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。
淘宝交易前端AI生码技术的创新实践
交易前端AI生码技术通过结合D2C与MCP，解决了设计稿转代码的痛点。利用WeaveFox的视觉布局生成IR中间码，引入设计规范提升样式准确性，开发专属插件确保尺寸精准。通过MCP工具链统一流程，实现“一键生成，多场景适配”，显著提升开发效率，优化了设计稿处理与代码生成的全流程。
一次缓存引发的文件系统数据不一致问题排查与深度解析
小编带你揭秘一次由自研分布式文件系统客户端EFC缓存架构更新引发的严重数据不一致问题。通过详细排查，发现问题源于缓存中版本号回退，导致客户端读取旧数据并写入文件系统，造成数据损坏。最终通过维护递增的缓存版本号，成功修复问题。整个过程不仅揭示了缓存机制的潜在风险，还深入探讨了POSIX接口的底层行为，为类似问题提供了宝贵经验。
AI驱动前端重构：10天完成3000+行复杂组件的跨端复用实践
本文分享了团队如何利用AI工具Cursor结合Claude模型，在10天内成功重构3000行代码的复杂前端组件，实现跨端复用。通过建立技术规范、适配规则及测试体系，研发效率提升30%，生成600+测试用例。AI辅助需结合明确约束与人工校验，高效解决多平台兼容性与代码逻辑迁移问题，推动“需求交付=开发规则+技术文档+测试用例”的新范式。
Qwen3 x ms-swift：监督微调在居住服务行业的一次实践
大模型微调在租房平台意图识别场景中展现显著优势，通过Qwen3-8B模型微调，准确率提升至94.5%，远超传统方法。微调不仅优化了模型性能，还降低了延迟，满足了实时交互需求。数据质量和多样性是微调成功的关键，少量高质量数据也能带来显著效果。ms-swift框架简化了训练流程，支持多尺寸模型微调，为业务提供了高效、低成本的解决方案。
Web Agent大对决：你的AI浏览器理想型，会是哪一个？
2025年，浏览器正从“看客”进化成“智能助手”。Web-Agent技术革命推动互联网交互模式从“搜索-点击”转向“对话-执行”。四大产品各具特色：ChatGPT Agent技术全能，Fellou高效低价，Comet强搜索，Dia极简体验。AI原生架构深度集成，实现流程自动化与任务委托，大幅提升效率，重塑数字化生活。未来，多模态融合与垂直化发展将引领浏览器新变革。
AI 基础知识从 0.5 到 0.6—— Transformer 架构为何能统治AI领域？
Transformer凭借自注意力机制，彻底革新了序列建模。它摒弃RNN的串行处理，实现了并行计算，大幅提升效率。通过多头注意力，Transformer能同时捕捉序列中各元素的复杂关系，解决了长距离依赖问题。其编码器-解码器架构在NLP、CV等领域大放异彩，成为GPT、BERT等大模型的基石，展现了强大的通用性和扩展潜能。
一条SQL管理向量全生命周期，让AI应用开发更简单
在当前AI应用开发中，向量索引和Embedding模型的分离带来了开发、运维和使用上的诸多挑战。PolarDB IMCI通过将向量索引和Embedding能力集成到数据库内核，提供了一体化的向量全生命周期管理。开发者仅需使用SQL即可完成RAG知识库的构建和检索，极大简化了流程。PolarDB IMCI的高性能和事务支持使其在处理复杂查询时表现优异，显著提升了AI应用的开发效率。
让 Agent 拥有长期记忆：基于 Tablestore 的轻量级 Memory 框架实践
AI Agent的存储需求聚焦Memory和Knowledge两大核心，阿里云Tablestore推出轻量化框架tablestore-for-agent-memory，支持实时记忆存储与语义检索。该方案已落地通义App、1688商品搜索等场景，具备高性能、低成本优势，未来将拓展多模态与用户行为分析能力。框架开源且提供标准化接口，助力开发者快速构建AI应用。
基于大模型的领域场景开发：从单智能体到多智能体的React框架设计与实现
大模型开发逐渐转向专有AI工具，提升生产力是关键。团队通过RAG、流程编排等技术，开发了智能助手和问答平台。近期采用React框架，实现智能体自主规划和工具调用，优化了决策和上下文管理。未来将探索多智能体协作和上下文动态压缩，进一步提升系统效率和响应质量。
聊聊AI Coding
AI Coding分为"氛围编码"和深度协同两种模式，前者适合快速实现功能但存在迭代问题，后者需要开发者具备技术理解力才能高效协作。当前AI在零基础编码上表现优异，但对复杂系统维护仍显不足。开发者应提升问题拆解、方案评估等核心能力，与AI形成互补。关键在于合理分配任务：AI处理标准化实现，人类专注架构设计和创新思考。保持技术敏感度，才能在AI时代建立差异化竞争力。
AI 基础知识从 0.4 到 0.5—— 计算机视觉之光 CNN
本文系统回顾了计算机视觉的发展历程，从早期手工特征到深度学习的崛起，重点解析了卷积神经网络（CNN）的原理与架构。通过数学公式与代码示例，详细探讨了卷积操作的本质及其在图像处理中的应用。文章还介绍了CNN如何解决参数爆炸与空间结构问题，并通过手写数字识别案例展示了CNN的实际应用。最后，列举了多种经典CNN模型及其在目标检测、人脸识别等领域的广泛应用。
如何实现 AI Agent 自主发现和使用 MCP 服务 —— Nacos MCP Router 部署最佳实践
AI Agent在使用MCP协议时面临服务选择复杂、Token消耗高及安全隐患等问题。Nacos社区推出Nacos MCP Router，通过智能路由和代理模式简化服务配置，优化Token使用，并提升安全性。Router支持协议转换，结合容器化部署，提供隔离运行环境，有效解决当前挑战，推动MCP生态发展。
微调之后还能做什么？大模型后训练全链路技术解析
后训练在预训练模型基础上，通过微调和对齐提升特定任务表现。随着模型规模扩大，后训练扩展律成为突破点，强化学习在推理能力提升中发挥关键作用。常见方法包括全量与部分微调、对齐技术及强化学习策略优化。推理阶段通过慢思考与CoT等策略优化模型表现。后训练结合SFT与RL，推动模型性能持续提升。
OOM排查之路：一次曲折的线上故障复盘
服务整合Paimon与RocksDB后，连续三次内存溢出（OOM）。首次OOM因Paimon表bucket数量过多，调整后解决。第二次OOM排查发现堆外内存泄漏，最终通过调低JVM堆内存、升级RPC框架等措施缓解。第三次OOM确认是RocksDB的JNI内存分配无法释放，最终改用Flink写Paimon解决。排查过程中使用了MAT、NMT、Arthas等工具。
RLHF技术实践：大语言与文生图模型的生成优化
基于人类反馈的强化学习（RLHF）通过引入人类偏好信号，优化大语言模型和文生图模型的生成效果。RLHF在解决图文不一致、肢体异常等挑战中展现显著优势，尤其在提升图像生成质量方面效果突出。DPO等算法简化了训练流程，但依赖数据质量和多样性。RLHF技术持续推动模型向更符合人类期望的方向演进。
如何用AI Coding和Claude Code提升开发效率？看我的全流程复盘
AI Coding工具在开发中提升效率显著，尤其Claude Code表现突出。清晰的需求描述和结构化Prompt是关键，避免一句话需求。合理划分AI任务边界，小步快跑并频繁提交代码。AI生成的代码需人工Review，确保质量。有效管理上下文，控制任务粒度，利用外部记忆和知识库。Claude Code的安装和使用简便，支持多任务协同，提升开发效率。