如果说内容是数字世界的血液，那么标签系统就是连接这些血液与「大脑」的神经网络。它让内容具备了「被理解」的能力，也成了驱动检索、推荐、知识关联等核心能力的底层引擎。用户看到的是标签带来的便捷筛选与智能推荐，而架构师看到的，是一座复杂的系统冰山——上层是业务逻辑与场景设计，水面之下是数据建模、索引策略、推荐算法、存储优化、服务治理。今天将从一个架构师的视角出发，看一看标签系统的前因后果。1. 业务视角下的标签系统当我们从业务视角来深入探讨内容标签系统。这意味着我们将重点关注标签系统如何服务于业务目标、解决业务问题、创造商业价值，以及在设计和实施过程中需要考虑的业务因素。1.1 标签系统的定义从业务的角度来看，内容标签系统不仅仅是一种技术或内容组织方法，更是一种战略性的业务基础设施。它的核心定义是：一套标准化的、有目的的描述符（标签）及其管理和应用机制，旨在将企业的内容资产（文章、产品、视频、文档、用户生成内容等）与业务目标（如用户增长、收入提升、效率优化、风险控制）紧密连接起来。具体来说，这个定义包含几层业务含义：标准化描述符:标签提供了一种通用的「业务语言」来描述内容。这使得跨部门、跨系统、跨时间的内容理解和协同成为可能。例如，市场部、产品部和销售部可以用同一套标签（如「目标客群：中小企业」、「产品特性：云原生」、「营销阶段：认知」）来理解和利用同一份白皮书。有目的性:标签的设计和应 ...继续阅读 (4)

AI 的浪潮正以前所未有的速度席卷着各行各业，而软件开发领域无疑是这场变革的风暴中心。从代码自动生成、智能调试到需求分析，从 Copilot 到 Cursor 等 IDE，AI 编程工具如雨后春笋般涌现，极大地改变了我们日常工作的逻辑。面对 Copilot/IDE 们日益强大的能力，许多开发者或许感到兴奋，或许也夹杂着一丝焦虑：当 AI 能写代码、能查 Bug 时，我们开发者的核心价值将何去何从？仅仅将 AI 视为提升编码效率的「高级自动补全」工具，是对这场深刻变革的误读。真正的挑战与机遇并存，它要求我们进行一次根本性的思维转变。如果仍然固守着传统的、以手动实现细节为主的工作模式，我们很可能错失 AI 带来的巨大红利，甚至在未来逐渐失去竞争力。这不再是简单地学习一个新工具，而是需要重塑我们的工作哲学和核心能力。今天我们将聊一下 4 个关键的思维转变和实践框架「AI 优先」 的工作流整合「指挥官思维」 的战略主导「向 AI 学习」 的持续进化态度构建高效「人机协同」复合框架的必要性1. AI 优先AI 优先是重新定义开发工作流的战略基石。1.1 核心内涵：从默认手动到优先 AI 协作「AI 优先」并非仅仅倡导使用 AI 工具，而是一种根本性的工作流程哲学和问题解决范式的转变。其核心在于，当我们启动任何一项开发过程中的任务——无论是需求分析、架构设计、编码实现、代码审查、联调测试、用例 ...继续阅读

Google 在 2025 年 4 月 9 日发布了的一个重磅项目——Agent2Agent (A2A) 协议。这个协议旨在解决当前 AI Agent 生态中的一个核心痛点：不同厂商、不同框架下的智能体如何有效沟通与协作？让我们深入 A2A 的 GitHub 仓库，从代码和文档中一探究竟，并看看它与另一个备受关注的协议 MCP 有何异同。GitHub 地址：https://github.com/google/A2A首先，我们看看项目的代码结构（如下图所示）：项目中有一个值得关注的文件：llms.txt。这是一种新兴的规范，我们先从它说起。llms.txt- 让大模型读懂你的项目根据llmstxt.org的定义，llms.txt文件是一种标准化的文本文件，旨在帮助大型语言模型（LLM）在推理时更好地理解和使用网站或项目的信息。它提供了一种机器可读且易于维护的方式，来声明服务的能力、接口规范、元数据等关键信息，有点像专为 LLM 设计的sitemap.xml，但内容更丰富、更聚焦。在 Google A2A 项目中，llms.txt文件扮演了以下角色：能力声明与接口说明书：详细描述了 A2A 协议的目标、核心功能、支持的接口、数据结构（如 AgentCard, Task, Message, Artifact）和交互方式。为开发者和自动化工具提供了权威、结构化的参考。示例与文档索引：指向项 ...继续阅读 (3)

我们见过那么多 AIGC 的酷炫功能，文生图、图生视频，……，是不是觉得 AI 特别强大？但你想过没，当成千上万的用户同时涌进来，都想让 AI 帮他们画画、写诗、做视频时，后台那些强大的模型和昂贵的计算资源（比如 GPU）会发生什么？如果不加管理，它们很可能瞬间就被「挤爆」了！服务器宕机、用户请求失败、体验直线下降，甚至可能因为资源滥用导致成本失控。就像一家超火的餐厅，没有排队叫号系统，也没有门口保安/服务员控制人流，那里面肯定乱成一锅粥，谁也吃不好饭，对吧？比如年初 DeepSeek 不能用的场景。这就是为什么在设计 AIGC 架构时，排队系统和限流是绝对不能少的「定海神针」。它们就像餐厅的叫号系统和门口保安，确保整个服务流程既高效又有序，还能保护好咱们宝贵的「厨房」（计算资源）。那当排队系统或限流策略出现的时候，我们的产品可能会有哪些表现呢？或者作为一个用户我们能看到哪些？1. 产品表现1.1 排队系统的「产品表现」排队系统主要是为了处理「来不及马上做」的请求，但让用户知道「我已经收到你的指令了，正在处理中，请稍候」。所以它的表现形式通常和等待、状态更新、异步通知有关。「转圈圈」与进度条:表现：你提交一个请求（比如让 AI 生成一张图片），界面上出现一个加载动画或者一个不太精确的进度条，告诉你「正在处理中」。背后逻辑：这时候你的请求很可能已经进入了后台的队列，正在等待 GPU ...继续阅读

我们一直有个想法，让 AI 能自动帮我们完成我们想要做的事情，让自动驾驶，自动写文章，自动做饭，自动操作设备，自动……随着 AI 的发展，这个想法越来越接近现实，但是还没有实现。大型语言模型已经具备了强大的知识掌握能力和语言表达能力，能够进行复杂的对话、代码生成、逻辑推理，甚至模拟某种程度的「思考过程」。但现实是，从「能说会道」到「能完成任务」之间，还有一段不小的距离。我们不妨换个角度想一想：当我们让一个人类来完成一项任务时，我们通常会先给出一个大致的目标，然后逐步明确问题的边界、操作的步骤、可用的工具以及判断结果是否合格的标准。这个过程，本质上就是在界定问题范围。而问题范围的界定程度，直接决定了完成任务的难易程度。举个例子：如果你让一个人「帮我查一下明天的天气」，这个问题的边界非常清晰：地点、时间、数据源、输出格式都相对明确。但如果你说：「帮我设计一个新产品并提出完整的商业策略」，这个任务的边界就非常模糊：用户是谁？目标市场在哪里？预算是多少？成功的标准是什么？每个维度都可能引出一连串子问题。同样的道理也适用于 AI。当前的 LLM 和 Agent 系统，在处理边界清晰的问题时表现良好，比如问答、摘要、代码填空等。但一旦任务的边界开始模糊、动态、依赖外部反馈，AI 的表现就会迅速下降。我们可以将任务的难度，理解为 AI 需要「摸清楚问题边界」的程度：边界清晰：问题的输入、输出、规 ...继续阅读

昨天看到网友 yuekun 发的一个消息，大概如下：★我决定“拉黑”Al 了。。。AI变化太他* 快了，这两天不断被 Al新闻洗脑越看越焦虑，越焦虑越想看，我还在追求那该死的确定性我决定拉黑 AI 内容了，因为这些都他* 是【快速贬值】的内容之所以说是快速贬值因为!1个星期后没人记得今天发生了什么别说一个星期，3天前AI发生了什么还人记得吗?能有 AI 焦虑的已经是比较优秀的人了，已经走在大家的前面了。最近这几年，大家的工作，生活中已经有越来越多的 AI 在进入。工作上，同事已经开始用豆包/KIMI/灵宝/DeepSeek 写方案、改文案、写代码，效率惊人；网络上，AI 绘画、AI 剪辑、AI 写作层出不穷，创意产业正在被改写；朋友圈里，已经有人靠「AI+副业」赚到了第一桶金；可能还会有这样的想法：「我会不会被 AI 取代？」、「我还能干什么？」、「未来还有我的位置吗？」如果你有这样的焦虑感，放心，你不是一个人！这一轮 AI 革命，以前所未有的速度冲击着我们的认知、工作与生活。今天这篇文章，我们不谈高深的技术原理，也不喊口号。我们只聊一个问题：★面对 AI 焦虑，我们该怎么办？什么是「AI 焦虑」？「AI 焦虑」是一种新型的社会心理状态。它并不是因为 AI 本身带来了什么直接伤害，而是因为：不确定感——不知道 AI 会发展到什么程度；人类天生害怕未知。AI技术发展的不可预测性让我们 ...继续阅读

MCP（Model Context Protocol，模型上下文协议）是 Anthropic 在 2024 年 11 月推出的开放协议，旨在提供一种标准化方式，让 LLM 访问外部 API 和数据源。相较于 Function Calling，MCP 具备更强的上下文管理能力，使 AI 能够在多个 API 之间进行协作，从而完成更复杂的任务。1. 从 google 全球搜索趋势来看中国是搜索主力，领先全球主要搜索集中在华语地区搜索热度在过去一个月持续上升2. 从 google 中国搜索趋势来看：浙江省搜索热度最高，明显领先（深圳落后了）北京、上海等一线城市和科技中心关注度较高自 2月21日 以来，搜索量持续增长，尤其是 3月9日至3月17日 期间明显加速(可能因为 manus 在 3.6 号发布了)，达到了接近峰值的状态。3. 从 google 的搜索关键词来看相对于 openai、cursor 等，mcp 是一个新兴概念，热度差比较多AGI 和 AI Agent 作为未来趋势，尽管搜索量较低，但仍然保持稳定，说明它们是长期关注的概念。OpenAI 和 Cursor 仍然是 AI 领域最受关注的关键词，尤其是 Cursor 在开发者社区中的影响力不断扩大，值得进一步关注其发展。4. 看一下 MCP 的生态，有一些特点正处于开源驱动的创新爆发期从交互工具到自主代理的演进无缝集成是规模化 ...继续阅读

2025 年初小红书大火，泼天的流量也算是接住了。当我们刷小红书的时候，那段时间有特别多的外国人的视频推送，于是他们用大模型上了一个翻译的功能，然而这个功能却被作为提示词攻击。如下图所示：除此之外，在比较早期的大模型版本中，此类问题层出不穷，在 Github 上有近 30 万 Star 的提示词攻击的项目，如下图：在 OWASP LLM 应用十大威胁报告中，提示词是十大安全问题之首。如下图：作为一个架构师，对 LLM 提示词的攻与防需要有一些了解和认知，以下为当下梳理的一些知识点。1. 提示词攻击的危害和类型提示词攻击是 LLM（大语言模型）安全中的严重漏洞，发生在用户输入的内容能够改变模型的行为或输出，使其偏离预期任务，甚至执行恶意操作。这些攻击可以是显式的（用户直接输入恶意指令），也可以是隐式的（隐藏在外部数据或多模态输入中，通过解析影响模型）。提示词攻击的主要危害数据泄露：攻击者可以诱导 LLM暴露系统提示词、训练数据或用户敏感信息，甚至访问受保护的 API 和数据库。误导性输出：LLM 可能被操控生成虚假新闻、诈骗内容、仇恨言论或不正确的法律/医学建议，影响用户决策。绕过安全限制：攻击者可以输入特定格式的指令，使 LLM忽略安全规则，输出被禁止的内容，甚至绕过身份验证。操控自动化系统：在AI 代理、RPA（机器人流程自动化）等应用中，LLM 可能被攻击者诱导执行未经授权的操 ...继续阅读

前两天，Manus爆火，其邀请码一度被炒到上万元（道听途说的）。紧随其后，开源社区迅速推出了OpenManus，短短两天内 GitHub Star 数量突破 15K+（开始写文章前还是 14.5 K），且仍在持续增长。这不仅反映了用户对Manus 这种 AI Agent 的极大兴趣，更体现了 AI 应用在交互范式上的新趋势。长期以来，我们主要通过云端大模型（如 ChatGPT、Claude）与 AI 进行交互，但云端 AI 也存在一些不可忽视的局限性：隐私问题：云端模型需要上传数据，部分用户对数据安全存疑。响应速度：本地 AI 可以减少延迟，提供更流畅的用户体验。个性化：本地 AI 可以更深入理解用户需求，而云端模型通常是通用的，个性化能力有限。Manus 可能是人们想象中的AI Agent。但更深层次来看，Manus 及其开源替代 OpenManus 的大火，反映了 AI 应用的三种核心交互范式正在逐步演进：Function Calling → MCP（Model Context Protocol）→ AI Agent。这三种范式代表了AI 助手从简单 API 调用，到标准协议，再到完全自主智能体的演进路径1. Function Calling：AI 作为「插件调用器」Function Calling是 AI 与外部系统交互最开始的一种机制，它允许 LLM 在对话过程中自动调用预 ...继续阅读

最近一直在深度使用 AI 编程，从完全无代码的开发哥网站，到 AI 生成后台代码；从Cursor 到 Trae AI，能明显感受到 AI 可以帮我写大量代码。最多的时候，5 个小时写了超过 2000 行可以运行的代码。但一个奇怪的感受是，尽管 AI 让代码生产更快了，软件开发的复杂度却没有降低，项目的构建需要的心力依然和以前一样。这让我不禁思考：AI 真的在降低软件开发的复杂度吗？还是说，复杂度只是被转移了？1. AI 编程 ≠ 复杂度消失，而是复杂度转移在《人月神话》中，布鲁克斯提出了软件开发的四大本质复杂度：复杂度、一致性、可变性、不可见性。即使 AI 能够自动生成代码，这些复杂性依旧存在。业务复杂性：AI 可以帮我们写代码，但它无法自动理解业务规则的变化。例如，一个 AI 生成的电商促销规则，可能在逻辑漏洞下导致「满 100 减 200」这样的错误，造成严重损失。技术复杂性：AI 可以优化 SQL 查询、生成索引，但 AI 生成的代码仍然可能隐藏性能瓶颈，甚至带来更高的架构耦合度。治理复杂性：AI 代码的可维护性、可解释性，仍然是一个巨大的挑战。AI 生成的代码往往不是“最优解”，而是“看起来能跑”的解。AI 并没有消除软件开发的复杂度，而是将其转移到了其它的层面：传统复杂度AI 时代的复杂度转移人工编写 CRUD 代码提示工程（Prompt Engineering）手动优化 ...继续阅读

在最早 ChatGPT 应用到 Bing 时我们就体验到了联网搜索的能力，最近大火的 DeepSeek R1 在其官网或者腾讯元宝的版本中部署了带有联网搜索的版本，甚至私有化部署的版本也可能通过 Page Assist 实现联网功能。当用户勾选联网搜索功能时，可以将其视为一个能够理解任何自然语言问题的智能搜索引擎，相比传统搜索引擎仅支持关键词匹配，LLM 结合联网搜索可以更智能地解析问题，并返回更精准的结果。特别是在 R1 的推理加持下，整个过程显得更为丝滑。联网搜索不仅能够提升模型的实时信息获取能力，还能与RAG技术结合，使模型在回答问题时参考最新的搜索结果，提高准确性和可靠性。之所以要增加联网搜索，增加 RAG 的逻辑，这些都是由大模型本身的问题造成的。1. 大模型的问题大语言模型（LLM）的知识来源于海量的离线数据训练，因此其信息具有时效性滞后问题。一般来讲，主流 LLM 的训练数据通常滞后于其发布时间半年到一年以上。例如，GPT-4o-latest 的训练数据截止于 2024 年 6 月，而 DeepSeek-R1 的最新数据截止于 2024 年 7 月（问 DeepSeek-R1，它自己回答的）。这意味着 LLM 无法直接获取训练完成后发生的最新事件、科技进展或行业动态。1.1 知识局限性由于 LLM 依赖于静态数据集进行训练，其知识范围受到以下限制：无法获取最新信息：模 ...继续阅读

...继续阅读

当 Cursor/Windsurf 为你生成代码片段，ChatGPT/DeepSeek 为你优化技术文档，Midjourney 为你绘制精美草图，你是否也曾思考过：「在这个 AI 时代，你工作的核心竞争力究竟是什么？」过去，技术硬实力是研发同学的核心武器，但今天，AI 工具正在以惊人的速度让这些技能「平民化」：代码量产：AI 几秒钟生成数百行代码；自动调优：AI 自主优化算法参数，超越人类水平；全栈覆盖：从前端到后端，从 DevOps 到数据分析，AI 工具无处不在。然而，AI 的快速普及并不是威胁，而是机会。未来最优秀的研发，不再只是写代码的人，而是能够驾驭 AI，解决复杂问题、创造价值的人。而这一切的基础，就在于软技能的升级。1. AI 时代的「新研发」画像：从执行到创造的转型AI 时代对研发同学的要求正在发生质的变化。你需要的不仅是工具使用能力，更是掌握以下三大能力的思维跃迁：1.1 问题定义力：从「如何做」到「做什么」AI 工具可以为你提供实现方案，但它无法回答「我们到底要解决什么问题」。能精准定义问题的人，才能引领 AI 高效运转。举例：用户反馈「系统太慢」，真正的瓶颈可能并不是代码性能，而是业务逻辑过于复杂，或者数据库架构不合理。关键问题：AI 可以帮你解决「已知问题」，但只有你能找到「未知问题」。建议实践：在接到需求时，不急于动手写代码，而是花 30% 的时间明确核心 ...继续阅读

2025 年 1 月 20 日上午 10:24 ，这个包含了1024的时间点，字节发布了其 AI 编程 IDE: Traewww.trae.ai/对标 Cursor，Windsurf 的国内出海的一个 IDE，当前可使用 Claude-3.5-Sonnet 和 GPT-4o 大语言模型深入使用，花了三个小时，不写一行代码，实现了一个前端后端分离架构，包含登录/退出，数据库查询，跨域，以及首页功能的小管理后台，包括前端和后端的代码。前端所使用技术栈为 Vue，后端使用了 golang + beego。这 3 个小时有一个耗时点是想让 AI 来解决跨域的问题，我们知道跨域主要是 Access-Control-Allow-Origin 等头信息的处理，把前后端的代码上下文都给了，反复试 OPTIONS 请求跨域总是不成功，后来发现是后台接口实现所修改的跨域文件没有加载导致的。除了通用功能，实际业务开发中，花了 30 分钟实现了 Java 的流式输出，其场景是要实现 DeepSeek 的模型调用，以实现打字机的输出效果。这里 AI 给的 golang 的实现，但是当前我需要的是 Java 的，这里的问题是没有把需求讲清楚。同时也表示在开始对话时，需要把一些背景信息讲清楚能提高整体的效率。经过了大概 10 轮对话，他大概就了解我真正想要的是什么了，再经过 6 轮对话补全，把过程中有问题的地方 ...继续阅读

...继续阅读 (1)

你是否曾面对一项订阅服务时犹豫不决？比如，Midjourney 的月付 10 美元 基础套餐和 30 美元 标准套餐，哪个更适合你？又或者，在使用 OpenAI 的 API 时，看到按量计费的详细规则后，内心盘算付出的每一分钱是否值得？在 AI 技术不断融入日常的今天，Midjourney 和 OpenAI 凭借其卓越的产品价值和用户体验设计，让无数用户心甘情愿地为其服务付费。这背后不仅仅是技术的领先，更是对用户需求的深刻理解和商业逻辑的精妙运用。通过精准的产品定位和多样化的定价策略，这两家 AI 巨头不仅赢得了用户的信任，还成功地将「技术价值」转化为「商业价值」。那么，它们的定价逻辑究竟有什么独到之处？又能给我们带来哪些关于用户心理和市场策略的启示？今天，我们就从 Midjourney 和 OpenAI 的定价模式入手，剖析其背后的商业智慧。1. Midjourney的定价逻辑：订阅制的价值感知1.1 Midjourney的产品力：让生成艺术触手可及Midjourney 是一款基于 AI 的生成艺术「不仅仅是图片」工具，它凭借强大的图像生成能力和极高的创意自由度，吸引了大量艺术家、设计师以及普通创作者。用户只需输入简单的文字描述（Prompt），即可生成风格多样、质量极高的图像。其产品力主要体现在以下几个方面：技术优势：Midjourney 基于 GAN 和深度学习模型，能够快速 ...继续阅读 (3)

随着个人市场的日益饱和，获取用户成本不断攀升，越来越多的 SaaS 产品开始转向企业市场（ToB），这一转型背后既是市场需求的倒逼，也是商业逻辑的必然。相比价格低廉但用户粘性弱的 ToC 模式，ToB 产品能够为企业客户提供直接的业务价值，不仅获得更高的付费意愿，还能带来稳定且可持续的收入来源。企业客户的需求复杂多样，对功能定制、权限管理、多系统集成等高级能力有更强烈的需求，同时对迁移成本的敏感性更高。一旦产品融入企业的核心业务流程，客户粘性会大幅提升，生命周期也更长，加之数字化转型的浪潮，企业市场无疑是 SaaS 产品的蓝海。从 ToC 到 ToB 的转型并非简单换个客户群，而是一次从商业模式到技术架构的全面升级。如何打造符合企业需求的产品，如何构建开放平台与生态系统？本文将从核心逻辑出发，为你剖析 SaaS 产品这场必然的进化之路。1. 从 ToC 到 ToB，本质上的差异是什么？ToC 产品的核心目标是服务个人用户，追求简单易用、快速上手，典型场景如个人效率工具（如印象笔记、滴答清单）。ToB 产品的核心目标是服务团队和组织，需要满足复杂的协作场景和企业管理需求，典型场景如企业级项目管理工具（如 Trello、Jira）。从本质上看，两者的差异可以总结为以下几点：用户是「个体」还是「团队」？ToC 产品关注个人的需求和体验。ToB 产品需要考虑多个用户协作、权限分配和组织管理 ...继续阅读 (7)

随着个人市场的日益饱和，获取用户成本不断攀升，越来越多的 SaaS 产品开始转向企业市场（ToB），这一转型背后既是市场需求的倒逼，也是商业逻辑的必然。相比价格低廉但用户粘性弱的 ToC 模式，ToB 产品能够为企业客户提供直接的业务价值，不仅获得更高的付费意愿，还能带来稳定且可持续的收入来源。企业客户的需求复杂多样，对功能定制、权限管理、多系统集成等高级能力有更强烈的需求，同时对迁移成本的敏感性更高。一旦产品融入企业的核心业务流程，客户粘性会大幅提升，生命周期也更长，加之数字化转型的浪潮，企业市场无疑是 SaaS 产品的蓝海。从 ToC 到 ToB 的转型并非简单换个客户群，而是一次从商业模式到技术架构的全面升级。如何打造符合企业需求的产品，如何构建开放平台与生态系统？本文将从核心逻辑出发，为你剖析 SaaS 产品这场必然的进化之路。1. 从 ToC 到 ToB，本质上的差异是什么？ToC 产品的核心目标是服务个人用户，追求简单易用、快速上手，典型场景如个人效率工具（如印象笔记、滴答清单）。ToB 产品的核心目标是服务团队和组织，需要满足复杂的协作场景和企业管理需求，典型场景如企业级项目管理工具（如 Trello、Jira）。从本质上看，两者的差异可以总结为以下几点：用户是「个体」还是「团队」？ToC 产品关注个人的需求和体验。ToB 产品需要考虑多个用户协作、权限分配和组织管理 ...继续阅读 (5)

今年有一段时间失业了，公司大裁员，所带的团队被裁员了一半，顺带自己也被裁了。失业的焦虑焦虑，焦虑，还是焦虑。一开始，这种情绪几乎压得人喘不过气，有些无所适从，并非完全是经济上的压力，更多的是因为未来的不确定性。你不知道自己还能不能找到一份合适的工作，你不知道自己是否还能继续做技术管理，你不知道就算有下一份工作，但是又能做多久呢？未来在哪里？！焦虑的日常失业后，焦虑就像影子一样挥之不去。失眠是正常的，会慢慢接受自己，偶尔喝点小酒，来点多巴胺刺激一下自己，似乎能暂时缓解情绪。但这种方式并不能从根本上解决问题。打击接踵而至：开着 BOSS 直聘，刷新的频率甚至比打开微信还多。每次听到工作的消息，都会满怀期待，但往往最后换来的只是一次又一次的失落。更尴尬的是，有人甚至会问你：「外包岗要不要考虑一下？」甚至还有兼职信息，比如「 XXX 超市 4 小时 100 元的兼职，按小时付费，每周末一定要上班」。一时间，你会怀疑自己是否已经从技术管理者，沦落到只能做点临时工来养家糊口的地步。不停的面试。有的公司流程复杂到让人怀疑人生。先是做一大堆测试题，题目像公务员行测题，逻辑、推理、数字计算，完全和技术岗位无关。好不容易通过了，聊了 CTO、HR，一切看似顺利，最后却被告知：「薪资预期差距太大，匹配不了。」一次次的拒绝，每次面试结束，心里总会抱一丝希望。但往往等来的却是冷冰冰的拒信：「我们决定选择更合 ...继续阅读 (9)

今年有一段时间失业了，公司大裁员，所带的团队被裁员了一半，顺带自己也被裁了。失业的焦虑焦虑，焦虑，还是焦虑。一开始，这种情绪几乎压得人喘不过气，有些无所适从，并非完全是经济上的压力，更多的是因为未来的不确定性。你不知道自己还能不能找到一份合适的工作，你不知道自己是否还能继续做技术管理，你不知道就算有下一份工作，但是又能做多久呢？未来在哪里？！焦虑的日常失业后，焦虑就像影子一样挥之不去。失眠是正常的，会慢慢接受自己，偶尔喝点小酒，来点多巴胺刺激一下自己，似乎能暂时缓解情绪。但这种方式并不能从根本上解决问题。打击接踵而至：开着 BOSS 直聘，刷新的频率甚至比打开微信还多。每次听到工作的消息，都会满怀期待，但往往最后换来的只是一次又一次的失落。更尴尬的是，有人甚至会问你：「外包岗要不要考虑一下？」甚至还有兼职信息，比如「 XXX 超市 4 小时 100 元的兼职，按小时付费，每周末一定要上班」。一时间，你会怀疑自己是否已经从技术管理者，沦落到只能做点临时工来养家糊口的地步。不停的面试。有的公司流程复杂到让人怀疑人生。先是做一大堆测试题，题目像公务员行测题，逻辑、推理、数字计算，完全和技术岗位无关。好不容易通过了，聊了 CTO、HR，一切看似顺利，最后却被告知：「薪资预期差距太大，匹配不了。」一次次的拒绝，每次面试结束，心里总会抱一丝希望。但往往等来的却是冷冰冰的拒信：「我们决定选择更合 ...继续阅读 (6)

在我们日常使用的网站或应用中，无论是浏览电商商品列表、滚动社交媒体动态，还是搜索引擎上一页一页查找结果，分页无处不在。它看似简单，一页接着一页展示数据，但在背后，却隐藏着不少技术的「秘密」。分页处理得好，用户只会觉得流畅自然；但如果处理不好，页面加载迟缓、数据重复、甚至直接超时，崩溃，都会让用户体验大打折扣。而在应用架构过程中，分页更是一个绕不开的话题，尤其当涉及到海量数据时，分页的实现方式会直接影响到系统的性能和效率。OFFSET 性能问题就是分页中最常见的「瓶颈」。它的核心问题在于，当数据规模变大时，传统分页方式的查询速度会急剧下降，甚至拖垮整个数据库。幸运的是，我们有解决方案：游标分页。那么，为什么 OFFSET 性能会变差？游标分页又是如何解决这些问题的？今天，我们从分页开始，聊一下分页逻辑。1. 分页是什么分页是一个很常见的逻辑，也是大部分程序员入门的时候首先会掌握的一个通用的实现逻辑。分页是一种将大量数据分成多个小部分（页面）进行逐步加载和显示的技术方法。它是一种数据分割和展示的策略，常用于需要显示大量数据的场景，既能提升用户体验，又能改善系统性能。分页通常通过将数据按照固定的条目数分隔成多个页面，用户可以通过分页导航（如“上一页”、“下一页”、“跳转到第 N 页”等）浏览数据的不同部分。2. 分页的作用分页的主要作用包括以下几点：提升用户体验：避免让用户一次性加载和浏 ...继续阅读 (20)

在我们日常使用的网站或应用中，无论是浏览电商商品列表、滚动社交媒体动态，还是搜索引擎上一页一页查找结果，分页无处不在。它看似简单，一页接着一页展示数据，但在背后，却隐藏着不少技术的「秘密」。分页处理得好，用户只会觉得流畅自然；但如果处理不好，页面加载迟缓、数据重复、甚至直接超时，崩溃，都会让用户体验大打折扣。而在应用架构过程中，分页更是一个绕不开的话题，尤其当涉及到海量数据时，分页的实现方式会直接影响到系统的性能和效率。OFFSET 性能问题就是分页中最常见的「瓶颈」。它的核心问题在于，当数据规模变大时，传统分页方式的查询速度会急剧下降，甚至拖垮整个数据库。幸运的是，我们有解决方案：游标分页。那么，为什么 OFFSET 性能会变差？游标分页又是如何解决这些问题的？今天，我们从分页开始，聊一下分页逻辑。1. 分页是什么分页是一个很常见的逻辑，也是大部分程序员入门的时候首先会掌握的一个通用的实现逻辑。分页是一种将大量数据分成多个小部分（页面）进行逐步加载和显示的技术方法。它是一种数据分割和展示的策略，常用于需要显示大量数据的场景，既能提升用户体验，又能改善系统性能。分页通常通过将数据按照固定的条目数分隔成多个页面，用户可以通过分页导航（如“上一页”、“下一页”、“跳转到第 N 页”等）浏览数据的不同部分。2. 分页的作用分页的主要作用包括以下几点：提升用户体验：避免让用户一次性加载和浏 ...继续阅读 (4)

难，到底是什么？经常听到人们说，难啊，好难啊。然而，每个人口中的「难」，似乎都有不同的含义。有人觉得生活难，因为每天的柴米油盐不断压迫着他们的肩膀；有人觉得工作难，因为职场的竞争和压力让他们喘不过气；还有人觉得感情难，因为人心复杂，爱与被爱都充满了矛盾与挣扎。那么，难到底是什么？为什么我们会觉得难？难又难在哪里？难，是与期望的落差很多时候，我们觉得「难」，并不是因为事情本身有多复杂，而是因为现实与我们期望之间存在巨大的落差。小时候，我们可能以为长大是一件很美好的事情——自由、独立、无拘无束。可真到长大以后才发现，自由是有代价的，独立意味着需要承担责任，而无拘无束不过是一种短暂的幻觉。于是，生活开始变得「难」了。比如，刚毕业的年轻人，满怀信心地步入社会，以为凭借自己的能力与努力，能够快速实现梦想。然而，现实却给了他们一记重拳：找工作的时候屡屡碰壁，入职后发现工作并没有想象中那么有趣，工资也无法支撑自己想要的生活。这时候，「难」的感受就开始浮现了。他们的期望是光明的，但现实却是灰色的。这种落差让人感到挫败，让人觉得难以承受。难，是对未知的恐惧人类天生对未知充满恐惧，这是我们的本能，也是我们的弱点。面对不确定的未来，我们总会感到焦虑和不安，不知道接下来会发生什么，不知道我们是否能够应对。这种不确定性，常常是让人感到「难」的一个重要原因。比如，当你失去了工作，你会觉得难。难在哪里呢？不是因 ...继续阅读 (11)

难，到底是什么？经常听到人们说，难啊，好难啊。然而，每个人口中的「难」，似乎都有不同的含义。有人觉得生活难，因为每天的柴米油盐不断压迫着他们的肩膀；有人觉得工作难，因为职场的竞争和压力让他们喘不过气；还有人觉得感情难，因为人心复杂，爱与被爱都充满了矛盾与挣扎。那么，难到底是什么？为什么我们会觉得难？难又难在哪里？难，是与期望的落差很多时候，我们觉得「难」，并不是因为事情本身有多复杂，而是因为现实与我们期望之间存在巨大的落差。小时候，我们可能以为长大是一件很美好的事情——自由、独立、无拘无束。可真到长大以后才发现，自由是有代价的，独立意味着需要承担责任，而无拘无束不过是一种短暂的幻觉。于是，生活开始变得「难」了。比如，刚毕业的年轻人，满怀信心地步入社会，以为凭借自己的能力与努力，能够快速实现梦想。然而，现实却给了他们一记重拳：找工作的时候屡屡碰壁，入职后发现工作并没有想象中那么有趣，工资也无法支撑自己想要的生活。这时候，「难」的感受就开始浮现了。他们的期望是光明的，但现实却是灰色的。这种落差让人感到挫败，让人觉得难以承受。难，是对未知的恐惧人类天生对未知充满恐惧，这是我们的本能，也是我们的弱点。面对不确定的未来，我们总会感到焦虑和不安，不知道接下来会发生什么，不知道我们是否能够应对。这种不确定性，常常是让人感到「难」的一个重要原因。比如，当你失去了工作，你会觉得难。难在哪里呢？不是因 ...继续阅读 (4)

1. 引言还记得 2023 年 GitHub 强制推行多因子认证（MFA）的那一刻吗？从 3 月开始，GitHub 分阶段要求用户启用 MFA，并在年底前全面完成覆盖，这让全球开发者不得不重新审视身份安全的重要性。现在我们登录 Github ，除了要输入密码，还需要完成一个额外的验证步骤，比如输入手机上的动态验证码，或者通过手机上的身份验证器（Authenticator App）确认登录。这种看似繁琐的体验已经成为各大云厂商产品的标配。不仅是 GitHub，像 AWS、阿里云、腾讯云等云厂商也几乎都要求在敏感操作时使用多因子认证（MFA），以确保账户安全。这种举措不仅保护了平台上的代码和账户安全，更体现了现代身份管理技术的趋势，今天，我们就从 GitHub 强制 MFA 的案例切入，了解 MFA 及 Google Authenticator 的实现原理。2. 什么是 MFA/2FA在探讨 MFA 之前，我们需要理解身份验证的本质。身份验证是确认某人或某物的身份是否属实的过程。无论是通过密码登录 Gmail，还是刷身份证进入火车站，身份验证的核心都是确保「你是你自称的那个人」。然而，传统的基于密码的身份验证模式存在诸多隐患：密码过于简单：许多人使用诸如“123456”或“password”这样的弱密码。密码重复使用：用户往往将同一个密码应用于多个网站，一旦一个账户泄露，其它账户也岌岌 ...继续阅读 (17)

1. 引言还记得 2023 年 GitHub 强制推行多因子认证（MFA）的那一刻吗？从 3 月开始，GitHub 分阶段要求用户启用 MFA，并在年底前全面完成覆盖，这让全球开发者不得不重新审视身份安全的重要性。现在我们登录 Github ，除了要输入密码，还需要完成一个额外的验证步骤，比如输入手机上的动态验证码，或者通过手机上的身份验证器（Authenticator App）确认登录。这种看似繁琐的体验已经成为各大云厂商产品的标配。不仅是 GitHub，像 AWS、阿里云、腾讯云等云厂商也几乎都要求在敏感操作时使用多因子认证（MFA），以确保账户安全。这种举措不仅保护了平台上的代码和账户安全，更体现了现代身份管理技术的趋势，今天，我们就从 GitHub 强制 MFA 的案例切入，了解 MFA 及 Google Authenticator 的实现原理。2. 什么是 MFA/2FA在探讨 MFA 之前，我们需要理解身份验证的本质。身份验证是确认某人或某物的身份是否属实的过程。无论是通过密码登录 Gmail，还是刷身份证进入火车站，身份验证的核心都是确保「你是你自称的那个人」。然而，传统的基于密码的身份验证模式存在诸多隐患：密码过于简单：许多人使用诸如“123456”或“password”这样的弱密码。密码重复使用：用户往往将同一个密码应用于多个网站，一旦一个账户泄露，其它账户也岌岌 ...继续阅读 (7)

在当前 AIGC 迅猛发展的时代，技术与应用场景的融合正以前所未有的速度推进。从全球范围来看，生成式 AI 已经从单一的内容生产工具，快速演化为全产业链赋能的核心引擎。如，OpenAI 的 GPT 系列模型在文本生成领域奠定了标杆，而 MidJourney、 Stable Diffusion、Flux、DALLE 等在图像生成领域掀起了创作革命。音乐、视频等领域也在蓬勃发展。在中国，各大科技公司争相布局，AIGC 正广泛渗透至社交媒体、电商、影视文娱、教育和企业服务等领域。无论是文本生成、图像生成，还是视频、音频内容的自动化生成，AIGC 技术的广泛应用推动了创新型产品的诞生。然而，随着用户需求的增长和复杂度的提高，AIGC 产品的工程架构面临着日益严峻的扩展性挑战。如果架构设计不当，AIGC 系统可能在性能、稳定性和可维护性方面遇到瓶颈，难以支撑业务的长期发展。本文分为两个大的部分：一个是从架构设计原则、数据处理、模型管理、计算资源分配、服务治理及弹性扩展等多个方面，简单探讨如何设计和实现具有良好扩展性的 AIGC 产品工程架构；另一个是从一个 AIGC 创业公司的角度来看，如何基于开源模型做好 AIGC 产品工程架构的扩展性。1. 扩展性为何是 AIGC 产品的核心需求？AIGC 产品的架构设计不同于传统的互联网系统，其扩展性的需求来源于以下几个方面：模型规模与复杂性：AIGC ...继续阅读 (19)

在当前 AIGC 迅猛发展的时代，技术与应用场景的融合正以前所未有的速度推进。从全球范围来看，生成式 AI 已经从单一的内容生产工具，快速演化为全产业链赋能的核心引擎。如，OpenAI 的 GPT 系列模型在文本生成领域奠定了标杆，而 MidJourney、 Stable Diffusion、Flux、DALLE 等在图像生成领域掀起了创作革命。音乐、视频等领域也在蓬勃发展。在中国，各大科技公司争相布局，AIGC 正广泛渗透至社交媒体、电商、影视文娱、教育和企业服务等领域。无论是文本生成、图像生成，还是视频、音频内容的自动化生成，AIGC 技术的广泛应用推动了创新型产品的诞生。然而，随着用户需求的增长和复杂度的提高，AIGC 产品的工程架构面临着日益严峻的扩展性挑战。如果架构设计不当，AIGC 系统可能在性能、稳定性和可维护性方面遇到瓶颈，难以支撑业务的长期发展。本文分为两个大的部分：一个是从架构设计原则、数据处理、模型管理、计算资源分配、服务治理及弹性扩展等多个方面，简单探讨如何设计和实现具有良好扩展性的 AIGC 产品工程架构；另一个是从一个 AIGC 创业公司的角度来看，如何基于开源模型做好 AIGC 产品工程架构的扩展性。1. 扩展性为何是 AIGC 产品的核心需求？AIGC 产品的架构设计不同于传统的互联网系统，其扩展性的需求来源于以下几个方面：模型规模与复杂性：AIGC ...继续阅读 (5)

在 AIGC 引领的新一轮技术浪潮中，企业如何将尖端的 AI 技术转化为真正落地的产品，是一场效率与创新的较量。尽管 AIGC 的算法突破令人瞩目，但真正实现技术价值的关键，往往在于背后的工程架构。从内容生成到智能交互，从模型训练到高效部署，AIGC 工程架构正在重塑企业的技术能力版图。今天，我们将从核心角色与关键问题入手，深度解析 AIGC 工程架构如何驱动生成式 AI 的落地与创新。1. AIGC 工程架构概述1.1 什么是 AIGC 工程架构？AIGC 工程架构是围绕 AIGC 技术的研发、部署和应用所设计的一整套技术体系和工程方法论。它涵盖了从数据处理、模型开发、训练与优化，到推理部署，以及最终产品化的全链路流程。AIGC 工程架构的核心目标是将生成式 AI 技术高效地转化为可以落地的产品和服务，同时满足性能、稳定性、可扩展性以及业务需求的多样性。简单来说，AIGC 工程架构不仅仅是一个技术堆栈，而是一个完整的工程化体系，旨在让 AI 模型的生成能力能够被高效地开发、集成、优化和应用。1.2 AIGC 工程架构的核心组成部分AIGC 工程架构可以分为以下几个关键组成部分，每个部分都有其明确的职责和作用：1.2.1 数据层数据是 AIGC 系统的基础。数据层负责提供用于训练和优化生成式模型的高质量数据集，同时支撑模型在推理阶段的输入与输出。主要包括：数据收集：从公开数据源、企 ...继续阅读 (15)

在 AIGC 引领的新一轮技术浪潮中，企业如何将尖端的 AI 技术转化为真正落地的产品，是一场效率与创新的较量。尽管 AIGC 的算法突破令人瞩目，但真正实现技术价值的关键，往往在于背后的工程架构。从内容生成到智能交互，从模型训练到高效部署，AIGC 工程架构正在重塑企业的技术能力版图。今天，我们将从核心角色与关键问题入手，深度解析 AIGC 工程架构如何驱动生成式 AI 的落地与创新。1. AIGC 工程架构概述1.1 什么是 AIGC 工程架构？AIGC 工程架构是围绕 AIGC 技术的研发、部署和应用所设计的一整套技术体系和工程方法论。它涵盖了从数据处理、模型开发、训练与优化，到推理部署，以及最终产品化的全链路流程。AIGC 工程架构的核心目标是将生成式 AI 技术高效地转化为可以落地的产品和服务，同时满足性能、稳定性、可扩展性以及业务需求的多样性。简单来说，AIGC 工程架构不仅仅是一个技术堆栈，而是一个完整的工程化体系，旨在让 AI 模型的生成能力能够被高效地开发、集成、优化和应用。1.2 AIGC 工程架构的核心组成部分AIGC 工程架构可以分为以下几个关键组成部分，每个部分都有其明确的职责和作用：1.2.1 数据层数据是 AIGC 系统的基础。数据层负责提供用于训练和优化生成式模型的高质量数据集，同时支撑模型在推理阶段的输入与输出。主要包括：数据收集：从公开数据源、企 ...继续阅读 (5)