大咖有约 | 后移动时代的淘宝移动中台技术开源开放探索

转载于 2016-09-21 11:01:32 发布 · 230 阅读

0 ·

CC 4.0 BY-SA版权

原文链接：http://kkjh4imt.zuodanye.maka.im/

阿里巴巴资深无线技术专家吴志华将在论坛分享淘宝移动技术多年积累的完善平台化解决方案，包括热修复/动态部署、H5容器、Weex等推动移动研发模式持续升级的技术。

640?wx_fmt=jpeg

进入后移动互联网时代

如何解放移动技术生产力

降低移动创业技术门槛和成本

让移动端能持续快速高质量持续交付

对于移动创业者至关重要

阿里资深无线技术专家，淘宝移动平台基础平台部负责人吴志华（天施）

在论坛上将和大家分享

手淘移动技术多年来

在移动研发各个领域持续深挖积累的

一整套完善的平台化解决方案

还有给业界贡献的

“热修复/动态部署、H5容器、Weex”等

这些推动业界移动研发模式持续升级的

优秀技术概念或项目

技术未来之路等你一起来共创

点击“阅读原文” 报名参会

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

阿里巴巴淘系技术团队官网博客

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

参与评论您还未登录，请先登录后发表或查看评论

博客

淘系技术，实力为2019年双11而战！稳！

11-12

2万+

今年，双11走到了第11个年头，史无前例的，阿里经济体内有49支技术团队共同参与作战，也是第一次，双11的核心系统将100%跑在云上，这无疑让今年的双11技术作战充满了更大的挑战。正如2019年双11技术团长平畴（汤兴）说的“「善战者，无智名，无勇功」，这是我们技术人最高的境界”。我们一起捍卫了阿里技术人的荣耀，一个字 “稳”！年年双11，回回新玩法，“在吗，盖楼吗？”成为了好友聊天的日常，每天蹲...

博客

基于智能体的自适应资损防控体系 - 淘工厂实践（二）

09-12

基于这些数据，Agent能够自动生成具体的监控建议，明确指出需要监控的具体对象、最佳监控时机、适用的监控类型，以及具体的监控值指标。正如我们在测试领域所践行的理念——"With great power comes great responsibility"，当我们拥有了AI这样强大的工具，更应该思考如何用它来创造更大的价值，守护每一分应得的收益，为业务的健康发展保驾护航。”的问题，新范式中，我们的Agent结合上文智能化提取到的知识，对用户输入的“小程序-下单积分玩法”需求文档，展开分析。

博客

AI赋能前端开发提效实践：以长颈鹿接入为例

09-10

287

面对Weex/Muise架构限制、跨端兼容难题及分散的文档体系，作者转变传统开发模式，构建结构化、可被AI理解的研发知识库，并结合项目级编码规范与RAG技术，实现AI在组件开发、埋点集成、支付对接等环节的高效协同。但该项目积累的开发规范、组件模板与AI提示工程经验，在后续迁移至778红包项目时实现了高效复用，显著缩短了开发周期，提效成果得以充分释放。每天有较多用户在手淘搜索：天猫超市卡，经与搜索团队沟通，可在搜索长颈鹿场景下，直接透传猫超卡充赠组件，提升用户转化，给用户提供最直接的猫超卡充值服务。

博客

让你的大模型读懂二方包

09-08

634

另外理论上可以考虑直接把这个api的网页导出到markdown形式试一试，只不过我看了网页里面还嵌套了语雀文档，语雀文档中再去叙述出参里面代表了什么，而且网页里面的信息我看了一下和实际二方包也不符，比如要传入的订单id，网页中显示是long，实际二方包是传入的long[]，所以就放弃了。生成的代码质量和准确率飙升，连。近期有一个需求中需要查询用户订单状态，这个功能本身很简单，是一个经典的依赖下游场景，需要读取交易订单二方包的代码逻辑，并分析出入参出参的含义，并判定用户指定的订单是否已经进入终态。

博客

基于《架构现代化》浅谈架构共鸣

09-05

但其实，其厚度是不一样的。这样的认知下，架构应该是架构师，团队TL，领域专家大家一起共创和共识的结构，案例的输入既有上面的用户动线，业务策略比较偏问题域的部分，也有具体的实现案例，反射出问题域讨论未考虑到点。因为这样的过程，我们还是需要可以“沉淀的部分”，这是架构活动本身重复的抽象，是“架构”的“架构”。所以，当我们进入一个新的环境的时候，虽然看到的是系统复杂度，流程复杂度等一系列需要适应和学习的门槛，但是背后还是这个领域的“厚度”，其解决的问题需要涉及的相关方较多，概念的抽象和维护压力也很大。

博客

AI审核工程实践：淘宝极有家破损包赔项目思考

09-03

904

有18笔人审单多次重试，也没有成功。AI智能人审能够结合自动化规则，并利用大模型的多模态、推理、概括等能力，识别用户上传的商品照片和订单信息是否相符，解析物流信息和聊天记录，综合判断佐证材料是否充分，最后给出保险理赔建议。27个FP分类结果中，6个和审核尺度相关，10个需要人工根据经验判断是质量原因还是物流原因，商品订单和照片不一致的6个案例中，有4个也可以理赔通过。剔除额度问题的审核单，理赔通过的概率有80%，因此不能以简单的准确率来衡量模型的效果，可以考虑模型标注可能破损的地方，提高人审效率和可信性。

博客

AI Agent工程化融合：分享我的实践经验和选型技巧

09-01

109

问题在于SSE的整个通讯过程都需要依赖SSE长链接，一旦出现网络毛刺（短暂中断），那么MCP Server向MCP Client发送的数据就会丢失，并且MCP Server无法感知到数据的丢失。举一个通俗的例子，把MCP Client 想象成DVD播放器，DVD播放器可以放入不同的碟片（MCP Server），不同的碟片有不同的内容（能力），但肯定不能向DVD播放器中放入磁带（不符合MCP的Server）。对于不同的报表场景，定时时间、具体的网页操作、要关注的指标、联系人等都各不相同。

博客

HSF 序列化不可变集合类型问题原因分析

08-29

1103

由于 hessian2 在序列化时仅序列化了 tag 字段，所以反序列化 java.util.CollSer 实例完成后，只有 tag 字段值为 1，表示 List，但是没有元素，即 array 字段为 null，由于 java.util.CollSer 实现了 readResolve 方法，在反序列化完成后会调用它，但是由于 array 字段为 null，所以抛出 InvalidObjectException 异常，反序列化失败。根据报错信息，原因是 HSF 不支持序列化/反序列化不可变集合类型。

博客

分享一下我对好代码的理解

08-27

685

商业能力扩展、域扩展，在执行回收结果的时候，会遍历实现的插件，并结合回收规则，进行及时的熔断。于每一步棋来说，我们只能看到局部的影响（受限于我们能想到后面几步），当我们事后站在全局的角度看，有可能的“平平无奇”的一步却起着关键性的作用。闭原则，在面向对象编程领域中，规定“软件中的对象（类，模块，函数等等）应该对于扩展是开放的，但是对于修改是封闭的”，这意味着一个实体是允许在不改变它的。我们渐渐从单一的完成任务，开始思考如何更好地完成任务，从短期的设计开始考虑长期的感受，从单一的指标开始考虑更多的因素，

博客

深入聊聊RAG

08-25

667

日常我们会比较多的把RAG当成一个黑盒，输入是我们沉淀的文档，输出可能是整个AI应用反馈的最终结果（如下图所示），这样的方式下，我们可能可以收获一定的初期收益，但是当要持续优化或者扩展使用场景的时候，可能会缺乏评估和应对的方式，比较难去定位问题，因此也不太能说清楚当下链路的诉求，最后所对应的action也可能会偏离比较大。），中文的处理可以找相应的中文embedding模型，但是不是所有语言都有对应的编码模型，因为语种太多，同时如果一些语种对应的数据语料太少，不足以训练这样的一个模型。

博客

Jsonnet 一种“新”的Json数据转换工具

08-22

667

这个优化后的 AST 将会在 sjsonnet 内部进行缓存，后续针对同一个输入的 jsonnet 脚本，将直接返回这个优化后的 AST，从而避免了重复解析和优化的过程，这也是 sjsonnet 性能非常好的原因之一。该场景虽然很好的满足了项目的需求，但是对于更加灵活的场景却显得有点捉襟见肘。on language），主要用于：生成数据（json、yaml、ini等），同时，jsonnet 也是 json 的超集，一个合法的 json 就是一个合法的 jsonnet 程序，并且带有完整的 IDE 和。

博客

一位Cursor深度用户的原理探析与实验验证

08-20

130

用 Cursor 久了，在写完提示词按下回车的那一刻，我们能猜到这个任务是否能被 Cursor 自动完成。用本文所讲的原理来分析，如果有个任务，能在较短的提示词中被直接描述清楚，或是让 Cursor 有线索在几步之内找到所需的上下文，那这样的任务就很有希望能被自动完成。接下来，我们在 Cursor IDE 中做若干操作，观察 Cursor 后台服务和大模型的交互过程。从 Cursor 的提示词中，我们能看到它能使用工具的列表。仅用如此普通的工具，就能取得如此惊艳的效果，基模的能力至关重要。

博客

淘宝购物车拖拽功能的思考与实践

08-18

1098

本文深入剖析了购物车拖拽功能的技术实现路径，在复杂业务场景下通过精细化控制、合理架构分工与细节体验打磨，实现了高效、稳定、流畅的用户交互体验。功能演示拖拽演示 Weex demo 购物车场景为什么需要拖拽？▐ 2.1 购物车功能 & 分组与拖拽的关系购物车作为用户准备购买的商品集合，承担着展示+管理的功能。上述管理操作都是针对单一商品，为了丰富对于所有购物车商品的管理形式，在 iCart 版本新增了和店铺并列的分组概念。允许用户把不同店铺内的不同商品放置在同一个区块内，提升勾选、凑单、结算的效率。

博客

MNN LLM Chat iOS 流式输出优化实践

08-15

1233

团队在端智能、端云协同、商品三维重建、真人三维重建、3D引擎、XR引擎等方面有着深厚的技术积累，先后发布深度学习引擎MNN、商品三维重建工具Object Drawer、3D真人数字人TaoAvatar、端云协同系统Walle等。最终，我们通过底层增加缓冲输出，中层合并更新请求，UI层提供视觉缓冲——这三层配合实现了从技术优化到体验优化的完整覆盖，提升整体性能和体验效果。综上，结合三层的优化，通过以上多层协同优化方案，我们成功地将一个卡顿、生硬的文字输出体验转变为流畅、自然的现代化AI交互界面。

博客

万字长文解码如何玩转Prompt（附实践应用）

08-13

885

在AI技术迅猛发展的今天，如何与大型语言模型高效“对话”已成为释放其潜力的关键。本文深入探讨了提示词工程（Prompt Engineering）这一新兴领域，系统解析了从基础概念到高级技巧的完整知识体系，并结合“淘宝XX业务数科Agent”和科研论文深度学习两大实战案例，揭示了高质量提示词如何将AI从“工具”升级为“智能协作者”。无论你是初学者还是实践者，都能从中掌握让AI真正为你所用的核心方法论。引言：新范式下的“对话”艺术与科学我们正身处一个由大型语言模型驱动的AI新纪元。从GPT-4到Deepseek

博客

大模型驱动SPU

08-11

503

本文围绕SPU（标准化产品单元）的演进与挑战，系统分析了当前SPU在定义、生产、审核和数据治理方面存在的核心问题，如SPU定义与商品类目强耦合、数据质量不及预期、审核效率仍有提升空间、存在同质化数据等。为应对这些问题，文章重点介绍了通过引入AI/大模型技术，在SPU生产、审核与治理链路中的实践成果，包括算法生成SPU、机审辅助、外包审核流程优化及数据质量提升，并推动了商品托管等应用场景落地。针对产品信息不完整问题，在现有属性不调整情况下，将商品属性、服务属性、资质属性均纳。收敛新增权限，建设新品发布。

博客

淘宝交易前端AI生码技术的创新实践

08-08

1171

Design to Code 是一种通过设计稿（Done、PSD、Master GO、Sketch等）生成代码（html、css）的技术，理想的状态下，前端工程师可以靠它从繁杂的设计稿UI实现中解放出来，更多精力可以投入到其它对业务更重要项目中。为了彻底解决这个问题，我们想从设计稿拿到750px的图片，直接进行上传，这是我们选择开发一个设计稿插件的原因之一。设计稿的复制功能，再去钉钉粘贴下载，最后去OneDay图片缩放插件进行缩放，这样获得的图片可以解决手动截图导致的边框问题，但是还是需要我们进行缩放，

博客

Web Agent大对决：你的AI浏览器理想型，会是哪一个？

08-06

959

可以看到除ChatGPT Agent外，其他三款产品均未参与或公布标准化基准测试结果，ChatGPT Agent以90分的总分领先，Fellou获得52分位居第二，而Comet和Dia的评分均低于20分，反映了严重的数据透明度不足问题，反映了Web Agent行业在评测标准化方面的不成熟。团队支撑的业务能力覆盖电商全链路，从产业分析到智能运营决策，从商家经营自动化到生态创新，从行业消费者体验提升到产业链模式创新，覆盖了服饰、快消、消电、企业服务等各个行业，构建着智能驱动的商业革新引擎。

博客

基于智能体的自适应测试系统 - 淘工厂实践

08-04

203

我们需要让他在这个流程中承担什么任务/解决哪类问题（角色定位），在原有基础上具备哪些专业知识（知识库）、如何解释手头任务并布置给他（提示词）、如何正确的思考并接受反馈改进（提示词）、可以使用的工具及资源（工具调用），随着时间推移，他经历的多了、收录过往的case多（补充沉淀知识库），这位应届生也会变得越来越专业，能力越来越强。从执行结果、过程日志分析提炼，结合部分人工标注结果，评估分析、并实现经验回流和用例沉淀，回补到各域以及对抗助手的正负向向知识库，同时，不断沉淀该域的用例，自我完善。

博客

聊聊AI Coding

08-01

928

Vibe Coding，翻译是“氛围编码”（感觉蛮贴切），本质上是一种我们使用AI能力进行编码的方式，在这个模式下，我们把AI当成一个回答问题的机器，我们描述我们的诉求，让它帮我们写一段可运行的符合诉求的代码，如果产出的版本有问题（不符合诉求或者是运行错误），我们会根据相关的反馈（编译器、运行时错误、诉求差异点描述）重新调整我们的prompt，让AI进行迭代优化，直到解决问题为。更高效的做法是，对这个问题做一定的解读，可以a、针对该问题通过进一步的提问来帮助AI快速定位和解决；可能有一些不同的声音；