知鸦日报2026-07-31

通过七步指令，将积压的AB实验下线工作自动化。先创建查询、扫描和升级版本的工具，再批量固化已推全实验的代码，最后生成提测报告。关键在于工具化关键步骤、明确指令和人工Review，让AI从重复劳动中解放研发精力。

上下文层是AI数据库的关键，包含本体和语义层。本体定义“客户是谁”等概念关系，语义层确保“收入是多少”等指标口径一致。两者分工明确，共同为AI提供结构化语境，减少幻觉，让AI真正理解业务。

Grab的数据湖从Hive Parquet迁移至Apache Iceberg，解决了目录式存储的瓶颈，如元数据延迟、小文件问题和操作负担。Iceberg带来10倍查询加速和95%的S3成本降低。同时，团队开源了UnifiedSparkCatalog，统一管理多种表格式，无需用户感知差异。

评估是构建可信生成式AI产品的核心工程。应通过数据探索发现失败模式，结合程序化检查、LLM评判和人工评估三层方法。关键在于校准评判标准，聚焦少量精准维度，并持续监控生产环境。

一种反馈驱动的验证引擎，通过将未验证的知识图谱边作为假设注入搜索界面，利用用户实时交互信号（如点击、停留）来验证关系准确性。系统平衡探索与利用，自动提升正确边、剪除AI幻觉，无需人工标注，适用于快速变化的商品目录场景。

GenRec 是 Netflix 基于 LLM 的推荐排序器，通过将用户历史与内容元数据文本化，利用后训练与奖励信号对齐业务目标。相比传统生产系统，它仅需少量标注数据与输入信号，即可在线上实验中显著提升短期与长期指标，并推动从特征工程转向上下文工程。

以决策为中心的场景本体设计，聚焦特定任务情境，通过六步法从场景定义到效果验证，快速支撑关键决策。相比领域本体，它更注重实战价值，能缩短POC周期并提升业务验证效率。保险线索营销案例展示了如何将碎片化行为转化为精准经营决策，本体从用例片段向核心动态生长。

团队将前端规范封装成AI Skill，前置到代码生成前。通过五维结构（触发、选型、约束、样板、集成），让AI自动识别项目并遵守规范，解决了AI代码风格漂移、技术债堆积问题。实践表明，改造周期从周缩短至天，设计同学也能直接产出可复用代码。

一种自适应异常发现方法，从多天历史中学习指标正常形态，自动生成带证据的异常候选，无需用户预先订阅。它通过数据画像识别不同形态，用时间前推选模匹配基线，动态边界收敛异常过程。候选不等于通知，只为补充而非替代现有规则，提升监控覆盖与准确性。

一个单次提示启动了17小时的递归自改进实验，让Kimi K3在Cline上从77.5%提升至88.8%的SOTA分数，成本仅49.8美元。模型自主修复了重试、循环检测、进程自杀等通用问题，全程几乎无需人工干预，证明瓶颈不在模型而在人类使用方式。

团队AI编码面临经验断层：每次纠偏的成果随session结束清零。为解决此问题，构建了从对话中提取、提纯团队经验的系统。通过Review/Dedup/Merge三层治理，将90%的废料过滤为高置信经验，让AI带着项目语境进入新任务，避免重复踩坑。

高德构建AI Native数据Agent，用户用自然语言查数，系统自主选表、生成SQL并执行。核心靠知识库、LLM推理、工具执行与规约约束，评测驱动准确率从40%升至95%。数据能力融入决策，让分析成为业务标配。

Pulsar 保证单分区内消息有序，依赖 TCP 单连接与客户端 Broker 协同。异步发送在高压下仍保序，需开启背压并处理失败消息。消费端应幂等，超大消息用 Chunk 关 Batching。实测验证异步发送加背压模式可稳定保序。