知鸦日报2025-09-12

本文深入探讨了如何在iOS平台上优化Kotlin/Native的开发体验，提出通过模块化、并行编译和增量构建等策略，显著提升编译效率和调试体验。文中详细分析了现有KMP生态的瓶颈，并展示了基于Bazel的定制化解决方案，成功将Kotlin/Native的研发体验提升至与Swift/ObjC相当的水平，甚至在某些方面超越原生开发。

Shopify成功将Shopify Mobile和POS应用迁移至React Native新架构，保持每周发布并服务数百万商户。迁移涉及复杂代码库、数百个屏幕和原生模块，通过最小化代码更改、保持双架构兼容性及维护性能稳定，确保了开发速度和功能不中断。过程中解决了状态批处理、空白屏幕等常见问题，最终提升了应用启动时间和渲染性能。这一经验为其他团队提供了宝贵的迁移策略参考。

Pinterest 的 Moka 平台基于 AWS EKS 构建，用于大规模数据处理。平台通过 Terraform 和 Helm 实现 EKS 集群部署，使用 Fluent Bit 进行日志管理，并结合 OTEL 和 Prometheus 实现指标监控。Moka 支持 Spark 应用，提供动态 UI 访问和历史日志查询，优化了镜像管理和资源隔离，推动了 Pinterest 基础设施现代化。

Uber开源了Starlark Worker，结合Cadence工作流编排与Starlark脚本语言，简化了工作流定义与执行。Starlark Worker通过Python风格语法提供强大的表达力，支持复杂控制流与动态场景，无需重新部署即可提交新工作流，显著提升开发效率。其架构集成Cadence引擎与Starlark解释器，确保高可靠性与扩展性，适用于多租户平台，已在Uber的机器学习平台Michelangelo中广泛应用。

大模型应用的可观测体系构建是关键，需关注可用性、性能和业务反馈三大核心指标。通过日志打印、采集与存储，结合SLS、QuickBI等工具，搭建可观测大盘，实现业务监控与告警。云产品如百炼、云监控、ARMS提供基础监控能力，支持模型粒度的调用统计与性能指标。排查SOP与诊断工具助力问题定位，应急预案则确保快速恢复。

美团开源了LongCat-Flash智能体模型，采用混合专家模型（MoE）架构，通过创新设计实现了计算效率与性能的双重优化。模型总参数量达5600亿，具备512个前馈网络专家和256个零计算专家，支持计算-通信重叠和多头潜在注意力机制。通过SGLang框架优化部署，LongCat-Flash在推理速度和智能体任务表现上显著优于同类模型，适用于复杂场景。

大语言模型（LLM）推理中的非确定性问题源于浮点数非结合性和并发计算的复杂性。尽管通过调整温度等参数理论上可以实现确定性，但实际应用中仍存在差异。主要原因在于推理过程中的批处理大小变化，导致输出结果不一致。解决这一问题的关键在于实现批处理不变性，确保每个请求的推理结果不受其他并发请求的影响，从而获得可复现的结果。

QA的核心在于把常规手段做透。上线前集测要明确目标、及时奖励，确保问题落地；平日监察需精准选接口、高效定断言，跟紧迭代；人工巡检要分级计划，沉浸体验；复盘则需深挖根因，措施具体，跟进公开。每个环节都堵住漏洞，动作产生实效，提前化解用户问题。