一个代码工程化，就意味着演化为逐渐复杂的架构。复杂的架构，微服务往往就是一个很好的选择。

《⼤型微服务框架设计实践》是一个很大的话题，这个题目其实分为三个方面，“微服务框架”、“大型”和“设计实践”。我们日常看到的各种开源微服务框架，在我看来都不算“大型”，解决的问题比较单纯。大型微服务框架究竟是什么，又应该怎么去一步步落地实践。

以用户为中心的亚马逊是怎么做好体验管理的？什么是用户反馈闭环呢？

亚马逊怎么实现反馈闭环？ 成功的反馈闭环有哪些关键因素？

对于承载多个子产品的网站而言，单一的布局形式不能完全适用，因此我们需要全方面了解相关的布局框架理论。这有利于我们在定义复杂结构的Web界面时得心应手，做到统一化、规范化、可拓展及可快速迭代。

消逝的万亿市值梦。

随着互联网发展，在这片大地上出现过各种各样的产品，有的更是红极一时。

其中一类产品你会觉得是冲着流量来的，最后也因为没持久的实际价值而昙花一现。

大数据是这个时代赋予我们的强大引擎，在数字化大潮中 ，借助数据驱动的方法推动业务乘风破浪，几乎是每家公司的核心战略。数据驱动的落脚点是数据，能否将组织或业务运行过程中的信息，进行有效收集并组织成信息流，是数据驱动的基石所在。本文分享了滴滴数据体系建设过程中，MySQL这一类数据源的采集架构和应用实践。

现代的数据可视化产品相较于之前的仪表盘应用，在数据方面呈现更加生动、数据实时性高、交互更为友好、效果更加震撼等特点，越来越多的人倾向于通过各类可视化产品使静态的数据“活”起来。基于此背景，我们结合滴滴的各业务线发展，打造了本文介绍的数据可视化大屏产品。

共享两轮车作为短途出行的重要工具，为用户的城市出行提供了极大便捷。由于用户的骑行会使得车辆在城市中的分布产生差异，所以为了更好地服务、满足用户的短途出行需求，需要一线运维同学对车辆进行调度，从而适应城市的供需状态变化。本篇文章将针对两轮车供需策略中的一个问题进行展开和探讨。

持续稳定并体验良好的测试环境，一直是影响产品迭代效率和稳定性的关键环节，也是DevOps自动化测试环节中最具挑战的一环，滴滴在测试环境上的探索从公司成立之初就从未停止，在这过程中沉淀了很多宝贵的经验和教训。本文细数滴滴在测试环境的发展历程，希望能给大家带来一些启发。

在网约车行业中，有很多场景中都有着因果推断的相关应用，不仅仅是算法同学等在因果建模时运用到相关知识，很多业务同学在做相关决策时也经常用到。因此采用日常生活中常见的例子以及行业中的常见问题，对因果推断方向进行科普。

在营销增长领域，我们一直在思考工程技术侧可以做什么来赋能业务，尤其在完成0-1的基础设施建设之后，技术的发力点在哪里；我们不想去做陷入细节的、不确定的平台优化，这会带来不确定的业务收益，不明显的ROI，尤其在业务的爆发式增长期，在资源相对有限的情况下我们认为瞄准业务痛点，技术驱动的“快速赋能”是首当其冲的事情。我们基于纯工程手段实现了bandit中的Epsilon-Greedy算法，并让Epsilon-Greedy和我们的投放系统深度融合。

在我们 Hummer 跨端技术框架 的研发过程中，不可避免会对 JavaScript 引擎有所探索和研究。只有深入了解了 JavaScript 的工作原理，才能在跨端研发的诸多细节上避免踩坑，并且做出更好地调优工作。对于很多前端同学来说，JavaScript 引擎就像一个难以触及的黑盒，既熟悉又陌生，因为它被内置在了浏览器内核中。即使在平时开发过程中天天和 JavaScript 引擎打交道，但大多也只是知道 JavaScript 引擎可以解释执行 JavaScript 代码，对于其内部实现原理并不是特别了解。所以我们接下来会专门花几个专题，来深入剖析一下 JavaScript 引擎的世界，逐步揭开它的神秘面纱。这一期我们主要讲一下 JavaScript 引擎中的 “JSValue 的内部实现”。

为了满足不同用户在价格、体验等方面的差异化诉求，滴滴提供了越来越丰富的品类，这些品类大体流程是类似的，在一些细节体验上有差异，一套架构如何兼顾隔离和复用，同时支持这些品类，且看滴滴服务端技术的湾流平台怎么做。

近年来，因果推断逐渐成为了机器学习中的热点话题。增益模型（Uplift Model）作为工业界因果推断与机器学习结合最成熟的算法之一，在智能营销中有着广泛的应用。目前大多数增益模型仅讨论了二元处理变量情况下的处理效应估计，然而在网约车市场中存在大量多维、连续的处理变量。针对这一困境，我们构造了连续因果森林模型，并成功地应用在了网约车交易市场策略上。