本文主要对于git sparse checkout 的原理和在其之上的应用——大仓按需拉取cli 和 vscode 按需拉取插件展开讲解。当下的按需检出实现方案可能不是最终极的解决办法，后面还会继续迭代和优化。

本文通过重点渠道举例的方式，逐渐给大家展开权益投放的故事，包括我们支持的权益投放业务，我们是如何设计的，未来在权益投放方面我们有哪些发展演化方向，同时期待能和大家一起有更多的交流。

随着得物App的用户流量增长，业务选择数据库越来越多样化，异构数据源之间的数据同步需求也逐渐增多。为了控制成本并更好地支持业务发展，我们决定自建DTS平台。本文主要从技术选型、能力支持与演化的角度出发，分享在DTS平台升级过程中获得的经验。

近期，GPT大模型的发布给自然语言处理（NLP）领域带来了令人震撼的体验。随着这一事件的发生，一系列开源大模型也迅速崛起。依据一些评估机构的评估，这些开源模型大模型的表现也相当不错。

系统设计的核心作用是在业务现实世界和抽象的IT实现之间建立起一道桥梁。与其他行业被物理特性限制所束缚不同，软件世界可以变得无限庞大，而限制软件发展的其实是人的认知能力。

为了进一步优化App性能，最近针对如何提高应用对CPU的资源使用、以及在多线程环境下如何提高关键线程的执行优先级做了技术调研。

“效率”作为得物技术部的关键词之一，大家在研发效能、会议效率、协作效率、办公效率等方面一直进行着持续地探索。实际落地的过程中，为了更好地评估应用效果，往往需要将定性描述转换为可量化的数据指标。这些数据指标可以帮助了解研发过程中的变化和趋势。

消息中心是一个集中管理、分发通知和提醒的平台，可以让用户或系统消息更方便、快捷的触达给指定用户或者系统。并且可以帮助用户或系统更好地管理消息的生命周期，屏蔽不同消息渠道差异与技术差异，从而提升效率与体验，降低维护成本。

早期使用阿里云OSS作为Checkpoint数据存储，单个Bucket每1P数据量只有免费带宽10Gb/s，超出部分单独计费。为了控制这部分成本，得物开展了自建HDFS在Flink Checkpoint场景下的落地工作。

近些年，以机器学习为代表的人工智能技术逐渐被大家认识并在很多方面得到普及，深度学习技术在学术界和工业界取得了广泛的成功，受到高度重视，并掀起新一轮的人工智能热潮。运筹学作为一个看似古老的学科，科学家和工程师在过去开发了各种启发式或精确的求解方法，能够在有限的时间内返回一个尽可能好的结果。值得注意的是，上述算法均诞生于这轮AI大爆发之前，在AI时代，如何将最新的机器学习技术应用在运筹和组合优化，正在受到越来越多的关注。在芯片设计、求解器等“卡脖子”领域，基于机器学习的组合优化方法很可能成为将来的基础性技术。本博客以路径规划为例，探讨了传统的优化方法、深度强化学习类方法的研究现状和交叉融合趋势，分析了各自的特点以及在实际落地亟需解决的若干问题，也希望能探索相关算法在得物供应链场景的落地实践。

得物前端平台目前有巡检系统、监控平台等多种手段保障线上页面稳定运行，但是仍有一部分问题处于“监控死角”，而且巡检、监控都属于后置告警手段，为了确保页面上线前就能得到一定的用户体验保障，结合公司的战略目标，我们决定开发一个H5页面检测服务。

得物的推荐场景，除了首页瀑布流等几个较大的场景之外，还有很多长尾的小场景，包括：频道、会场、购中购后场景、品牌墙等。如需对这类场景进行单独优化，涉及的成本投入远高于产出。我们需要一个通用推荐平台来承接住这些小场景，并能够持续优化，带来收益。

在本篇文章中，阐述了两种处理数据一致性问题的解决方案，从核心思想，设计原则，系统交互流程等等做了详细的阐述，比对两种方案，各有优劣和各自的适用场景。

在本篇文章中，我们探讨了如何升级到JDK 17，并使用最新一代垃圾回收器ZGC。经过实践和测试，我们发现升级后的系统在垃圾回收方面表现出色，暂停时间被有效控制在1毫秒内。

通过CompletableFuture可以将复杂的业务逻辑从Dubbo线程池（大小默认200）切换到用户自定义的业务线程来执行，提升Dubbo线程池请求的处理能力，同时增加自定义业务线程池，提升服务器的资源利用率。

对于高速发展奔向超大型组织的集团企业来说，以时间轴作为核心来设计人事系统，可以有效支撑组织发展的速度，极大程度避免企业遇到人力资源发展中的效率瓶颈。