知鸦日报2021-10-29

去年，闲鱼图片库在大规模的应用下取得了不错的成绩，但也遇到了一些问题和诉求，需要进一步的演进，以适应更多的业务场景与最新的 flutter 特性。比如，因为完全抛弃了原生的 ImageCache，在与原生图片混用的场景下，会让一些低频的图片反而占用了缓存；比如，我们在模拟器上无法展示图片；比如我们在相册中，需要在图片库之外再搭建图片通道。

这次，我们巧妙地将外接纹理与 FFi 方案组合，以更贴近原生的设计，解决了一系列业务痛点。没错，Power 系列将新增一员，我们将新的图片库命名为 「PowerImage」！

希望借本文跟大家分享爱奇艺移动实验室在【iOS稳定性测试】实践和优化过程中的心得和体会。

系统开发过程中涉及到任务执行超时的问题，大家都知道一旦任务执行超时，任务状态没法自动更新，任务状态没有更新用户就会一直等结果，这样既没法继续重复执行超时任务用户体验也不好，因此需要解决下超时任务的问题。

面对瞬息万变的市场，流利说业务团队希望快速响应市场的需求，打造更多有创意的产品。在这背后，要求Cloud Infra团队提供更敏捷的基础设施，提升用云的管理水平，主要体现在：

• 加速资源供应：支持业务团队以自服务的方式快速获取云资源；
• 降低总体成本：充分利用云的弹性能力，提升资源利用率以降低总体的成本；
• 提升运维和管理效率：提升运维的效率，减少重复性的人工操作。

本文为《Cube 技术解读》系列第二篇文章，将从 Cube 卡片生产流程、工作流程、核心系统架构、线程模型和数据模型等角度出发，对 Cube 卡片技术栈进行详细解读。

同义词作为知识图谱的组成部分，在Query解析、扩展查询等搜索推荐场景起到重要的作用。本文探讨了同义词挖掘的一般思路，以及目前学术界的研究现状。

本文由阿里巴巴达摩院阿里小蜜团队带来，介绍其在知识图谱方面一年多以来的一些工作进展。主要内容包括：① 知识图谱的简介；② 领域知识图谱的构建及应用；③ 多模态知识图谱的构建及应用；④ Takeaways (心得领悟)。

在搜索引擎中，用户意图一直是工程师们关注的重点和难点。本文分析了用户的搜索行为，并针对其中一些行为给出了对应的识别措施。最后，文章介绍了 Query 扩展模块的实践，并对其影响效果的因素进行了重点说明……

本文介绍了基于不同策略的query词权重算法，并制定了符合丁香园医疗搜索场景的算法方案。

Query扩展是搜索优化工作中重要的一部分，本文介绍了Query扩展的基本思路和实施方法，以及在丁香园业务场景中的简单实践。

在如今搜索领域中，简单的关键词匹配已经无法胜任全量的query，如果能够识别出query的意图，对于返回类型多样性，提升相关资源占比以及关联相关结果更加有效。所以Query的意图识别尤为重要，在一些垂直领域中，query意图识别也演变为类目识别。借着近期工作内容，梳理一下在垂直领域下query的类目识别。

query理解在搜索中的应用：本文使用简单易懂的语言、形式化的描述了query理解的定义，并且从一个崭新的角度讲述了之家的搜索query理解的具体实现方法，实现思路比较新颖，独树一帜。

查询理解是搜索引擎与NLP结合的产物，用来解决搜索相关的一些文本理解任务。本文主要介绍了美团查询理解系统中的主要模块，包括实体识别、查询改写、意图识别。

搜索是京东到家App上主要的流量分发入口，搜索场景覆盖了首页搜索、店内搜索、首页各个频道球搜索以及小程序搜索等各种服务入口，随着用户量快速增长，越来越多的用户在不同场景下使用搜索快速获取自己想要的商品。

In Q2 of 2021, Lyft served 17.1 million active riders through our suite of mobile applications. At this scale, every crash, frozen frame, or hiccup can translate to thousands of hours of wasted time and frustration. Given the potential to impact millions of Lyft’s customers, we doubled our efforts in 2020 to improve our applications’ speed and stability by launching an internal mobile performance initiative.

This is the first in a series of stories detailing our journey to materially improve the speed and stability of our applications. We hope that this can be used by other companies as a reference and inspiration for their own investments in this space.

In this post, we will explore both how and why we started investing in mobile performance at Lyft, and we will dig into our team’s philosophy — everything from how we select projects to how we evaluate success.

物料中心作为一个物料的管理平台，真正的价值是通过“物料”的收敛和管理，为LowCode和NoCode等开发方式提供了基础砖块 ，为传统开发方式的转变提供支撑。

在计算机安全中，沙箱（Sandbox）是一种用于隔离正在运行程序的安全机制，通常用于执行未经测试或不受信任的程序或代码，它会为待执行的程序创建一个独立的执行环境，内部程序的执行不会影响到外部程序的运行。

本文介绍了美团基于到店综合知识图谱（GENE）从0到1快速建设剧本杀供给标准化的过程及算法方案。

学而思1对1质量效率团队一直致力于缩短优质代码上线效率，团队做了很多技术性的探索与实践，团队在测试环境治理上不断更新。2018年手工维护了多套测试环境，多迭代测试的并发经常导致环境不够用，环境冲突，环境异常等等诸多问题导致测试过程不顺利，以致于测试前先要解决环境问题，以及“环境构建时间长”、“服务异常排查困难”、“服务缺失”等实际问题。为了提升测试效率，测试环境治理正式拉开帷幕。

数据中台 Node.js 中间层的定位类似一层 API Gateway，承载接口代理、聚合以及与DB 无关的部分业务逻辑。

在现阶段数据中台的服务体系中有两类服务：常规 Java 后端和 T-Service 。后者是数据中台将 OneService 方法论落地的统一数据服务，即服务于各个前台事业部，也为数据中台内部的各个应用平台提供数据服务。

​MemCorruption工具是字节跳动AppHealth团队开发的一款用于定位野指针、内存越界、重复释放类问题检测工具，广泛用于字节跳动旗下各大 App 线上问题检测。本文将通过方案原理和实践案例来介绍此工具。

Data scientists at Shopify expect fast results when querying large datasets across multiple data sources. We use Trino (a distributed SQL query engine) to provide quick access to our data lake and recently, we’ve invested in speeding up our query execution time.

On top of handling over 500 Gbps of data, we strive to deliver p95 query results in five seconds or less. To achieve this, we’re constantly tuning our infrastructure. But with each change comes a risk to our system. A disruptive change could stall the work of our data scientists and interrupt our engineers on call.

That’s why Shopify’s Data Reliability team built custom verification, benchmarking, and profiling tooling for testing and analyzing Trino. Our tooling is designed to minimize the risk of various changes at scale.

Below we’ll walk you through how we developed our tooling. We’ll share simple concepts to use in your own Trino deployment or any other complex system involving frequent iterations.

经过对 GLSL 的了解，以及 shadertoy 上各种项目的洗礼，现在开发简单交互图形应该不是一个怎么困难的问题了。下面开始来对一些已有业务逻辑的项目做GLSL渲染器替换开发。

产业级移动应用测试面临操作系统碎片化人工测试负担过重、功能复杂场景繁多、自动化测试探索效率低效的问题。淘系技术质量团队与北京大学讲席教授谢涛老师团队合作，在业界提出了首个基于计算机视觉（和多模态强化学习）的自动化视觉测试框架Monkeybot，解决了遍历测试效率低下，自动测试工具难以跨平台使用的问题，为移动应用测试提供了通用高效的解决方案。并于21年9月底在QECon全球软件质量效能大会上对行业公开了这一技术方案。随后，在10月份云栖大会上谢涛教授对MonkeyBot落地效果进行了分享展示。

随着各种多端技术的蓬勃发展，如今的移动端和前端早已不再拘泥于自身的边界，而是不断延伸、扩展和融合，逐步向着真正的大前端技术迈进。跨端技术也从早期的Cordova/PhoneGap、纯H5页面发展到如今的ReactNative（以下简称RN）、Weex、小程序、Flutter群雄并存的局面。各种技术栈各有优劣和特点，技术选型需视团队自身情况而定，没有绝对好坏之分。然而在实际开发中，并不是只选用一种技术栈，那么研究多种技术栈融合和嵌套使用的就有了迫切的必要性。

本文我们从实际业务场景出发，初步实践了在RN里面嵌套flutter view、在native里面嵌套flutter view，探索其可行性，并回顾这个过程中遇到的一些问题和解决方案。