清晰!我们从来都反对“大中台,小前台”的架构设计!

【数据中台】12(二)| 数据被加工后,你还要学会使用和管理数据 上一讲,我讲了数据研发的四个阶段,你可以发现,标准化的研发流程对交付高效、高质量的数据来说,非常关键。那么数据被加工好以后,怎么使用数据和管理数据就是重点了。所以今天,我会从数据使用者的角度出发,聊一聊怎么构建高效的数据分析流程。同时,也会以资产管理者的视角,带你了解怎么实现数据资产的精细化管理。我希望你通过学习今天的内容,判断一下,日常工作中自己在数据使用和管理方面是不是还存在流程环节上的缺失,并不断完善,让数据使用、管理得更好。根据我的经验,我把数据分析过程划分五个步骤。接下来,我通过分析师甄可爱的例子 阅读详情

点击上方“芋道源码”,选择“设为星标”

管她前浪,还是后浪?

能浪的浪,才是好浪!

每天 8:55 更新文章,每天掉亿点点头发...

源码精品专栏

 

来源:李洪英


在2020全球敏捷架构峰会上,快狗打车的架构师李洪英,分享了快狗打车业务中台的一些经验与思考。

问题一:什么是平台?

图片

定义:一种基于外部供应商和顾客之间的价值创造互动的商业模式;它是规则和标准的制定者。

问题二:平台分为哪几类?

图片

(1)应用平台;

(2)业务平台;

(3)技术平台;

问题三:平台的价值在哪里?

图片

于他:为所有参与者创造价值;

于己:通过积极网络效应吸引用户,利用规模化盈利;

问题四:什么是中台?

图片

中台,是服务多个产品且具有一定公共业务逻辑的通用共享服务平台,它是人+组织+服务的综合体!

问题五:中台分为哪几类?

图片

(1)业务中台;

(2)数据中台;

任何脱离业务的中台,都是蹭热度!

画外音:有些公司,把技术平台也放到中台里,快狗打车并不这么认为。

问题六:中台有什么价值?

图片

毫无疑问,中台能够共享复用,降本增效。

问题七:中台与平台的差异在哪里?

图片

如上,是快狗打车的一些思考。

问题八:快狗打车的平台架构,中台架构是如何演进的?

图片

最早,我们的架构就是如此简单。

优势 :系统简单,迭代快速。

不足 :三方对接耦合在业务中,三方系统稳定性影响快狗业务稳定性,三方系统切换改造成本很高。

图片

然后,我们做了基础服务的抽象 ,把与第三方对接的短信、推送等抽象成基础服务。

随着业务的发展,我们遇到的新的问题。

图片

新业务诞生,烟囱式的系统不断冒出来,数据形成了孤岛,业务之间的流量、产品、系统难以连结,消耗了大量资源去做了重复的事情。

画外音:很多公司,一般打着“闭环”“高效”的名义,推进烟囱式产品/系统/架构,其实是不作为。

这个时候,类似于XX中心的业务服务诞生了 。

图片

如上图所示,除了各个业务公用的,业务无关的基础服务,业务相关的用户中心,订单中心,交易中心,营销中心服务,应运而生。

此时,这类共享服务中心,增加了业务属性。

图片

这些服务,应该归业务研发部门,还是基础服务研发部门呢?

都不是。

此时,业务中台诞生了。

图片

中台,是共性业务的部分。

问题九:中台,应该做厚还是做薄?

图片

最早,阿里提出了“大中台,小前台”的中台战略。

对此,快狗打车有不同的看法,中台太厚,势必夹杂个性化业务逻辑,不要让中台成为业务发展的瓶颈,我们提倡“小中台,大前台”, 只有足够通用的业务,才适合下沉到中台。

问题十:如何沉淀与发展通用业务中台呢?

快狗打车五大步骤实践,分享给大家。

步骤一,成立相关中台部门(产品+研发)。

画外音:中台建设,组织是其中不可或缺的一步。

步骤二,服务下沉。

图片

通用基础服务,不断下沉。

步骤三,业务下沉。

图片

通用的基础服务下沉之后,是通用业务的下沉。

步骤四,产品架构与系统架构的升级。

图片

以交易中台为例,通用交易从端(例如:收银台),到服务,到数据的通用业务中台。

步骤五,不断迭代,不断丰富中台能力。

画外音:但务必注意,只有充分通用的业务,才适合沉淀到中台,否则中台只会成为业务发展的瓶颈。

中台负责人不能只想着抢地盘,不属于自己的范围不能大包大揽,要保持克制。

问题十一:如何评价中台建设是否成功呢?

三个衡量标准:

(1)有没有业务接入使用,有多少接入使用;

(2)接入的成本是否快速简单;

(3)有新的业务需求沉淀是否能快速响应并不影响系统稳定;

问题十二:什么场景不适合中台建设?

(1)单一业务,单一产品;

(2)主营业务稳定性不足;

(3)团队规模太小;

希望快狗打车的中台建设,能够给大家一些启示。



欢迎加入我的知识星球,一起探讨架构,交流源码。加入方式,长按下方二维码噢:

已在知识星球更新源码解析如下:

最近更新《芋道 SpringBoot 2.X 入门》系列,已经 20 余篇,覆盖了 MyBatis、Redis、MongoDB、ES、分库分表、读写分离、SpringMVC、Webflux、权限、WebSocket、Dubbo、RabbitMQ、RocketMQ、Kafka、性能测试等等内容。

提供近 3W 行代码的 SpringBoot 示例,以及超 4W 行代码的电商微服务项目。

获取方式:点“在看”,关注公众号并回复 666 领取,更多内容陆续奉上。

文章有帮助的话,在看,转发吧。
谢谢支持哟 (*^__^*)
百度智能云ASR实战:5分钟搞定Unity语音转文字(含完整代码) 本文详细介绍了如何在Unity中集成百度智能云ASR服务,实现高效的语音转文字功能。从环境配置、音频处理到服务端通信,提供完整代码示例和实战优化技巧,帮助开发者快速实现语音交互功能,适用于游戏开发、XR应用等场景。 阅读详情

相关推荐

基于STM32的RS485土壤氮磷钾与PH传感器数据采集与OLED显示实战(附完整代码)

本文详细介绍了基于STM32单片机通过RS485协议采集土壤氮磷钾与PH传感器数据的实战项目。涵盖硬件选型、连接方法、Modbus-RTU通信协议解析、STM32程序实现及OLED显示,提供完整代码和调试技巧,适用于农业物联网环境监测系统。

kotlin6android的博客 341

2020-09-11

中午好!????????

m0_50738336的博客 358

无人自行车平衡控制:最小二乘法动态零点拟合实践

本文探讨了无人自行车平衡控制中动态零点的重要性及实现方法。通过最小二乘法拟合车头角度与ROL值的线性关系,解决了固定零点在转向时导致的稳定性问题。实践表明,动态零点拟合能显著提升系统平衡稳定性并降低能耗。

uran的专栏 662

什么是“大中台、小前台”

前台:贴近最终用户/商家的业务部门,包括零售电商、广告业务、云计算、物流以及其它创新业务等,总言之,是业务部门。 中台:公司强有力的技术研发、产品&设计、运营&市场。可以为前台的业务提供底层的技术、数据等资源和能力的支持,中台将集合整个集团的运营数据能力、产品技术能力,对各前台业务形成强力支撑。 目的:精准打击、管理高效、资源整合、灵活敏捷 1.什么是“大中台、小前台” 关键词:精准打击、管理高效、资源整合、灵活敏捷 阿里巴巴 “大中台、小前台”机制的提出,某种程度上是从传统的事业

weixin_44549517的博客 2993

Android 9.0 延时开机动画解决首次开机黑屏和去掉android正在启动的提示框

在9.0的系统产品rom定制化开发中,在一些产品中会出现在首次开机的时候,由于在开机动画播放完以后会出现几秒短暂的黑屏情况,然后进入默认Launcher,这在产品体验上 也是感觉到有点差,所以会要求在去掉这个首次开机黑屏的效果,和在启动过程中的 android is starting这个提示框的这些效果优化,接下来就分析下相关功能, 然后实现这个功能的开发

安卓兼职framework和app工程师的博客 3246

【知识分享】IBIS 建模指南 04

文章详细阐述了将缓冲器数据转换为IBIS模型格式的核心步骤与规范要求。主要内容包括:1)IBIS文件三大结构(文件头信息、组件引脚映射、缓冲器行为描述)及其关键词定义;2)四种关键I-V表(上下拉、电源/地钳位)的数据处理规则,强调需避免重复计算效应;3)切换特性描述方法,指出V-T波形表优于Ramp数据的三大优势;4)差分缓冲器通过[DiffPin]关键词实现建模的特殊流程。文中特别强调数据外推校验、参考电压基准转换、工艺角数据排序等易错环节的处理技巧,为创建符合IBIS 4.0规范的精确模型提供指导。

一只豌豆象的博客 2054

数据中台-数据加工处理平台

数据加工处理是实现数据标准化的过程,包括了数据的提取、清洗、关联、比对、标识、对象化等操作,支持实时计算和离线计算,支持批量处理操作。数据传输过程支持分布式数据传输方式。在数据处理过程中,引入人工智能技术,实现结构化和非结构化数据的处理,采用图计算和内存计算技术,实现数据的价值提升。在数据处理过程中,引入模型体系和标签工程和知识图谱技术,进一步提升数据价值密度,为数据智能应用实现数据增值、数据准备、数据抽象。

ccddtomato的专栏 3151

深度学习-161-Dify工具之对比使用工作流和聊天流生成图表可视化的html文件

分别使用聊天流和工作流进行数据分析结果的可视化,生成html文件。聊天流可以配置带记忆,这样就可以多次交互优化结果。

qq_20466211的博客 1709

数据中台05:数据中台之数据加工总线

数据中台05:数据中台之数据加工总线

weixin_40612128的博客 1490

【RT-DETR涨点改进】损失函数改进篇 | RT-DETR引入SlideLoss损失函数,适合目标检测中面临的尺度变化、遮挡以及难易样本不平衡等复杂场景下的检测任务,含详细使用步骤

本文提出在RT-DETR目标检测模型中引入SlideLoss损失函数,以解决尺度变化、遮挡和难易样本不平衡等问题。SlideLoss通过自适应阈值划分正负样本,并对难样本赋予更高权重,使模型更关注分类边界样本。文章详细展示了SlideLoss的核心代码实现,并逐步指导如何在RT-DETR框架中集成该损失函数。实验表明,该方法能有效提升模型性能,特别适用于复杂场景下的目标检测任务。

Ai缝合怪、助力小伙伴高效发论文 265

月薪2万+的网络工程师,到底藏着哪些“绝活”?

在IT圈,网络工程师是个既神秘又硬核的职业。月薪2万+的网工,早已不是只会拉网线、改IP的“IT民工”,而是掌握了一身“绝技”的技术大牛。他们能让企业网络如丝般顺滑,面对宕机临危不乱,还能用自动化脚本批量搞定上百台设备。想知道这些高薪网工的秘密武器是什么?今天,我就以一个老网工的视角,结合自己和同行们的实战经验,扒一扒那些月薪2万+的网络工程师都身怀哪些绝技。如果你也想挤进高薪行列,不妨参考参考!

网络技术联盟站 363

为什么我反对「注释只写 Why」

如果是别人接手你的代码,那理解成本只会更高。你今天写完这段代码。因为对于绝大多数业务系统来说,我们阅读代码的时候,真正想知道的第一件事情,并不是某一行代码干了什么。所以,我一直觉得,关于注释这件事,不应该陷入只写 Why,不写 What这样的二选一讨论。所以,在我看来,一份高质量的业务代码,其实只需要写两类注释。当你第一次接触这段代码时,看一眼注释,就知道整个流程了。好的代码,加上恰到好处的注释,才是真正容易维护的代码。真正应该做的,是把代码写好,而不是把注释写多。这是阅读业务代码时,价值最高的一类注释。

Sam_Deep_Thinking 347

yolov8知识蒸馏代码详解:支持logit和feature-based蒸馏

特别地,在COCO数据集上对MAP中的RetinaNet检测器(resnet50主干)获得了3.4%的性能提升,在Cityscapes数据集上, 针对mIoU指标,PSPNET(resnet-18 backbone)获得5.81%的性能提升。大部分的KD方法都是通过algin学生网络和教师网络的归一化的feature map, 最小化feature map上的激活值的差异。MGD是一种真正通用的基于特征feature的知识蒸馏方法,它可以用于各种任务,包括图像分类,目标检测,语义分割和实例分割。

@bangbang的博客 7287

真相来了|张一鸣为什么反对“频繁对齐”:越聪明的组织,反而越少开会(附模版)

—该谁拍板,一开始就写清楚,而不是靠会上“气氛推着走”;——不是为了解决问题,而是为了“大家都别难受”。——清晰到不需要每周解释一遍“我们到底要干嘛”;——不是每个判断都要被所有人理解,只要能被验证。——所有人只是重复已知事实,试图“把话说圆”;讨论看似充分,结论却总是“再同步一下”;和你现在看到这句话时的“错愕”,会上问题摆了一桌子,但没人拍板;——讨论热烈,但没人对结果负责;像字节跳动这样的“效率型”企业,“对齐”几乎成了一种政治正确。张一鸣反对“频繁对齐”的背后,原来,那些总开对齐会的组织,

varyall的专栏 97

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

开源社区治理的“反对派”价值:对比4个成功项目的冲突解决机制

本文探讨了开源社区治理中“反对派”的价值,通过分析Linux内核、Python、React和Rust四大成功项目的冲突解决机制,揭示了建设性对立如何促进社区共识。文章详细介绍了分层过滤系统、PEP流程、RFC对抗性审查和基于信条的治理等实践范式,为开源项目提供了可操作的冲突管理策略。

weixin_33716154的博客 464

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

整体设计 全面梳理复盘 之9 “相提并论的三者” :否则段三种主义 “保持 - 反对 - 保留” 表格化构建与原始逻辑对标

绕 “相提并论的三者” 的逻辑落地展开,聚焦核心的 “否则段”,以高聚合结构主义、低耦合行为主义、深融合机械主义为核心主词,紧扣 “破 - 成 - 立” 动态闭环与 “有则空机会 - 无则有条件” 空有交叉逻辑,构建精准表格化表述。明确三种主义分别对应三位一体的三位(两侧位相对、中间位统一、三元连接),以 “保持核心意义、反对悖论逻辑、保留关键用法” 为三列核心,结合因(broker)- 缘(机会 + 条件)- 果(complete)因果链,实现悖论规避与逻辑完备。

ChuanfangChen的博客 1163

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

读用数据说服:如何设计、呈现和捍卫你的数据08数据呈现和反对意见

读用数据说服:如何设计、呈现和捍卫你的数据08数据呈现和反对意见

lyingSeven的博客 1546

大模型自信心崩塌!谷歌DeepMind证实:反对意见让GPT-4o轻易放弃正确答案

给你学习,我国在这方面的相关人才比较紧缺,大模型行业确实也需要更多的有志之士加入进来,我也真心希望帮助大家学好这门技术,如果日后有什么学习上的问题,欢迎找我交流,有技术上面的问题,我是很愿意去帮助大家的!截至目前大模型已经超过200个,在大模型纵横的时代,不仅大模型技术越来越卷,就连大模型相关的岗位和面试也开始越来越卷了。简单来说就是,他们的研究弄明白了为啥大模型有时候自信但有时候也自我怀疑,关键就两点:一是总觉得自己一开始说的是对的,二是太把别人反对的意见当回事儿。中立建议仅提供额外的相关信息。

h1453586413的博客 893

服务之间通过缓存传递数据,我坚决反对!

数据的移动,需要载体,DB和cache是常见的数据存储载体。如上图:(1)service-A将数据放入cache;(2)service-B从cache里读取数据;cache作为数据存储载体...

shenjian58的博客 311

在 AI 群体里加入“反对层”:别让它们轻易达成一致

如果一个 AI 群体给你一个完美、统一、毫无分歧的答案,你应该警惕。最危险的时刻,不是模型出错。而是它们全部点头。我是在一次很普通的创业问题中意识到这一点的。下一步该做什么?我把这个问题丢给了我的 AI 群体系统。协调者读取问题后,自动“雇佣”了 4 个专家:一个做转化分析,一个评估是否 pivot,一个做决策打分,一个审计数据可靠性。1 分 52 秒后,4 份报告全部完成。结论:一致推荐 —— 立即收费。逻辑严密,数据完整,计划精确到周。读完之后,我却感到一种不对劲。四个角度。

紫微AI,构建「人格操作系统(ZPF)」 用AI建模人的决策与行为模式 持续记录AI Agent、系统设计与产品实验 347

TOGAF架构会议中引入反对派角色的实践与效果

在软件架构设计过程中,群体性思维盲区是影响决策质量的关键挑战。通过引入结构化反对机制,可以有效提升架构评审的科学性。本文基于TOGAF框架实践,详细解析了反对派角色的三个核心维度:专业深度、思维差异和表达技巧。该机制通过预研、辩论、收敛三阶段流程设计,结合量化评估体系,在腾讯实际项目中实现重大缺陷发现率降低63%的显著效果。特别适用于微服务拆分、技术选型等关键架构决策场景,为构建高效技术决策文化提供了可复用的工程实践方案。

weixin_30411819的博客 357

读服务+写服务分离架构,我坚决反对!

系统分层架构有一个迭代和演进的过程,早期,系统二层架构如下:(1)上游是业务应用;(2)下游是数据库;随着架构的演进,可能要抽取出微服务,系统三层架构如下:(1)上游仍是业务应用;(2)...

shenjian58的博客 457

字节跳动九周年张一鸣演讲:反对all-in、抽象概念和方法论

字节跳动九周年张一鸣演讲:反对all-in、抽象概念和方法论 https://www.toutiao.com/i6945687911333380622/?tt_from=weixin&utm_campaign=client_share&wxshare_count=1&timestamp=1617196941&app=news_article&utm_source=weixin&utm_medium=toutiao_ios&use_new_style=

荒野求生的博客 983

告别手动拼接!用Snakemake一键搞定16S扩增子分析全流程(含Vsearch/Usearch配置)

本文介绍如何利用Snakemake构建自动化16S扩增子分析流程,涵盖从FASTQ数据到OTU表生成的全过程。通过整合Vsearch/Usearch等工具,实现质控、OTU聚类、嵌合体检测等关键步骤的自动化处理,显著提升微生物组数据分析的效率和可重复性。文章详细展示Snakemake规则配置、环境搭建及常见问题解决方案,帮助研究者告别手动拼接的繁琐操作。

weixin_30240349的博客 329

C++26设计哲学揭秘:为什么Bjarne坚决反对语法糖泛滥?

掌握C++设计本质,避免代码臃肿。在2025全球C++及系统软件技术大会中,Bjarne Stroustrup深入解读C++为何拒绝“过度语法糖”,强调语言演进应服务于性能与可维护性,而非简化表层写法。揭示C++26设计哲学,聚焦系统级编程需求,保持简洁与高效,值得收藏。

CodeTrick的博客 759
上一篇: 如何保障消息中间件 100% 消息投递成功?如何保证消息幂等性?
下一篇: Spring 中经典的 9 种设计模式,打死也要记住啊!
公众号-芋道源码
博客等级 码龄10年 1637粉丝 377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