得物研发自测 & 前端自动化测试体系建设

一、背景 & 现状

在得物技术团队双周迭代模式下,前端自动化测试体系的建设已成为提升研发效能的关键突破口。当前技术部门推行研发自测的核心诉求,其核心诉求在于通过建立可信的质量保障机制释放测试资源,以此承接更多的业务需求,提升需求吞吐率。

双周迭代的机制对研发流程提出了双重挑战:既要保障两周内完成需求开发、测试验证到交付上线的完整闭环,又需保障研发交付的代码质量稳定可靠且经过充分的测试验证。

服务端已通过流量回放、代码覆盖率检测等成熟方案构建质量护城河。我们统计了各个前端业务域在2025 年Q1中的自测率,服务端实际自测率为:24.45%,而前端的实际自测率仅有:15.35% 。因此,在完成技术部研发自测率25% 的目标的情况下,前端是一个较大的短板。而制约前端实际自测率提升的一个重要的因素就是缺乏像服务端流量回放和代码覆盖率检测技术这样的自动化代码质量保障技术,导致测试同学对于前端自测质量的置信度存疑,无法检测和衡量负责该需求的前端是否已经完成了足够详尽的自测。

因此,如果需要提升前端的研发自测率,我们首先需要从这些质量保障技术出发,夯实地基,构建属于前端的质量保障护城河。

二、意义何在

上面我们说了,目前得物的前端领域缺乏自动化代码的质量保障技术,我们想知道这些技术是否真的具有必要性呢?如果有了这些技术,真的能够带来研发效能的提升吗?要回答这个问题,首先需要分析一下各种质量保障方式的优劣:

从上表的分析中,我们可以看到,不同的质量保障方式各有优劣,每种方式都有各自适合的场景,而研发自测场景和前端代码覆盖率相互结合,便可以解决前端研发自测置信度低的问题,再加上E2E自动化测试,就可以补充全量用例自动化回归的缺口。

因此,补齐前端自动化测试能力对于提升研发自测比例有着相当大的正向作用。

三、方案详情

正如上文所述,我们是通过补齐前端场景缺失的质量保障工具的方法作为支点撬动技术部研发自测比例的天平,让更多符合研发自测标准的需求既能进行研发自测释放测试资源,又能有一定的质量保障机制,确保前端交付代码的质量,稳定生产。

为了方便大家更加理解这个项目,我们将会从技术实现方向、运营方向、各域推广这几个方面具体聊一下在这个项目的具体操作原因和过程。

技术方案

前端代码运行时覆盖率

※  插桩技术

前端代码覆盖率检测最核心的点,就是需要想办法检测出我们修改的每一行代码(JS代码)在运行时是否被执行过,只要想办法拿到这个数据,我们就可以在这个数据的系统上进行一定的清洗、整理、合并,来得到我们想要的前端代码运行时覆盖率的报告了。

经过调研,想要知道某一行JS是否被运行过,其实市面上已经有比较成熟的方案了,例如:著名的JS前端测试框架 Jest 就是基于 istanbul 对需要检测的代码进行插桩并收集代码的运行数据。

代码插桩

代码编译过程中,在代码的抽象语法树(AST)每个语句节点中插入特定代码,从而改变最终生成产物的一种非侵入性代码修正方案。

// code.js
var a = 1;
var b = 2;
var c = a + b;
var d = a < b ? a : b;
function test() {
  return a + b;
}
if (Math.random() > 0.5) {
  test();
} else {
    console.log("done");
}

上述代码是一份简易版本的插桩 SDK和测试代码段,通过左侧插桩逻辑处理右侧的代码后,我们就可以得到以下代码:

接下来我们在页面中进行测试,没有执行到的代码就可以被检测出来。

当然,上述只是一个简易版的插桩代码,仅用于演示,如果要在实际项目中使用,可以考虑使用: babel-plugin-istanbul 。

有了插桩能力之后,SDK剩下的逻辑就简单了,只需要按照一定规则收集相关的覆盖率报告并上报到指定服务器即可实现。

※  覆盖率服务

覆盖率服务是整个前端代码覆盖率体系的核心,起到「承上启下」的作用。

  • 上则与接入了覆盖率SDK的业务系统相通,接收各个业务系统的原始覆盖率数据,并进行清洗、整理、合并、存储的操作。

  • 下则与其他关联系统(覆盖率报告展示平台、覆盖率平台、发布平台、流水线等)连通,为各个关联系统提供核心覆盖能力。

覆盖率服务核心能力

  • 收集处理报告: 收集浏览器上报的测试覆盖率数据,按「应用」、「分支」、「Color」、「时间段」做数据合并和存储。

  • 版本发布处理:版本发布后仅删除「当前应用 + 当前环境 + 当前分支」,改动文件的报告数据。

  • 覆盖率报告: 覆盖率数据展示数据支持和备份能力。

  • 桥接覆盖率平台:提供必要的接口,比如权限对接、报告管理、任务调度、流水线编排(发布拦截读取覆盖率平台指标)等交互。

  • 报告机器人:通过报告机器人在特定时机通过飞书消息形式向特定群组发送覆盖率报告。

覆盖率服务旨在实现「应用维度」,未来会支持「需求维度」、「人员维度」、「页面维度」的覆盖率:

※  报告展示

为了让开发同学能够更加清晰且实时的知道哪一行代码没有被覆盖,我们提供了两种报告形式:

  • 实时覆盖率报告:与Master分支对比,得到测试分支与主干分支的差异,并过滤出增量变动代码的覆盖率情况,且报告是实时更新的,无需反复生成报告,测试完刷新即可查看最新覆盖情况。

  • 覆盖率报告快照:每个版本准入和准出阶段,我们会保存一份覆盖率报告的快照,这个快照会固定与生成快照时的commit进行对比,生成之后不会改变,方便我们查看不同版本各个应用的覆盖率情况。

此外,我们也支持目录维度的覆盖率情况,方便开发同学快速查看未覆盖代码的定位。

目前,我们也支持「需求维度覆盖率报告」、「人员维度覆盖率报告」,将每行代码的改动与具体的需求和人员关联上,支持这个功能以后,我们可以更好地衡量某个需求的的代码测试质量,开发同学也可以利用人员维度的覆盖率报告更加高效地处理各自负责代码的未覆盖问题,提升自测和测试效率。

※  覆盖率平台 & 协同流水线

有了针对指定应用和环境生成覆盖率报告的基础能力后,我们就可以将我们的能力对接到覆盖率平台,这样可以借助覆盖率平台现有的管理能力:

  • 应用注册

  • 环境管理

  • 报告管理

  • 任务管理

除此之外,我们还可以复用覆盖率平台与协同流水线之间现成的通信协议和能力,快速对接到协同流水线当中,实现需求、应用的「准入」和「准出」卡口,让覆盖率不达标的应用无法操作提测和上线,以此筑起质量保障的长城,为稳定生产保驾护航。

E2E 自动化测试

上面我们简单聊了整个前端代码覆盖率的各个模块,细心的同学应该发现了,我们一直说的都是「增量代码覆盖率」,但没有提到「全量代码覆盖率」。难道全量代码覆盖率对我们来说可有可无吗?其实不然!

上文我们主要聊的都是增量代码的场景,其原因是我们之前还不具备全量代码覆盖率收集的能力。很多同学可能会问了,代码覆盖率不是就是代码插桩收集吗?那全量和增量似乎也没区别呀,为什么增量可以实现,全量不行呢?

其实,这并不是我们技术能力上达不到,而是我们不可能要求测试或开发同学每次测试都把这个系统回归一边,要知道,一个成熟的业务系统,动辄就是几十万行代码级别的,我们不可能依靠人工进行全量回归。

所以,就到了另一个前端质量保障的主角登场了,那就是 「E2E自动化测试」,只要有了自动化测试的能力,只要录制(自动分析)一次,下次需求开发之后,就可以直接全量自动化回归了。

关于E2E自动化测试是前端平台增长域的同学负责推进的,在这里就不过多展开E2E的技术细节了。

推广方案

至此,我们已经大概地过了一遍整个前端自动化测试体系的技术方案了。但光是把东西做出来,如果没人用或者用户基数低,那么这些工具的ROI也是非常有限的。因此,我们借助技术部推行研发自测的契机,也制定了前端代码覆盖率体系的推广计划。

应用接入

2025年Q1在实验域的应用内试点运行几个版本后,覆盖率相关功能已相对比较稳定,因此Q2正式开始在前端平台内部的其他业务域中推广,各个业务域根据各自应用的情况,按照以下标准对应用设定接入优先级。

※  接入优先级

  • P0 应用:应用可接入且优先级高(中后台类应用)。

  • P1 应用:应用可接入但是相对优先级较低,或改动频率较低,对于收集覆盖率诉求不高。

  • P2 应用:应用不可接入或者暂不支持接入,未来考虑实现支持收集覆盖率功能。

为确保应用接入顺利,我们保证绝大部分应用可以开箱即用地接入SDK,除了少数RsPack和MF架构的应用需要特殊接入外,其他应用的接入成本均相当低廉。

统一标准

应用接入完成之后,各域的已接入应用就可以通过代码覆盖率来衡量研发自测的质量了,那么接下来就要正式对我们的终极目标“研发自测率”发起进攻了。

各个域对于「可研发自测需求」的颗粒度标准是参差不齐的,但如果要在技术部范围内将研发自测顺利的推行起来,方便后期统一出具相关报告,并根据情况调整科研发自测标准,那么,摆在我们面前的一个最大的难题就是:统一研发自测颗粒度标准。

在进行标准统一的讨论的过程中,我们也遇到了很多问题,其中反馈最多的问题就是:

  • 有些业务域一旦按照统一标准判定可自测需求的话,可自测需求池子就会比原先多出很多可自测需求,虽然可自测需求不代表必须自测,但也需要相关的研发同学和测试同学进行一定的沟通,确认该需求是否能够实际自测并打标,这会增加沟通成本。如果需要反复去 “需求管理平台” 筛选确认,效率太低。

针对这种问题,我们前期通过脚本,按照最新标准将各业务域每个版本的应自测需求都导出到多维表格,并将可以辅助判断需求是否可以自测的一些信息(如当前需求名称、链接、预计是否可自测、实际是否自测、需求总估时[含测试]、需求总估时[不含测试]等)都一同导出,方便各域负责人快速确认(后期研发效能同学会统一开发相关研发自测的数据统计报表和需求明细,方便各域进行分析和确认):

自测需求确认表

此外,我们还确定下来,由于各域的实操标准目前参差不齐,可自测需求可以统一标准。但各域实操时,还是按照各域现行标准实行,即目前这个阶段,我们仅扩大可自测需求的池子,但最终是否自测,还是按照各域实操标准来,后续再根据运营情况调整策略,逐步逼近目标。

目标制定

我们通过对前端平台各域Q1的自测数据进行分析,得到了当前各域的现状:

  • 实际自测率:15.29%

  • 可自测完成率:42.22%

可见,无论是实际自测率还是自测完成率都是较低的。

基于这种现状,如果想要一蹴而就直接打到25%是不太可能的,因此,我们将战线拉长,分两个季度来逐步完成目标:

  • Q2:统一可自测标准、提升可自测完成率,通过自测完成率的提升带动实际自测率的提升,因此确定下来:Q2 自测率:21%Q2 完成率:65%

  • Q3:加强自测能力,提高可自测标准,通过扩大池子来整体提升自测率,因此确定下来:Q3 自测率:25%Q3 完成率:80%

以上为前端平台整体的目标,上面也说了,各域由于业务特性,存在不同的情况,如果一概而论,对于某些域来说难度堪比登天,对于某些域来说又是轻而易举。因此我们还针对各域Q2的现状,为各域量身定制的一套差异化目标:

  • 实际自测率:在高位,持续保持(30%)在中低位,但是空间大 (25%)在低位,空间有限的,取可自测率为目标

  • 自测完成率:原本处于低位(9.52%):设定特殊目标25%原本处于中位(27%~41%):设定最低目标65%原本处于高位,在原基础上提升一定比例即可

需求研发自测影响因素分析

在标准完成统一以及目标完成制定之后,我们进一步下钻数据,想要通过各版本的自测数据分析,找出可能影响研发自测率的因素。首先,我们先预设了几个可能影响研发自测的因素:

  • 需求全栈率:由于全栈开发的目标需求也是简单的小颗粒度需求,跟研发自测的目标需求有一定重合,而如果一个需求是完全全栈的话,就不需要前端参与了,会导致需要前端参与的小颗粒度简单需求数量减少。

全栈

即通过可视化配置的页面来替代人工源码开发的一种解决方案,若某个需求完全推行全栈策略,则无需前端参与,由服务端同学直接配置即可。

  • 大颗粒度需求占比:由于前端总体资源是相对固定的,一个版本中,如果大颗粒度需求比较多,那么前端能够承接的小颗粒度需求自然就会变少,从而导致前端整体可自测需求比较少,直接影响自测率。

  • 小颗粒度需求占比:有些版本,即使大颗粒度的版本不多,小颗粒度的需求也不见得会变多,需求有可能集中在不大不小的区间内,因此小颗粒度需求的多少也会影响到自测率。

  • 版本平均颗粒度:除了大颗粒度需求和小颗粒度需求外,整个版本的平均颗粒度的高低也会一定程度上影响到可自测需求的多少,通常来说,平均颗粒度越高,可自测需求就会相对越少,反之亦然。当然版本平均颗粒度并不会直接影响「实际自测率」,而是通过「可自测率」影响可自测需求池的大小,从而最终影响「实际自测率」。

  • 但由于是间接影响,中间可能受到「自测完成率」以及「额外自测需求数」等其他因素的影响,「版本平均颗粒度」和「实际自测率」之间,并不总是成负相关的关系,因此需要进一步下钻分析。

【平均颗粒度】【应自测率】:通常成反比关系

【自测完成率】【实际自测率】:通常成正比关系

  • 纯前端需求占比:根据过往数据分析,纯前端需求自测占比相较于非纯前端需求自测占比会高很多,因此,一个迭代当中,纯前端需求的多少也会影响自测率。

  • 版本周期:受到各种节假日的影响,得物每个迭代周期可能都不太一样,如 567由于有五一假期,因此该迭代周期为13天,而569由于有端午假期,版本周期只有9天。版本周期不一样,能够承接的需求数量、难易程度、颗粒度也都会有差异,也会影响自测率。

  • 独立项目占比:目前很多域都有不断提升独立项目在迭代需求中的占比的趋势,由于项目管理相对独立,且存在需求庞大,时间周期长,基本不可能自测的特点,如果一个版本中独立项目的占比提升了,那么势必会挤占正常迭代需求的时间,导致可承接的需求数量变小,可研发自测的需求也会变小,影响自测率。

基于上述的集中可能影响研发自测的因素,我们拉取了560~568的9个版本的迭代数据进行了细致分析。

从数据分析中我们发现,版本周期和独立项目占比对需求自测率占比的影响是比较明显的,通常版本周期变长,自测率会提升,反之则降低。而独立项目占比提升通常会导致自测率降低,反之提升。其他条件没有太明显的有规律变化,但不代表他们不会对自测率造成影响,应该是还有一些其他未知因素暗中影响导致的。

因此,我们后续推进时,可以重点关注一下版本周期和独立项目两个影响因素,其他因素也可以看情况加强关注。

运营方案

工具开发好了不代表就完事了,如果不用心去运营的话,肯定也是无法达到技术部 25%的需求研发自测目标的,我们需要一个详尽的运营策略持续跟进覆盖率的运营。当覆盖率有保障了,才能够提升前端自测置信度,让测试放心将更多的小颗粒度需求给研发测试。

简单来说我们会在每个版本需求提测之前,要求负责需求开发的研发在指定环境完成自测,如果未自测或自测不达标,可以直接通过「前端代码覆盖率」工具监控出来并实时提醒。在需求上线之前,我们也会观察待上线应用的准出代码覆盖率情况,用来衡量或辅助判定测试是否充分,是否存在漏测场景,以此保证生产质量和稳定。

四、现阶段成果

基础能力

完成了包括应用维度覆盖率、实时覆盖率报告、覆盖率报告快照、覆盖率准出卡口等基础能力的建设,初步搭建起了前端代码覆盖率体系。Q2预计完成需求维度覆盖率报告、人员维度覆盖率报告、自动化报告推送机器人等能力。

应用接入情况

我们在Q2进行了一次集中的各域应用接入,接入完成率达126.67%,远超预期。虽然后续不会再集中接入了,但还会逐渐单独接入其他支持应用。

接入应用数和生成报告情况

覆盖率运营

我们对接入的部分应用代码覆盖率进行了抽样统计和分析:

从覆盖率数据上来看,统计的应用在正式启动运营之后,相较于566有较大幅度的提升,无论是准入覆盖率还是准出覆盖率都远远超出了目标标准,其中平均准入覆盖率为:78.58%,准出覆盖率为:87.06%(准入目标:60%,准出:80%)。可见只要我们运营得当,主动推进,是能够得到直接的正向反馈的。但从代码覆盖率来说,先不说覆盖率的提升对于研发自测率的影响,就单是对于前端代码交付质量的提升的收益而言,已经比较喜人了。

研发自测

我们抽样查看了实验业务域的研发自测情况,我们可以看到,实验域实际自测率已经超出了Q1的目标(21%)3个百分点,可见实际投入运营后给研发自测率带来的正向效果。(当然,每个版本受限于一些不可控因素,如:需求特性、版本周期、独立项目占比等影响,数据会有一定程度的波动,我们每个版本需要通过数据下钻分析原因,保证顺利向目标进发)。

五、未来规划

我们在Q1和Q2分别完成了「基础能力建设」「研发自测标准化&全域项目试点运营」,基础能力和标准都已经确定下来了,那么后续我们就要从以下两个方向努力了:

构建质量保障矩阵

我们当前已经支持了中后台应用的代码覆盖率检测了,已经支持了公司内部很大一部分的前端应用,但C端应用和NodeJs应用也占了不小的比重,后续需要补齐这一部分能力,让代码覆盖率将这一部分应用都囊括进来,整体提升前端项目的交付质量。

除此之外,我们也会进一步联动E2E自动化工具和影响面评估工具,进一步提升测试完整度。

此外,我们还可以通过支持覆盖率评论、页面维度覆盖率报告、AI智能推荐最佳测试路径、以及影响面评估工具等,提升研发和测试快速精准地找到漏测页面和潜在风险点,提升自测和测试效率。

在测试质量方面,我们打算利用AI能力,分析PRD并生成核心自测用例,补齐研发自测没有测试用例这一短板,提升研发自测的测试质量。

覆盖率数据精细化运营

通过搭建前端代码覆盖率大盘,观测各域各应用以及前端平台全域的覆盖率变化曲线,针对覆盖率较低的业务域和应用,进行专项推进与提升,整体提升前端平台接入应用的交付质量。并通过机器人告警等方式实时通知未达覆盖率最低标准应用的覆盖率情况,针对性分析需求、人员因素的影响。

通过对各域覆盖率、自测率等核心指标的精确分析,不断的优化推行策略和运营策略,可以更早地发现我们在推进的过程中遇到的阻碍和瓶颈,提前制定合适的备案,保障完成最终目标。

常态化运营

在完成了所有的能力建设后,我们就需要针对每个版本的需求进行精细化运营了。每个版本迭代结束,及时对上个版本的数据进行复盘和分析,看一下有哪些地方没做好,导致原本可以研发自测的需求,最终没有自测。并根据上一个Q的运营情况,实时调整研发自测的标准和各域的差异化目标,确保研发自测的正常健康推进。

六、结语

在数字化进程加速的产业背景下,前端工程的质量保障已从单一功能验证演进为体系化工程实践。上文通过技术架构、运营机制、推广策略三个维度,系统解构了我们在推进前端自动化测试体系的建设路径与研发自测的实践价值,为前端构建起质量护城河,提升前端代码交付质量,并以此撬动研发自测的杠杆,向着整体提升需求吞吐率的目标发起冲锋。

作为现代前端工程师,质量保障责任不能完全委托于测试团队。有研究表明,经过严格自测的代码提测后无论是缺陷密度还是代码回滚率都会有较大幅度的下降。前端开发者通过浏览器中对于功能的详尽自测,能够深度理解业务逻辑边界条件;在覆盖率报告分析过程中,可常发现未覆盖的异常分支或冗余代码,这对代码可维护性提升具有显著价值。

通过覆盖率报告建立个人/需求质量档案,持续跟踪自测覆盖率、缺陷引入率等指标,遇到问题时能够精准快速溯源,快速判断Bug逃逸原因是否是因为功能点漏测导致的。之前曾看过这样一句话:"优秀的代码不仅是能运行的代码,更是经得起反复验证的代码",这种严谨的工程态度正是专业开发者的核心素养。

通过上述体系建设,可使前端质量保障从被动发现转向主动检测&防御,从个体实践升级为团队能力,最终实现研发效能与产品质量的双重提升。这既是应对复杂前端工程的必然选择,也是项目在高速迭代过程中保障交付代码质量,稳定生产的关键路径。

往期回顾

1.从CPU冒烟到丝滑体验:算法SRE性能优化实战全揭秘|得物技术

2.得物自研DScript2.0脚本能力从0到1演进

3.社区造数服务接入MCP|得物技术

4.CSS闯关指南:从手写地狱到“类”积木之旅|得物技术

5.从零实现模块级代码影响面分析方案|得物技术

文 / 康辉

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 317

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 248

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 227

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 345

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 544

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 736

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 1082

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 755

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 1385

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 780

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: 从CPU冒烟到丝滑体验:算法SRE性能优化实战全揭秘|得物技术
下一篇: 得物社区活动:组件化的演进与实践
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