脚本伪代码:

# KEYS[1] 为 redis的key
# ARGV[1] 为 提前算出的剩余未释放库存
# return的值 < 0 代表库存扣减失败
local _args1 = ARGV[1]
local stock = redis.call('GET', KEYS[1])
if stock < _args1 then
    return -1
else
    local rest = redis.call('DECR', KEYS[1])
    return rest
end
return -1

奖品横向迭代

在这里插入图片描述

商城内部的奖品都统一维护在奖品库里,每个类型的奖品都有通用属性和扩展属性,同时不同的奖品背后对应着不同的资产,需要有独立的发奖逻辑(资产发放)。因此每增加一个类型的奖品,不仅需要增加奖品类型的枚举,也需要对接下游资产的发放功能。

商城从一开始便不断的在新增不同类型的奖品,从优惠券、代金券、津贴,到后面拓展出现金、虚拟奖品、道具等奖品。

而一些特殊的奖品,比如抽奖券,单独实现一个发奖逻辑就不能实现一个完整功能,为此我们还特地拓展出抽奖券玩法。具体玩法是:用户需要在开奖前获得抽奖券,这时会发放一个抽奖码给用户,我们会在指定时间根据规则进行开奖并通知获奖的用户。这里除了发放抽奖券的逻辑之外,我们还需要一个独立的开奖功能。

开奖流程如下图:

在这里插入图片描述

抽奖券的玩法迭代:

抽奖券玩法的核心在于开奖定时任务的逻辑,这类抽奖券活动不同于奖品兑换,单次活动可能有百万人参与,一万人中奖的情况。那么这样开奖Job的实时计算量就过于庞大了,测试环境按照这个量级进行开奖的话,耗时就已达到10多分钟之久。这个时长对于开奖脚本来说是不可接受的了,不仅用户体验达不到预期,而且时长太长,这段时间如果服务一旦出现其他情况(如新功能部署、容器节点被调度等)中断开奖流程更是会阻塞流程。

为此我们做了以下迭代优化:

开奖Job的实时计算前置:在用户兑换抽奖券时,系统提前为用户打好标签,并随机计算出一个分数。将用户的分数加入到Redis的有序队列中。这样,在开奖时只需从有序队列中取数,大大减少了实时计算量。

开奖Job引入并发操作:允许多场次和多奖品同时进行匹配,显著提高开奖效率。当然,为了避免并发操作引起的数据错乱,在关键流程中加入了Mutex锁,确保数据的一致性和完整性。

异常通知与一键重开功能:在应用出现各类意外情况导致开奖流程被阻塞时,我们会有异常通知告知负责人,并提供一键重开的功能。

最终效果:经过以上优化,正式版上线时,100万人的开奖时长从10多分钟缩短了30倍,仅需20秒即可完成开奖。这不仅大幅提升了用户体验,还增强了系统的稳定性和可靠性。

兑换防刷迭代

针对于防刷策略,项目从最开始只是通过接口验签及H5参数加密进行防控,但这种方式的破解成本比较低,也很容易被黑灰产刷接口。到后面我们便系统梳理了从业务层、接口层及黑灰产防控三方面对代码进行加固。

业务层防刷

▪ 首先是奖品维度的频控,这是基于3.2-业务架构概述中模板模型实现的,包含每日频次、周期循环频次以及总频次。

▪ 其次是活动维度的频控,这个是在兑换流程中,商城中台给业务方提供了开放能力。在兑换前置环节可以自定义校验逻辑,比如N天可兑换N次。

图片

图片

接口层防刷

▪ 这个主要是依赖于得物统一的流控中心,可以针对于单个接口配置限流和熔断策略,这里就不过多赘述了。

黑灰产防控

▪ 针对于这部分流量,我们首先是通过接口验签和时间校验先过滤一部分。

▪ 其次是针对IP及设备的黑名单过滤。

▪ 还有就是针对于高价值奖品,我们会在前置环节预埋token,只有通过正常流程的用户才能进行兑换。

项目稳定性建设

商城作为一个潜在的资损高危区,在稳定性建设上投入大量资源是必要的。本文我们首先聚焦于问题发现及应急止血方面的工作,包括通过监控和告警快速发现问题,以及通过一键止损开关及时对发生异常的业务进行熔断。

监控告警

在监控告警方面,我们采用了多种技术手段来确保系统的稳定性和及时发现潜在问题:

业务监控组件:对于一些明细数据的同环比对比,我们使用了得物通用的业务监控组件。这种组件能够实时监控业务数据的变化,帮助我们快速发现异常情况。

Prometheus SDK埋点:对于一些需要分位数统计的数据,我们使用了Golang的Prometheus SDK进行埋点,并统一收集上报。

最终这些数据统一接入到增长的监控大盘中,能够清晰地看到各个接入方实时的访问数据、兑换数量及面额等。

在这里插入图片描述

告警配置:根据采集到的数据,我们根据规则指标制作了各类告警通知,确保在异常情况发生时能够及时响应:

事前预警 :奖品库存的实时通知与查看,确保库存充足。

事中告警 :奖品数量及金额的同环比变化,及时发现异常波动。

事后统计 :奖品的核销率及T+1天金额对账,确保数据准确无误。

在这里插入图片描述

一键止损开关

为了在发生异常时能够快速响应,我们引入了一键止损开关。这个开关能够在检测到异常情况时,立即对相关业务进行熔断,防止资损进一步扩大。通过这种机制,我们能够在最短时间内控制问题,减少损失。

五、更多拓展

抽奖组件搭建器

为了进一步提升抽奖玩法的易用性和灵活性,我们与前端团队联合打造了可视化的H5抽奖组件。该组件基于商城中台,提供了完整的抽奖解决方案,运营人员只需按照SOP文档进行配置,即可快速接入抽奖玩法并投入使用,真正实现了抽奖玩法的“开箱即用”。

产品特性:

开箱即用: 提供完整的前后端组件, 支持九宫格/翻拍/老虎机等样式;

中奖控制: 中奖次数及中奖频次控制;

库存控制: 奖品每日/总库存控制, 分时段释放;

多种奖品: 优惠券/代金券/津贴/虚拟奖品等;

部分组件样式如下,也支持在可视化的H5搭建器内自定义组件样式。

在这里插入图片描述

在抽奖组件的设计中,抽奖次数的获取是一个关键环节。最初,这一功能完全依赖于业务方自行实现,这导致只有已经接入过商城玩法的业务方才能使用H5的抽奖组件。为了提升组件的通用性和易用性,我们进行了以下优化:

引入增长的任务中台

为了简化抽奖次数的获取流程,我们引入了增长的任务中台。通过这一中台,用户可以完成配置的指定任务来获得积分,这些积分可以直接用于参与抽奖。

在这里插入图片描述

打造简易的积分系统

我们打造了一个完整的积分系统,实现了从获得积分、消耗积分到领取奖励的闭环流程。具体实现如下:

获得积分:用户通过完成指定任务(任务中台提供了非常丰富的任务类型)获得积分。

消耗积分:用户使用积分参与抽奖,系统自动扣除相应积分。

领取奖励:用户中奖后,系统自动发放奖品,完成整个抽奖流程。

这种闭环流程的设计带来了多重优势:

简化接入流程 :业务方无需自行实现抽奖次数的获取逻辑,降低了接入成本。

增强通用性 :所有业务方都可以通过积分系统使用H5抽奖组件,提升了组件的适用范围。

六、总结

本文讲述了增长兑换商城整体的业务框架及部分功能的实现细节。兑换商城作为一个中台,承接了不同上下游提出的需求,很多功能的实现都需要考虑到通用性及拓展性,而一些复杂需求或功能的实现,是否会加重配置的难度,影响后续业务方的接入成本,都是需要在项目迭代中不断思考的问题。不仅如此,在迭代过程中的稳定性保障也会是商城自始至终的基本要求。

对于兑换商城之后的规划:

拓展玩法:引入更潮流、更具吸引力的玩法,以保持用户的持续参与和新鲜感。通过不断创新,确保商城始终处于用户增长的前沿。

降本提效:输出简版玩法及后台配置,维护每个版本的Changelog及SOP文档,确保迭代过程透明且可追溯。精简业务接入流程,减少开发成本和维护成本,提升整体效率。

交流进步:本文作为大纲综述,简要的讲解了兑换商城整体的架构,后续将输出更深入的博客文章,详细探讨兑换商城的核心技术实现、优化策略。通过不断的技术交流,促进项目的成熟和优化,确保商城系统的高效稳定运行。

往期回顾

1.得物自研DGraph4.0推荐核心引擎升级之路

2.如何合理规划Elasticsearch的索引|得物技术

3. DPP推荐引擎架构升级演进之路|得物技术

4.Cursor 在前端需求开发工作流中的应用|得物技术

文 / 麦饼

关注得物技术,每周更新技术干货

要是觉得文章对你有帮助的话,欢迎评论转发点赞~

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 309

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 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 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 225

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 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 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 1494

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 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 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 744

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 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 1101

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: DGraph4.0推荐核心引擎升级之路 | 得物技术
下一篇: 得物业务参数配置中心架构综述
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