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。
AI 基础知识从 0.3 到 0.4——如何选对深度学习模型？
小编带你了解AI模型架构与预训练模型的应用。从CNN、RNN到Transformer，不同架构适用于各种任务。预训练模型如BERT、GPT系列，通过微调快速适配特定需求，提升效率。Hugging Face等平台提供丰富资源，助你轻松上手AI开发。掌握这些核心概念，AI之旅更顺畅！
APIG x OKG：游戏连接治理的「最后一公里」
游戏连接治理面临七层网络挑战，OKG与APIG联手打造新一代游戏网关，实现优雅下线和无感变更。通过状态感知和流量管理，保障玩家会话连续性，优化云原生游戏体验。解决方案零改造接入，提供全维度可观测性，简化API治理，助力游戏服务快速迭代与高效运维。
150%训练效率提升：感知检测小模型训练优化方法
智能驾驶感知小模型训练优化指南：针对不同算力卡性能差异，从环境配置、代码适配到性能优化提出完整解决方案。重点解决依赖冲突、多卡通信等问题，并通过进程池、共享内存、torch加速等方法提升训练效率。测试表明优化后模型收敛速度提升80%，为自动驾驶场景下的模型部署提供实用参考。
AI 基础知识从 0.2 到 0.3——构建你的第一个深度学习模型
深度学习通过多层神经网络模拟人脑决策，自动提取数据特征，广泛应用于图像、语音和文本处理。本文以MNIST手写数字识别为例，详细介绍了深度学习的基本原理和实现流程，包括数据准备、模型定义、训练和评估步骤，帮助读者理解神经网络的核心概念和实际应用。
面向互联网2C业务的分布式类Manus Java框架
阿里巴巴推出的分布式类ManusAgent框架ali-langengine-dflow，旨在解决现有Agent架构在互联网2C业务场景中的局限性。通过结合分布式服务端与异构C端的混合架构，该框架有效打破了信息孤岛，提升了响应速度与安全性。基于Java生态，采用DFlow分布式执行库，支持本地异步运行，简化了Agent的研发与迭代，特别适用于电商等复杂业务场景。
AI写代码的“上下文陷阱”：为什么AI总是写错？如何系统性解决？
AI协作编程的核心在于系统性管理上下文，通过分层记忆结构提升效率。合理任务分解、完整背景信息、精确指令描述和有效验证反馈是关键。AI辅助记忆维护，渐进更新，确保记忆与代码同步。代码生成与测试中，控制任务规模，AI自Review代码，避免作弊和超额输出。工程师需动态认知模型能力，掌握软件架构设计，深入理解业务。
基于智能体的自适应资损防控体系 - 淘工厂实践（二）
电商平台的资金安全面临严峻挑战，传统资损防控体系效率低下且覆盖不全。基于智能体的新型防控范式，通过多智能体协同，实现了从需求分析到实时监控的全链路主动防护。智能体前置风险识别，自动生成防控措施，并构建资损知识图谱，显著提升了风险防控的精准性和效率，为电商平台的资金安全保驾护航。
AI编码不是梦：手把手教你指挥Agent开发需求
AI编码实践展示了如何通过工具如通义灵码和模型如Qwen-Max、Claude-4-Sonnet，从接口定义到业务逻辑层，实现高效开发。文章详细拆解了工程结构、应用层、数据层和业务逻辑层的生成过程，并探讨了AI在编码中的实际应用与挑战，强调技术方案和Prompt设计的重要性，展望AI在编程中的未来潜力。
AI操作网页：browser-use和AI大模型互动解析
browser-use是一款AI浏览器自动化框架，通过精巧的prompt设计和多种Message类型组合，高效完成在线任务。它利用LangChain工具，系统提示（SystemMessage）约束AI行为，人类消息（HumanMessage）传递任务信息，AI消息（AIMessage）响应指令，工具消息（ToolMessage）拓展功能。其结构化输出和上下文感知对话，为AI大模型交互提供了优秀实践。
超清分辨率文生图模型微调实践
探索了FLUX.1-dev模型在原生2k分辨率图片生成上的微调经验。通过超清图片微调和多分辨率混合训练，解决了位置编码外推和细节缺失问题，提升了模型生成超清图片的质量。微调后的模型在发丝、眼睛等细节上表现优异，兼容社区LoRA，未来将拓展更多艺术风格和高质量打标，进一步提升美学性和人物质量。
200行极简demo - 学习如何手搓一个ReAct Agent
这篇教程教你用Java打造一个极简ReAct Agent，通过200行代码拆解"思考-行动-观察"的循环机制。以补货审批场景为例，演示Agent如何解析用户需求、调用工具链并动态响应，两次对话触发4次大模型调用的过程尤为精彩。核心在于用代码实现ReAct的决策闭环，适合开发者动手实践AI决策逻辑的底层原理。
Qwen3-Embedding 全揭秘：从技术到服务，打造高效AI产品的关键路径
Qwen3-Embedding是阿里通义实验室推出的新一代文本嵌入模型，支持多语言和灵活维度定制，在语义搜索、推荐系统等场景表现优异。通过PAI或百炼平台可快速部署，支持微调定制，相比大模型延迟更低、成本更优。实验显示其响应速度达毫秒级，成本仅为LLM的1/4，适合高并发场景。提供缓存、降级等工程优化方案，助力开发者高效构建智能应用。
AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程
本文通过房价预测的实例，详细讲解了从需求分析到模型部署的完整机器学习开发流程。包括数据收集、特征工程、模型选择与调优等关键步骤，帮助开发者理解如何使用Python及相关库构建和优化回归模型。最后，介绍了模型部署与监控的方法，为实际应用提供了指导。
AI 基础知识从-1到0.1：带你走进机器学习的世界
AI学习从基础概念开始：人工智能（AI）模拟人类决策，机器学习（ML）从数据中提取规律，深度学习（DL）利用神经网络处理复杂任务。大模型参数庞大，依赖海量数据训练。监督学习通过标签预测，无监督学习挖掘数据潜在结构。特征工程优化数据质量，向量化和Embedding将文本转为数值向量，便于模型处理。强化学习通过试错优化策略。后续将深入模型训练和Transformer架构。
Cursor 0.50 版本升级后如何省钱又高效？一份给开发者的避坑指南
Cursor编程助手凭借强大的交互能力和精准的代码理解，成为开发者新宠。其0.50版本更新后，统一了计费机制，引入MAX模式，要求用户更高效利用。建议通过多对话框、任务拆解、对话引用等技巧提升使用效率，并合理配置Cursor Rules以优化开发流程。注意避免Cursor的常见问题，如无法读取jar包、偷懒等，确保代码质量。
1688 AI 原生应用的创新探索与实践
1688通过AI技术重构电商体验，打造找挑一体化智能导购系统。该系统突破传统搜索限制，利用大模型精准理解用户需求，结合多模态商品解析与智能推荐算法，实现从搜索到决策的无缝衔接。通过ReACT模式优化检索流程，AI导购助手可3轮对话内完成需求匹配，准确率超90%。未来将向Agent自动化和端到端模型方向演进，持续提升购物效率与体验。