公司：阿里巴巴
阿里巴巴集团创立于1999年，是中国大陆一家以提供互联网服务为主的综合企业集团，目前实行位于杭州，上海与北京的双总部制度。
阿里巴巴服务范围包括B2B贸易、网上零售、购物搜索引擎、第三方支付和云计算服务。集团的子公司包括阿里巴巴B2B、淘宝网、天猫、一淘网、阿里云计算、聚划算、全球速卖通、阿里巴巴国际交易市场、饿了么、飞猪、优酷、盒马鲜生、阿里影业、菜鸟网络、高德地图、Lazada、Daraz等。旗下的淘宝网和天猫在2012年销售额达到1.1兆人民币，2015年度商品交易总额已经超过三兆元人民币，是全球最大零售商。
至2012年九月底止的财政年度，以美国会计准则计算，阿里营业额按年增长74%至318.39亿元（港元‧下同），盈利急升80%至37.75亿元。2015年全年，阿里巴巴营收146.01亿美元，净利为74.94亿美元。2017年，根据阿里巴巴集团向美国证券交易委员会提交的IPO招股书显示，雅虎持有阿里巴巴集团22.6%股权、软银持阿里集团34.4%股份，另管理层、雇员及其他投资者持股比例合共约为43%，当中马云持阿里巴巴集团约8.9%、蔡崇信持股为3.6%。
2019年11月，阿里巴巴集团在在港交所二次上市。香港财经界把阿里巴巴、腾讯（港交所：700）、美团点评（港交所：3690）、小米（港交所：1810）四只中国大陆科技股的英文名称首个字母，合称“ATMX”股份。
2019年11月26日，阿里巴巴集团港股上市，总市值超4兆，登顶港股成为港股“新股王”。2020年8月，阿里巴巴集团港股总市值首次超过6万亿。
阿里巴巴拆份出去的蚂蚁集团上市前，网络金服整体遭遇到政府的强力监管，阿里巴巴同样受到影响，2021年4月10日，阿里巴巴集团涉垄断被中国市场监管总局罚款182.28亿元人民币。2023年三家中国最主要的金融机构，再联合开罚71亿元，不过也随着官方宣布最后整顿工作的完成，阿里巴巴股价开始反弹。
借助 AI Coding 快速打造 AI Agent 系统
在电商运营中，AI驱动的购物场景生成系统通过自然语言快速搭建个性化导购会场，提升运营效率。技术迁移至LangGraph架构后，模块化技能体系和智能规划增强了系统的灵活性与扩展性。AI Coding工具加速开发，实现了从低代码到模块化架构的跃迁，显著提高了任务完成率和代码质量。
【AI Coding】借助cursor实现业务需求全栈交付实践
借助Cursor工具完成红包签到页"单品返子"功能全栈开发，从需求拆解到代码生成一气呵成。重点攻克弹窗动画衔接、Feeds去重等难点，通过Lottie实现丝滑动效，优化预加载与状态管理。实践表明AI辅助开发需人工把控细节，善用日志定位能快速解决问题，开发者仍需夯实基础才能高效驾驭AI工具。（138字）
告别“伪智能”代码：用 Spec + RAG 打造真正懂你的AI程序员
AI Coding时代，代码质量提升的关键在于构建"Spec+RAG+MCP"三位一体的知识体系。Spec作为硬规则确保代码合规性，RAG动态检索非结构化知识补充上下文，MCP则标准化AI与外部服务的交互。通过分层协同，这套体系能显著提升生成代码的准确性、可维护性和业务贴合度，已在淘天集团部分业务线验证效果。未来将优化检索算法、扩展知识库覆盖，打造更智能的编程助手。
自动化评测的九九归一——评测agent
阿里推出统一评测Agent架构，实现AI评测全链路自动化。该架构让Agent自主学习业务标准，自动完成评测集生成、打分、验收与Badcase分析，覆盖商家、租赁、回收等多场景。通过识图-推理解耦技术抑制多模态幻觉，结合强化训练提升模型推理能力，机审率突破97%，年省千万标注成本，高效支撑业务快速迭代。
AgentScope 正式发布 Skills 支持 - 实现渐进式披露
在大语言模型驱动的Agent系统中，如何高效管理多能力是一个核心挑战。全量加载、多Agent架构和RAG方案各有局限，本质在于缺乏灵活的上下文加载机制。Skill机制通过渐进式披露，让Agent先知道“有什么能力”，需要时再调用完整知识，实现按需加载，保持逻辑连贯性，避免资源浪费和碎片化。AgentScope-Java进一步抽象Skill存储层，支持灵活部署和代码安全执行，为多领域知识密集型应用提供简单强大的解决方案。
一次大文件处理性能优化实录
本文深入探讨了在内存受限环境下，通过Java、C++、Rust三语言实现高效处理4GB大文件的优化策略。核心聚焦于减少系统调用、消除冗余对象分配、匹配I/O特性及绕过抽象开销，展现了从637秒到3.2秒的百倍级性能提升。优化过程中，批量处理、大缓冲区、字节操作及零分配设计成为关键，最终提炼出通用原则和解耦架构，为大数据处理提供了高效解决方案。
Paimon-cpp：阿里高性能Paimon读写库正式开源
阿里巴巴智能引擎团队推出Paimon-cpp，为C++引擎提供高性能的Paimon湖表读写能力。Paimon-cpp支持多种字段类型和操作，优化了文件预取、PK表行列转换和Blob I/O，显著提升了数据处理性能。已在阿里内部广泛应用，未来将增强Catalog层、集成向量索引并优化Compaction性能，推动实时湖仓架构高效落地。
AI 原生研发范式：从“代码中心”到“文档驱动”的演进
AI编程时代，SDD（规范驱动开发）成为解决上下文丢失、代码审查难和维护断层三大痛点的利器。通过文档锚定任务，让AI按规范执行，人专注决策验收。核心是RIPER工作流：调研、设计、规划、执行和审查，确保代码质量。文档即协议，团队协作更高效。SDD不是负担，而是让开发更稳更快，把创造力留给人类。
从传统编程转向大模型编程
AI编程时代，开发者角色从“代码生产者”转向“文档定义者”，核心产出变为需求文档和架构设计。AI负责将文档编译为代码，人力集中于需求澄清、架构设计和文档验收。文档成为代码源，修改文档即可自动生成代码，确保模型无关性和知识资产化。开发者需掌握大模型编程技能，将AI融入日常工作流程，提升效率和质量。
生产级Prompt自动化推理评估A/B实验结果的工程实践
在A/B实验中，传统人工巡检效率低下，误判率高。为解决这一问题，基于大语言模型设计了Prompt自动化推理系统，通过六层优先级决策树，实现高效、准确、可解释的实验评估。系统优化后，下线策略数从300+降至100+，打包留白实验关键指标转为正向，人工巡检耗时从6小时降至30分钟，准确率提升至80%。
【淘宝直播数字人互动LLM】告别AI感：基于真人ASR数据的拟人化探索
本文提出了一种基于真人直播ASR数据的拟人化训练方法，通过构建高质量〈AI回复, 拟人化回复〉数据对，训练拟人化改写模型，并结合GRPO强化学习，使生成模型直接输出自然、口语化、有帮助的回复。实验证明，该方法在保持准确性和帮助性的同时，显著提升了语音交互的真实感与用户体验。
自建一个 Agent 很难吗？一语道破，万语难明
我花一周时间为内部研发平台接入Agent开发能力，选用了Iframe嵌入方案，结合LangGraph和Next.js+React框架，优化了系统提示词和知识库建设，通过工具接入和上下文管理提升用户体验。压缩工具响应和上下文，确保Agent高效运行，解决复杂脚本处理中的注意力稀疏问题，实现连续对话和会话中断恢复。
Agentic Coding场景下基于职责分离的上下文管理思路分享
本文提出了一种基于“职责分离”思想的上下文管理新思路，将工具调用解耦为“行为”和“影响”，通过结构化、模块化的动态上下文设计，缓解长上下文导致的注意力稀释、信息过载等问题。引入记忆/遗忘机制、事实与行为记忆区分等策略，提升Agent在复杂编码任务中的稳定性和上下文利用效率。该思路虽源于coding场景，但具备跨任务复用潜力。
模型训练篇｜多阶段ToolRL打造更可靠的AI导购助手
阿里芝麻租赁团队推出AI导购助手"租赁小不懂"，通过架构革新与强化学习突破传统电商导购模式。针对租赁场景的复杂决策链，团队将多Agent架构升级为统一模型动态调用原子工具，响应速度提升4倍；创新两阶段RL训练法，使工具调用准确率提升3.23%。结合MoE模型优化，最终实现推荐成功率提升14.93%，推理显存降低40.6%，打造出更精准可靠的租赁顾问体验。
让 AI 写出生产级代码：阿里妈妈效果广告引擎AI Coding实践
在复杂生产系统中，通用AI编程模型难以胜任高质量代码生成。阿里妈妈团队通过构建CommonAds研发体系和智能研发助手「元芳」，探索出一套适用于广告引擎场景的AI Coding解决方案。该方案强调AI友好架构、规范驱动的多Agent协作以及工程化落地，实现了从需求到代码的全流程闭环，有效提升了代码生成的质量和效率。未来，团队将继续夯实AI-Friendly基础，延伸AI研发能力，推动下一代智能研发体系的构建。
RTP-LLM 在相关性大模型中的推理优化最佳实践
淘宝搜索引入3.5B MoE大模型优化相关性计算，面临超大BatchSize和超长Prompt的挑战。通过Proxy动态负载均衡、批次内KV-Cache复用和MoE Kernel动态调优等技术，成功将端到端延迟控制在500ms内，提升了搜索体验。未来将继续优化专家驻留和前缀复用，探索推理模型的性能极限。