得物社区活动:组件化的演进与实践

一、前言:社区与活动

“得物平台上的大量商品都具有文化与精神属性,用户往往通过社区来进行了解和分享。”

得物平台作为潮流文化与电商融合的前沿阵地,其社区活动业务的演进备受瞩目。得物平台的很多商品蕴含深厚的文化与精神内涵,这吸引用户在社区进行深度的了解与分享。潮流以品牌和带有潮流元素的产品为载体,以社区和内容作为传播媒介。

从业务视角审视,种草激励、MCN 入驻、达人签约以及各类活动玩法,本质上皆是内容与品牌之间的博弈。通过活动业务,能够获取更为丰富、优质的内容,而这些内容又能进一步强化品牌文化与形象,进而筑牢得物社区的潮流心智根基。

依据以往大盘数据分析,活动所带来的发布在 UGC 大盘中占比及推荐流阅读时长上均有显著作用。

由此可见,活动业务在得物社区的 UGC 发布等相关指标中,占据着举足轻重的地位。回顾得物社区的发展历程,品牌文化的深耕与品类挖掘的潮流大势清晰可辨。得益于这一趋势,社区活动业务近年来备受关注,各类玩法如雨后春笋般层出不穷。

二、业务催化剂

效果与效率的辩证探索

为了探寻活动效果的极致境界,我们始终在活动玩法的搭配上不断推陈出新、勇于尝试。

话题类玩法致力于用户心智的精耕细作、激励类玩法侧重于内容质量的提升拔高、互动类玩法着重于用户粘性的稳固增强。活动效果大多取决于玩法本身,这也正是活动玩法日新月异的根源所在。

然而,效率与效果有着不同的侧重点。

效率并不追求差异化的活动玩法,而是在既定框架内,以最优的流程达成目标。它着眼于资源的高效利用,强调标准化与模板化,让活动能够按部就班、有条不紊地推进。但这并不意味着效果与效率相互对立,相反,我们需要在两者之间找到一个恰到好处的平衡点,使其共同为活动业务的破圈发展添砖加瓦。

现存问题剖析

其一,每当推出新活动,不同玩法和激励功能的显著差异,要求我们必须从零开始进行开发与测试。这一过程不仅耗费大量的人力、物力和时间资源,还极大地拖慢了市场响应速度,导致迭代成本居高不下,且难以有效控制。

以常见的活动玩法为例:

其二,新功能的引入对线上服务的稳定性构成潜在威胁,尤其是涉及资产/交易的业务,其潜在风险不容忽视。

最后,由于不同产品团队对同一玩法的理解和实现方式存在差异,使得功能在迭代过程中难以保持持续性和一致性。这种情况不仅造成同质化功能重复开发,还使得宝贵的开发经验无法有效沉淀和传承,严重制约了业务的长期发展。

在活动玩法体系中,任务判定作为核心环节,其复杂性尤为突出。任务条件具有种类繁多,配置灵活的特点,这不仅增加了业务逻辑的复杂度,还大幅提升了线上问题排查和修复的难度与成本。

破局与机遇

面对上述种种挑战,我们将其组件化,使其成为行之有效的解决思路。

解决思路

※  高频业务迭代的适配

活动业务的频繁更迭为组件化提供了得天独厚的条件。通过将复杂功能拆解为独立、可复用的组件,能够迅速顺应变化,敏捷响应市场需求。

※  业务特性的契合

大部分活动功能具有可拆分和可抽象的特性,这为组件化的实施奠定了坚实的基础,使其得以顺利开展。

※  降本提效的需求驱动

随着业务的持续增长和市场要求的稳步提升,采用组件化方式能够切实有效地降低成本,提升运营效率,为业务的稳健增长提供强大助力。

组件化的核心在于从价值向设计的转变。每一个组件都应具备高内聚、低耦合的特性,确保能够在不同场景下灵活复用,而不受具体业务逻辑的束缚。

  • 模块化设计:需将复杂系统拆解为多个模块,每个模块负责一项独立的功能,便于开发和维护。大系统小做,做从根本上化解业务复杂度问题,拆分大的功能到最小组件上,注重组件之间的接口与衔接。小功能大做,从单纯的任务条件判定到规则引擎,小的功能往往多且差异性大,通过系统化的设计将他们的能力聚合并出口,保持对后续业务的灵活适配能力,并将影响最小化。

  • 接口抽象:定义清晰明确的接口,使各组件之间的交互简洁明了,通过实现接口来替代业务的直接依赖,提升系统的灵活性与可扩展性。

  • 标准化配置:制定统一的配置标准,简化配置过程,减少迭代调整的频率与复杂性,提高工作效率。

三、组件化:从想法到实践

OOP

现实世界事物纷繁复杂、千头万绪,难以全面认识和深入理解。人类通过分类归纳的方法,将复杂事物系统化、条理化,从而使其变得井然有序。

在业务设计中亦是如此,需求千差万别、形形色色,每个人都可能参与其中,即便在基础编码规范的约束下,仍可能出现风格各异的设计,进而导致维护成本攀升、重复能力难以有效复用等问题。

这便催生了我们所熟知的设计范式。

There are four major benefits to object-oriented programming:

  • Encapsulation: in OOP, you bundle code into a single unit where you can determine the scope of each piece of data.

  • Abstraction: by using classes, you are able to generalize your object types, simplifying your program.

  • Inheritance: because a class can inherit attributes and behaviors from another class, you are able to reuse more code.

  • Polymorphism: one class can be used to create many objects, all from the same flexible piece of code.

系统和业务

系统,作为整个活动与任务体系的架构基础,必须具备高度的健壮性和灵活的扩展能力。它主要承担数据聚合、规则判定和状态流转三大核心功能。

以抽奖活动玩法为例,系统负责收集整合各个渠道的用户数据,判断用户是否符合参与活动的资格、是否为风险用户、是否符合发布要求,并依据用户行为和活动规则进行状态流转。

业务,则是体系的核心价值体现,具有动态性和多样性的特点。它主要涵盖实时行为、滞后行为和被动行为三种类型。

在抽奖玩法活动中,实时行为包括用户在活动页面的即时交互操作,如分享活动链接、浏览活动页面、订阅直播等;滞后行为涉及用户发布内容后的质量评估和审核流程;被动行为则包含数据清洗、数据回扫等后台处理任务。

事件驱动

系统和业务之间的关系基于事件驱动来实现。在活动业务中,事件驱动宛如一条无形却坚韧的纽带,将系统和业务紧密相连,同时又保持各自的独立性。通过事件驱动,系统能够敏锐感知业务的变化与需求,业务也能借助系统的强大能力实现自身目标。

基于事件驱动机制,我们定义了核心的任务模版方法和激励模版方法。不同的任务和激励形式可以根据具体业务需求进行个性化定制,从而实现系统与业务的有效分离。

模块与模块

除了系统与业务的解耦,系统内部模块之间也需要进行有效的隔离。我们引入事件总线架构的思想,将其作为事件发布者和订阅者之间的通信中介。在标准化各模块输入输出接口的基础上,结合哪吒搭建平台,通过配置关联的方式对各个模块进行编排,实现模块之间的通信与协作,同时避免模块间的直接依赖,达到模块解耦的目的。

核心概念&设计

活动系统整体将业务层和系统层拆分为两大板块,通过事件驱动媒介实现二者的隔离与闭环,确保系统层和业务职能清晰明确,为活动业务的可持续迭代发展保驾护航。

活动和任务

随着近期社区活动业务的蓬勃发展与活跃迭代,当前版本的活动体系在应对诸多玩法时愈发显得力不从心、捉襟见肘,主要体现在以下两个方面:

  • 活动层以及奖励粒度的搭配难以满足多元化玩法的需求,存在明显的适配不足。

  • 活动、任务、奖励等层面的个性化要求配置无法充分满足,限制了业务的创新发展。

为此,我们从 “活动与玩法的适配、任务粒度及激励个性化”几个关键方向发力,进行体系重构。

首先,将激励完全抽象为 “激励值”,无论是抽奖次数、瓜分机会、兑换积分、优惠券金额,都以 “值的形式” 进行抽象化处理。

这一抽象设计极大提高了活动、任务和激励之间关系的灵活性,能够满足当前绝大多数活动业务的设计需求。然而,抽象处理也带来了一些问题,例如在用户界面展示方面,难以直观呈现用户在某活动中是否获得过特定奖励。

其次,构建了新的关联框架。单个页面可以关联多个活动,单个活动可以关联多个任务,单个任务可以进一步关联多个任务明细,抽象化的激励值直接与具体任务相关联。

最后,完成三层概念设计。

在活动层,通过设置严格的报名策略和人群筛选条件,确保活动参与的精准性;在任务层,明确任务下发策略、达成条件和执行频率控制,使任务执行更加规范可控;在激励层,设定激励获取上限并制定智能分配策略,实现激励资源的合理分配。通过这种方式,实现了活动、任务、激励之间的自由组合和灵活配置,有效提升了整体运营效率。

任务判定抽离:规则引擎

在传统任务模块代码中,大量的 case 语句导致条件判定逻辑分散在各处。随着业务的不断迭代,业务逻辑变得愈发复杂,逐渐暴露出以下问题:

  • 每次条件改动,甚至是数值调整,都需要开发人员介入,耗费大量人力和时间。

  • 各种条件判断与业务紧密耦合,开发效率低下且难度极大,增加了开发成本和风险。

  • 任务体系的可扩展性和稳定性差强人意,难以适应快速变化的业务需求。

  • 业务透明度极低,团队协作推进困难,新人难以快速上手。

为解决这些问题,我们引入规则引擎,将业务决策逻辑从任务模块中抽离出来。规则引擎通过接收动态数据输入,依据内部预设规则进行计算和判断,输出决策结果,从而实现业务逻辑的独立维护和动态更新。

任务模型

在活动系统中,任务模块扮演着至关重要的角色,主要体现在以下两个方面:

  • 核心驱动力:任务模块是推动活动进展的核心动力源泉。它通过设置一系列明确的任务,引导用户按照活动预期方向进行操作,从而确保活动目标的顺利实现。例如在电商促销活动中,设置 “分享活动页面至社交平台,邀请 5 位好友助力” 的任务,以此扩大活动影响力,吸引更多潜在用户参与。

  • 数据洞察源:任务模块所产生的数据是了解用户行为和活动效果的关键依据。通过分析用户完成任务的情况,如完成率、完成时间等,可以精准洞察用户的兴趣点和参与度,为优化活动策略提供有力支撑。

为应对任务多元化这一挑战,任务模块化成为必然选择。模块化设计将任务拆解为独立的组件,显著提高了开发效率和灵活性。同时,模块化架构便于维护和更新,当某个模块出现问题或需要升级时,只需单独处理该模块,不会影响其他部分,有效降低了业务定制的成本和风险,使任务模块能够更好地适应复杂多变的业务环境。

根据业务特性,我们首先定义了任务接口,并严格划分接口内外的职责边界,确保接口内部专注于业务逻辑实现,接口外部实现系统功能。

任务模型定义如下:

// TaskMode 任务模型
type TaskMode interface {
    // TaskType 任务类型
    TaskType() consts.ActTaskType
    // TaskUniqueFlag 事件唯一标识
    TaskUniqueFlag() string
    // ExpressFunctions 自定义函数集
    ExpressFunctions(ctx context.Context) map[string]govaluate.ExpressionFunction
    // ExpressArguments 任务条件参数搜集器
    ExpressArguments(ctx context.Context, pending []db.PendingTasks) (dto.ExpressArguments, error)
}

具体实现何种任务模型,则参考业务方的实际诉求,只要按照「TaskMode」接口规范进行实现即可。

这里以 “发布篇数任务-TaskPublishTimes” 的实现为例进行说明:

type TaskPublishTimes struct {
    event *dto.TaskPublishEvent
}


func NewTaskPublishTimes(event *dto.TaskPublishEvent) (taskMode TaskMode, err error) {
    if event.ContentId == 0 {
       return nil, errors.New("missing necessary parameters")
    }
    taskMode = &TaskPublishTimes{
       event: event,
    }
    return
}


// TaskType 任务类型
func (t *TaskPublishTimes) TaskType() consts.ActTaskType {
    return consts.ActTaskTypePublishTimes
}


// TaskUniqueFlag 任务唯一标识
func (t *TaskPublishTimes) TaskUniqueFlag() string {
    return fmt.Sprintf("CNT_ID_%d", t.event.ContentId)
}


// ExpressFunctions 自定义函数集
func (t *TaskPublishTimes) ExpressFunctions(ctx context.Context) map[string]govaluate.ExpressionFunction {
    return map[string]govaluate.ExpressionFunction{
       // "WITH_ANY_TOPIC(tag_ids, (1001,1002)) == TRUE"
       "WITH_ANY_TOPIC": func(args ...interface{}) (interface{}, error) {
          // ...
          var intersect, _ = arrayx.Intersect(carryIds, condIds)
          return float64(len(intersect.Interface().([]uint64))) > 0, nil
       },
       // 省略部分...
    }
}


// ExpressArguments 条件参数搜集器
func (t *TaskPublishTimes) ExpressArguments(ctx context.Context, pending []db.PendingTasks) (dto.ExpressArguments, error) {
    var eg = gox.NewErrGroup(ctx)
    var args = dto.ExpressArguments{}
   
    // 基础信息
    eg.Go(func() error { /**/ })
    // 互动信息
    eg.Go(func() error { /**/ })
    // 审核信息
    eg.Go(func() error { /**/ })
    // ...


    err = eg.Wait()
    return args, err
}

与传统面向对象编程实现方式相比,Golang 的接口实现更加灵活。只要 Struct 实现了接口定义的所有方法,即可隐式实现该接口,无需显式声明,这种特性为任务模型的开发提供了更高的灵活性。

任务触发器

任务触发器与任务模型相互独立,不存在直接依赖关系。当系统接收到行为事件时,会实例化具体的任务模型,并将其作为参数注入任务触发器,从而驱动系统与任务的协同运行。

任务触发器应与业务逻辑完全分离,所有与业务相关的改动集中在任务模型中,修改后只需针对相应改动点进行回归测试。而与系统相关的改动则集中在任务触发器中,由于这部分改动可能影响所有任务模型的执行结果,因此需要谨慎处理,并确保进行全面的回归测试。

// TaskTrigger 任务触发器
func (s *ActSysTaskService) TaskTrigger(ctx context.Context, taskMode act_sys.TaskMode) (err error) {
    // 用户粒度任务锁
    // ...
    
    // 列表用户任务
    var pending, err = dao.ListUserTasks(ctx, event.UserId)
    if err != nil {
       return
    }
    
    // 二次过滤(任务状态、活动时间)
    // ...
   
    // 自定义函数集 & 条件参数搜集
    var condFunc = taskMode.ExpressFunctions(ctx)
    var condArgs, err = taskMode.ExpressArguments(ctx, pending)
    if err != nil {
       return
    }


    // 任务达成判定
    for _, v := range pending {
       var reach bool
       reach, err = act_sys.RunTaskExpress(ctx, v.TaskCondExpr, condFunc, condArgs)
       if err != nil {
          continue
       }


       if reach {
           // 更新or写入任务明细记录 & 任务进展 & 发放/回退奖励值
           // ...


           // 执行HOOKS(这里是不同业务的个性化订阅者)
           // ...
       }
    }
    return
}

在任务触发器的设计中,重点涉及任务初始化与下发流程。由于行为事件入口众多,难以采用传统方式进行显性任务下发,因此我们将任务下发逻辑嵌入任务触发器中,使每次事件注入触发器时都成为一次任务下发的机会。

当然,这种设计也存在一定风险,在触发器中添加代码可能会对整个任务体系的运行产生影响,甚至可能增加任务推进逻辑的响应时间(RT)。

业务协同

在实现业务功能的同时,系统的稳定性和健壮性至关重要。模块化架构不应成为阻碍业务定制化发展的因素,而应更好地服务于业务创新。在实际业务场景中,如输出当日各核心节点的数据画像、任务完成后对用户进行消息触达等需求,我们通常采用钩子(HOOK)机制,在各个核心节点完成后执行一系列自定义处理逻辑,实现系统与业务的闭环交互。

以高价值奖品兑换活动为例,当用户完成一系列任务后,系统会触发多个钩子,通知业务模块进行风险评估、收益预判、状态更新等操作。同时,业务模块可以通过注册观察者模式,实时监控系统运行状态,如兑换流程是否正常、服务器是否稳定等,一旦发现异常情况,立即进行处理,确保系统和业务的协同稳定运行。

钩子机制

在任务模块化进程中,HOOK 机制发挥了至关重要的作用。

HOOK 机制本质上是一种程序控制技术,它允许开发者在系统运行的特定阶段插入自定义代码。借助这一特性,我们能够在任务触发时、执行过程中、执行完成后等关键节点灵活添加额外逻辑,最终实现业务差异化。

首先,我们需要定义观察者接口、事件主体及其实现,这里以任务明细达成节点为例进行说明:

// ActSysObserver4TaskDetail 任务明细进展转发
type ActSysObserver4TaskDetail interface {
    Unique() string
    Forward(ctx context.Context, detail *db.ActUserTaskDetail) error
}


type ActSysSubject4TaskDetail struct {
    mutex     sync.Mutex
    observers []ActSysObserver4TaskDetail
}


func (sj *ActSysSubject4TaskDetail) Attach(observer ActSysObserver4TaskDetail) {
    if uk := observer.Unique(); len(uk) > 0 {
       sj.mutex.Lock()
       sj.observers = append(sj.observers, observer)
       sj.mutex.Unlock()
    }
}


func (sj *ActSysSubject4TaskDetail) Notify(ctx context.Context, detail *db.ActUserTaskDetail) error {
    for _, observer := range sj.observers {
      if err := observer.Forward(ctx, detail); err != nil {
         return err
      }
    }
    return nil
}

示例仅伪代码,实际业务上应当考虑重复注册、同步执行 or 异步执行、是否强事务等问题。

然后,对于个性化的业务场景,只需实现业务自己的观察者,以打卡玩法触达提醒为例:

// ActTaskDetailObserver2CheckinReach 任务明细进展·打卡玩法的私信HOOK
type ActTaskDetailObserver2CheckinReach struct {
}


func (ob *ActTaskDetailObserver2CheckinReach) Forward(ctx context.Context, detail *db.ActUserTaskDetail) error {
    // 兜底判断任务明细未完成
    if detail.Status != consts.ActTaskDetailStatusDone {
        return nil
    }
    // 触达用户(动态达标提醒)
   return NewReachClient().Send(ctx, "act_checkin_task_detail_done", detail.userId)
}

最后,在初始化时,将观察者注册到主体中即可。

不同的活动玩法最终都是通过观察者模式的设计来实现差异化,甚至任务模块本身也可以通过该方式来实现更上层的任务架构。

四、新陈更迭与系统化

新陈更迭

优秀的系统并非一蹴而就的,而是要历经无数次的业务迭代和市场检验,也就必然存在新陈更迭的过程。

从业务层面来看,我们需要清楚当前业务的真实诉求,明确业务功能的拆分方式(从难易程度、风险系数、影响面等多维度考量)。其次,要了解该业务的历史演进及产品习惯,识别新老业务之间可能存在的关联风险。

从技术层面而言,首先要划分清楚能力和业务的界限,其次通过巧妙的设计思路进行分化与衔接。

综合来讲,业务的高质量交付应始终摆在首位,结合业务的粒度去适配新方案的能力,在测试阶段需要明确对齐并进行全面性回归,老方案的业务和新方案的技术应该具备兜底和互动能力,以确保系统的稳定过渡和持续扩展。

走进系统化

在活动系统组件化的基础上,我们以运营标准化提效、数据可视化赋能、协作体系化破局为核心目标,构建全链路协同能力,推动活动业务从 “模块化” 向 “系统化” 跃迁。

我们以三大核心体系为抓手,全面提升活动业务效能:构建可复用的生产体系,依托标准化活动要素库与低代码平台,实现组件化拼装与流程标准化,大幅降低开发成本、提升上线效率;打造智能决策中枢,整合多维度数据,通过实时监控与智能分析驱动策略优化,助力运营从经验驱动迈向数据决策;打通跨团队协同链路,统一协作标准、集成开发工具链,并成立中台委员会推动能力沉淀,有效减少重复工作、缩短迭代周期,破除部门协作壁垒 ,最终推动活动业务从 “模块化” 向 “系统化” 全面跃迁。

五、展望潮流生态

得物社区活动业务将以组件化、系统化成果作为基石,持续深化创新。

随着 AIGC、边缘计算等前沿技术的融合应用,活动系统将朝着 “智能自优化” 加速迈进。一方面,通过 AI 算法精准预测用户兴趣与行为趋势,自动优化活动策略与任务设计,让潮流内容与用户需求实现更高效匹配。另一方面,借助边缘计算降低数据处理时延,为用户带来更流畅、即时的活动交互体验。

在商业价值与文化影响力层面,得物将进一步打破潮流文化与电商消费的壁垒,通过活动业务构建更紧密的用户、品牌、文化生态闭环。未来,无论是小众潮流文化的破圈传播,还是品牌与用户间的深度情感联结,得物都将凭借不断进化的技术与创新模式,持续引领潮流社区电商的发展风向,书写行业新篇章。

往期回顾

1.得物研发自测 & 前端自动化测试体系建设

2.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

3.得物自研DScript2.0脚本能力从0到1演进

4.社区造数服务接入MCP|得物技术

5.CSS闯关指南:从手写地狱到“类”积木之旅|得物技术

文 / 小龙

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 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 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: 得物研发自测 & 前端自动化测试体系建设
下一篇: Redis 是单线程模型?|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