移动互联网进入存量时代，随着人口红利减退，充分盘活、经营现有流量便成为了各行各业全新的机遇与挑战。各大公司都在内卷发力，对 App 包大小、启动速度、性能做持续优化。

App 包体积和用户转换率成负相关，包体积越小、用户下载时长越短，用户转换率越高。而随着国内用户的增量见顶，越来越多的应用选择出海，开发对应的海外版，Google Play 应用市场目前强制要求超过 100MB 的应用只能使用 AAB 扩展文件方式上传，Google Play 会为我们的应用托管 AAB 扩展文件，进行自定义分发和动态交付。

DMN主要应用在向程序员以外的人员提供决策管理的能力，以求更准确地反映目的，从程序员的角度讲可能和写ifelse没什么不一样，但是其他角色的参与人员可以通过较低的学习成本来上手实现规则，能够减少沟通成本和不同人的理解差异产生的不符合预期的结果。

本文主要从前端视角，分享一下转转售后的业务和系统。

转转新测试环境，在每台测试服务器都部署了一套HttpAgent(以下简称agent)，由eig测试环境管理平台下发命令，agent完成命令接收、解析和响应，实现并发和调度控制，异步调用环境维护脚本。之所以自己开发一整套agent，是因为转转测试环境由多业务组成，复杂度非常高，我们可以根据自己的业务高度定制，做一套适合我们转转的，好用的系统。

在持续的业务测试中，接口用例会逐步沉淀形成一定规模。RD自测或者QA测试时，RD要执行冒烟级别接口测试用例进行冒烟测试，QA要执行接口测试用例测试新需求、回归老业务。在需要执行用例时，要去接口用例工程中反复查找相关用例进行执行。如何更高效的管理和使用接口用例？通过平台化，降低管理成本和执行成本，即根据业务场景、用例类型等维度进行分类管理，可视化执行。

转转增量代码扫描数据作为上线准入的重要依据，目前所有测试环境执行的测试均有覆盖率统计，但是部分需求或服务更加适合使用单测进行验证，也有部分RD有单测的好习惯。单测覆盖率的缺失无法通过覆盖率分析补充case也对上线准入评估造成了一定的困扰。因此，我们将单测的增量代码覆盖率融合至测试环境覆盖率中，解决以上问题。

代码覆盖率是业内常用的统计代码被执行程度的手段。覆盖率数据结果是对测试工作的一种保证，可以赢得信任、增加上线信心。今天就让我们来聊聊 转转App代码覆盖率方案的实现及应用，希望可以给大家带来一些思路和参考。

本篇文章主要介绍 java instrument和 ASM，文中部分内容来自Java API doc和 ASM user guide。有兴趣深入研究的同学可以从这两份资料获取更详细的内容。关于工具的具体使用场景和落地。

SFF（Serverless For Frontend）一站式node服务管理平台，是基于Serverless服务提供的一套node服务整体解决方案，让开发者专注业务开发，大幅提升开发和运维效率。

本文介绍了通过PHP扩展的方式实现WEB API自动化监控系统，让58安居客的PHP业务接口监控更简单。

PHP技术栈的开发同学如果想实现服务化的微服务怎么办，58房产基于Swoole的RPC框架也许能给你带来不一样的思考和帮助。

IAST/RAST是两种程序运行时提供安全能力的产品。本系列文章，主要介绍我们针对于IAST/RASP的技术调研与实践。整个系列分为IAST的调研、RASP的调研，及IAST/RASP的工程化落地。

CL 的技术源泉来自度量学习，大概的思想是：定义好样本的正例和负例，以及映射关系（将实体映射到新的空间），优化目标是让正例在空间中与目标样本的距离近一些，而负例要相对远一些。

转转是一家主营二手商品交易的电商平台。根据交易主体的不同，可以形成C2C、C2B、B2C等交易关系。比如个人用户在转转app的自由市场发布商品进行售卖属于C2C模式、转转公司提供手机和其他电子产品的邮寄与上门回收C2B服务，转转app还提供官方验和质保与售后的二手B2C商品。本文将重点介绍转转 B2C 卖场商品上架审核过程中图像算法的应用。

由于二手商品的非标品性质，即便同一sku下的不同库存商品间也存在着成色差异。平台为了提升用户体验，增加商品信息的透明度，在展示二手商品时全部采用实拍商品图，避免使用渲染的标品图片。这就涉及到对每个上架商品的相关展示图片进行信息准确性、图片质量等各方面的审核问题。

Flutter是谷歌的移动UI框架，可以快速在iOS和Android上构建高质量的原生用户界面。

Fair是58技术开源的一个Flutter动态化的框架，能够实现UI和逻辑的动态化。

开发者在使用Fair开发过程中存在一些痛点，比如可能会出现使用语法糖不正确或者存在不支持的语法糖问题，所以我们需要一个配套插件去提示用户使用Fair语法糖。

在Exploitation中最重要的是 Relevance ( 相关性 ) 的计算，其根本思想是根据用户浏览、观看和收藏的内容等用户行为数据推测该用户可能采取的行动。常见的推荐算法大多是基于针对该目标的优化而展开的。