知鸦日报2023-06-29

Midjourney制作3D运营活动弹窗的教程，操作简单，需要大家灵活的运用AI工具。

随着物流业务场景的多样变化，便于用户更可视化获取和操作信息的地图页面变得复杂多样，本文基于新衍生出的物流业务场景对地图交互规范升级进行了分析总结与反思，以期实现设计提效和保证产品一致性。

目前很多互联网公司都告别了过去流量和业务迅猛增长的时期，进入了一个相对稳定发展的新阶段，业务增长可预期，成本控制成为了一个重要的议题。

在典型的互联网公司的成本组成中，IT 成本占比并不低，技术成本与人力成本的比例差不多在 1:2 ~ 1:2.5 左右， 降低 IT 成本显然能带来立竿见影的效果。

10 年来云计算、云原生、容器、Kubernetes、DevOps 等技术的高速发展，使得 IT 成本的管理变得更加复杂，也给成本的管理带来了更多的挑战。

目前大多数互联网公司，都基于 Kubernetes 实现资源的统一管控，实现统一的大池子，基于此的统一调度、分配、混合云等都是过去降本增效的重要手段。

在网易云音乐，我们通过 2 年多的时间完成了在线业务几乎 100% 的容器化，通过超售、统一调度、混合云、混合部署等行之有效的手段使得在线资源峰值利用率提升到 50%+，每年为公司带来数千万的成本节省。

但是，随着成本治理的深入，我们会发现，资源治理团队的压力会越来越大。因为研发一侧 DevOps 很容易获取资源，导致资源的增长也依然非常地快，并且在流程上缺乏管控（因为本质上从 DevOps 角度希望提效，传统的工单审批机制被摈弃）。

在云原生时代，随着资源池化之后，成本默认归属到了技术中心部门，业务部门对成本没有感知，同时缺乏有效的手段针将成本拆分到业务线，出现了典型的 大账问题 ，导致无法有效评估业务 ROI。

Using context-aware decisions to provide partner-tailored experiences, and how we achieved this for our selective distribution brands.

In early 2022, Lyft already had a comprehensive Machine Learning Platform called LyftLearn composed of model serving, training, CI/CD, feature serving, and model monitoring systems.

On the real-time front, LyftLearn supported real-time inference and input feature validation. However, streaming data was not supported as a first-class citizen across many of the platform’s systems — such as training, complex monitoring, and others.

While several teams were using streaming data in their Machine Learning (ML) workflows, doing so was a laborious process, sometimes requiring weeks or months of engineering effort. On the flip side, there was a substantial appetite to build real-time ML systems from developers at Lyft.

Lyft is a real-time marketplace and many teams benefit from enhancing their machine learning models with real-time signals.

To meet the needs of our customers, we kicked off the Real-time Machine Learning with Streaming initiative. Our goal was to develop foundations that would enable the hundreds of ML developers at Lyft to efficiently develop new models and enhance existing models with streaming data.

In this blog post, we will discuss some what we built in support of that goal and the lessons we learned along the way.

每个程序员都会讨厌两件事情，阅读没有注释的代码，给代码写注释。那么如何一次解决两大难题，不用写注释，也不会被他人吐槽没有注释呢？

Meta Q 在当年双十一承载了万亿级消息的流转，跨越了一个新的里程碑，同时 Rocket MQ 进入 Apache 孵化。

本文介绍了vivo业务运维证书管理从手工到平台化的历程。

本文介绍了什么是分布式ID，其业务场景以及9种实现方式，同时基于vivo内部IT的业务场景，介绍了自研鲁班分布式ID服务的实践。

分享DoKit在一机多控研发过程中遇到的技术难点和解决方案。

Android 加固技术演进与VMP处理方案。

鹅厂人真实的使用tips：让你的GPT不再答非所问。

本文从 Commons DBCP testOnBorrow 的作用机制着手，管中窥豹，从一点去分析数据库连接池获取的过程以及架构分层设计。

“效率”作为得物技术部的关键词之一，大家在研发效能、会议效率、协作效率、办公效率等方面一直进行着持续地探索。实际落地的过程中，为了更好地评估应用效果，往往需要将定性描述转换为可量化的数据指标。这些数据指标可以帮助了解研发过程中的变化和趋势。

本文通过简单的例子，向读者介绍了如何使用pie框架快速进行责任链模式开发，包括责任链初始化和异常处理等日常开发中常见的场景。

git submodule是一种在一个git仓库中引用另一个git仓库的方法。它可以让你在一个项目中使用另一个项目的代码，同时保持两个项目的提交历史分开。git submodule只跟踪特定的提交，不跟踪分支或标签，也不会自动更新。

作者通过一个慢日志问题，引出 MySQL 半一致性读的概念及实际应用场景。