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。
准确率提升至 90%，阿里商旅基于 AgentScope 构建多智能体差旅助手最佳实践
阿里商旅通过AI框架AgentScope升级AliGo系统，解决了单智能体模式的技术瓶颈和架构局限性，提升事项收集准确率至90%+。采用Python+Java混合模式，优化上下文工程和Prompt工程，实现多智能体协同，支持灵活部署。未来将持续构建自进化方案，推动商旅系统智能化升级。
Chaterm Agent Skills + 千问大模型，智能运维再进化
Chaterm深度集成千问大模型，推出Agent Skills功能，将运维经验封装成可执行技能包。通过标准化流程，AI助手能自动完成系统检查、故障排查等任务，将20分钟的手动操作缩短至3分钟。文章详解Skills创建与使用，并展示阿里云堡垒机一键直连等实战场景，让AI真正成为专属运维专家。
用Spring AI Alibaba把MultiAgent实现从5天压到5小时
Spring AI Alibaba新版本支持Multi-agent编排，10行代码即可构建智能体应用。从React模式到Plan-Execute模式，框架提供标准实现，降低开发门槛。通过工具注册、记忆管理和RAG集成，实现自主决策和协作。Graph工作流框架简化复杂任务编排，提升扩展性。选对框架，5小时就能重构原有功能，效率飞跃。上下文工程成为关键，需关注工具调用、记忆分层和智能体协作。
视频生成推理加速实践：基于全局时间索引的序列并行 3D 位置编码优化
Wan2.1是一款基于扩散Transformer架构的视频生成模型，采用全时空并行建模，生成质量领先。然而，全局扩散模型在长视频推理中面临显存和计算复杂度膨胀、固定长度假设及流式推理难题。Self-Forcing引入因果自回归生成，通过逐块生成和KV缓存机制，显著降低首帧延迟，支持实时生成，为长视频和流式推理提供新路径。
灵码+Qwen3-Coder——使用Skill机制实现代码审核
Claude Skills通过动态加载专业知识，实现AI从通用助手到领域专家的无缝切换。其核心是基于提示词的上下文注入与元工具架构，而非传统的外部函数调用。每个Skill包含SKILL.md、脚本、参考文档和资源文件，Claude通过纯LLM推理选择并加载技能。灵码中可通过openskills方案实现Skill能力，如代码审核Skill，自动生成HTML报告，提升代码质量与安全性。Skills适用于高频重复任务、团队标准化、复杂工作流和知识沉淀，未来或形成垂直领域技能市场。
当我们谈论 AI 推理的 KV Cache，我们在说什么？
Transformer架构以注意力机制为核心，突破了RNN的串行计算局限，实现了高效的并行训练。通过向量表示和注意力矩阵，Transformer能捕捉丰富的上下文信息，优化模型性能。KV Cache技术的引入进一步提升了推理效率，减少了重复计算。未来，Transformer可能迈向Post-Transformer时代，结合物理世界体验，推动AGI的发展。
别再让语音机器人“答非所问”：AI Force任务型语音对话技术总结
AI语音助手要像真人一样完成任务，需解决“拟人化”和“专业化”两大难题。通过三段式架构，优化TTS、双工对话和ASR技术，提升语音交互的自然度和反应速度。自研“衍算”框架结合LLM，实现任务高效推进与专业应答，同时降低延迟和成本。未来将探索多Agent协同和泛服务场景适配，持续优化交互体验。
让慢SQL消失在提交前：Qoder × RDS AI助手Skill的实时拦截术
【SQL质量救星来了！】AI Coding时代，SQL性能隐患成最大盲区——测试难复现、人工难覆盖、问题滞后爆发。阿里云RDS AI助手化身智能DBA，3分钟接入开发流程，实时拦截全表扫描/索引失效等高风险SQL。从语法检查到性能优化，在代码提交前就完成深度审查，让慢查询无处遁形！
设计模式Trustworthy Generation：提升RAG信赖度
【RAG可信生成设计模式精要】针对检索增强生成（RAG）易出现的幻觉、偏见和信息缺失问题，提出"可解释、可追溯、可反思、可监管"四层解决方案。核心策略包括：设置相似度阈值过滤低关联内容、关键信息标注引用来源、引入自批判机制优化检索质量、构建全流程防护体系。需权衡系统复杂度与误过滤风险，可考虑双知识库交叉验证或置信分标注作为替代方案。（139字）
借助 AI Coding 快速打造 AI Agent 系统
在电商运营中，AI驱动的购物场景生成系统通过自然语言快速搭建个性化导购会场，提升运营效率。技术迁移至LangGraph架构后，模块化技能体系和智能规划增强了系统的灵活性与扩展性。AI Coding工具加速开发，实现了从低代码到模块化架构的跃迁，显著提高了任务完成率和代码质量。
【AI Coding】借助cursor实现业务需求全栈交付实践
借助Cursor工具完成红包签到页"单品返子"功能全栈开发，从需求拆解到代码生成一气呵成。重点攻克弹窗动画衔接、Feeds去重等难点，通过Lottie实现丝滑动效，优化预加载与状态管理。实践表明AI辅助开发需人工把控细节，善用日志定位能快速解决问题，开发者仍需夯实基础才能高效驾驭AI工具。（138字）
告别“伪智能”代码：用 Spec + RAG 打造真正懂你的AI程序员
AI Coding时代，代码质量提升的关键在于构建"Spec+RAG+MCP"三位一体的知识体系。Spec作为硬规则确保代码合规性，RAG动态检索非结构化知识补充上下文，MCP则标准化AI与外部服务的交互。通过分层协同，这套体系能显著提升生成代码的准确性、可维护性和业务贴合度，已在淘天集团部分业务线验证效果。未来将优化检索算法、扩展知识库覆盖，打造更智能的编程助手。
自动化评测的九九归一——评测agent
阿里推出统一评测Agent架构，实现AI评测全链路自动化。该架构让Agent自主学习业务标准，自动完成评测集生成、打分、验收与Badcase分析，覆盖商家、租赁、回收等多场景。通过识图-推理解耦技术抑制多模态幻觉，结合强化训练提升模型推理能力，机审率突破97%，年省千万标注成本，高效支撑业务快速迭代。
AgentScope 正式发布 Skills 支持 - 实现渐进式披露
在大语言模型驱动的Agent系统中，如何高效管理多能力是一个核心挑战。全量加载、多Agent架构和RAG方案各有局限，本质在于缺乏灵活的上下文加载机制。Skill机制通过渐进式披露，让Agent先知道“有什么能力”，需要时再调用完整知识，实现按需加载，保持逻辑连贯性，避免资源浪费和碎片化。AgentScope-Java进一步抽象Skill存储层，支持灵活部署和代码安全执行，为多领域知识密集型应用提供简单强大的解决方案。
一次大文件处理性能优化实录
本文深入探讨了在内存受限环境下，通过Java、C++、Rust三语言实现高效处理4GB大文件的优化策略。核心聚焦于减少系统调用、消除冗余对象分配、匹配I/O特性及绕过抽象开销，展现了从637秒到3.2秒的百倍级性能提升。优化过程中，批量处理、大缓冲区、字节操作及零分配设计成为关键，最终提炼出通用原则和解耦架构，为大数据处理提供了高效解决方案。
Paimon-cpp：阿里高性能Paimon读写库正式开源
阿里巴巴智能引擎团队推出Paimon-cpp，为C++引擎提供高性能的Paimon湖表读写能力。Paimon-cpp支持多种字段类型和操作，优化了文件预取、PK表行列转换和Blob I/O，显著提升了数据处理性能。已在阿里内部广泛应用，未来将增强Catalog层、集成向量索引并优化Compaction性能，推动实时湖仓架构高效落地。