Pinterest通过用户调研优化内容推荐，用5分制问卷收集了5000张图片的视觉评分，训练了一个轻量级神经网络模型来预测内容质量。模型采用成对排序学习，结合不同兴趣类别的差异，有效区分高/低质量内容。上线后，首页推荐、搜索和关联内容三大场景的用户体验和互动指标均有提升，实现了用户满意与商业增长的双赢。未来计划引入视觉语言模型进一步升级推荐系统。

Pinterest通过引入AI代理和模型上下文协议（MCP）服务器，解决了可观测性数据孤岛问题。MCP服务器将日志、指标、追踪等数据统一整合，赋予AI代理更强的上下文处理能力，提升了问题根因分析的效率和精准度。团队还开发了Tricorder智能代理，帮助工程师快速定位问题，减少故障解决时间，迈向自主可观测性新时代。

Pinterest团队通过自建测试平台PinTestLab，采用基于运行时的分片机制，优化了Android端到端测试的CI流程。利用历史测试时长和稳定性数据，贪婪算法将测试分配到EC2托管的模拟器上，确保各分片运行时间相近。此举使端到端构建时间减少9分钟，最慢分片运行时间降低55%，显著提升了开发效率。

Pinterest通过用户旅程模型提升推荐系统，将用户兴趣、意图和上下文结合，动态生成个性化旅程。利用动态关键词提取和层次聚类技术，系统自动提取用户旅程并进行命名、扩展和排名。通过LLM优化旅程推断，提升推荐质量。实验显示，旅程感知通知显著提高了用户参与度和反馈率，未来将整合更多LLM技术，进一步优化系统。

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。

Pinterest通过构建内部开发者平台PinConsole，有效解决了工具碎片化和开发流程不一致的问题。基于开源框架Backstage，PinConsole提供了统一的开发入口，集成了GitHub、Jira等工具，简化了工程师的工作流。平台采用定制化插件架构，优化了性能与扩展性，显著提升了开发效率与用户体验。未来，PinConsole将继续扩展功能，进一步优化资源管理与可观测性，助力Pinterest在复杂技术生态中保持高效创新。

Pinterest在将搜索系统Manas迁移到Kubernetes时，发现每百万次搜索请求中，有一次会耗时100倍。经过排查，问题源于cAdvisor的container_referenced_bytes指标，该指标每30秒扫描并清除页表访问位，导致内存密集型搜索系统出现延迟。团队通过禁用该指标，成功解决了性能问题，确保Manas在Kubernetes上的稳定运行。

Pinterest数据工程团队基于Kubernetes构建了新一代大数据处理平台Moka，以替代老化的Hadoop系统。Moka采用Spark on EKS架构，整合了Spark Operator、YuniKorn调度器和Celeborn远程混洗服务，支持ARM/Graviton实例和容器化部署。平台通过Archer作业提交系统实现与现有工作流的无缝集成，并引入自动化验证流程确保迁移稳定性。目前已完成70%批处理作业迁移，性能提升5%，同时通过资源隔离和队列管理优化了成本效益。

Ray框架通过三大优化显著提升大规模ML任务效率：1）优化Ray Data底层结构，取消冗余的块切片和合并操作，降低CPU/内存开销；2）特征转换采用请求ID去重和避免PyArrow冗余拷贝，减少计算与传输消耗；3）UDF层面整合过滤器并使用Numba即时编译加速数值计算。实测训练管道吞吐量提升2-3倍，首页推荐模型达理论峰值90%性能。

Pinterest探讨了在线与离线近似最近邻（ANN）检索在广告推荐中的应用。在线ANN实时响应用户行为，提升广告相关性，但成本较高；离线ANN通过预计算降低基础设施成本，适用于静态查询场景。实验表明，离线ANN在相似商品广告和视觉嵌入中表现优异，成本降低50%以上，未来计划扩展至搜索和首页推荐，并开发自有离线ANN平台。

Pinterest通过引入Hadoop控制中心（HCC）优化大数据集群管理，简化了集群扩展和缩减操作。HCC自动处理节点退役、数据复制和ASG调整，减少人工干预，确保数据安全。HCC架构包括管理节点和多个工作节点，支持自动化的集群操作，并与Terraform协同工作，避免配置冲突。未来，HCC计划增加更多自动化功能，如节点轮换和故障检测。

Pinterest推出TransActV2，通过160倍的用户行为序列扩展，结合Next Action Loss和高效部署方案，实现终身行为建模。该模型提升了推荐系统的精度和多样性，显著减少用户隐藏行为，增加保存和互动。系统优化降低了99%的延迟，实际应用中提升了用户粘性和内容发现效果。这一突破为大规模实时个性化推荐树立了新标杆。

Pinterest工程师团队打造了内部文档系统PDocs，采用"文档即代码"理念，用Markdown编写、Git管理，结合静态站点生成器自动构建统一文档中心。PDocs解决了传统wiki工具的质量和可发现性问题，支持代码审查、搜索集成和AI问答，上线后获广泛采用。未来将优化编辑体验并增强文档互动性，持续提升技术文档质量。