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。
RLHF技术实践：大语言与文生图模型的生成优化
基于人类反馈的强化学习（RLHF）通过引入人类偏好信号，优化大语言模型和文生图模型的生成效果。RLHF在解决图文不一致、肢体异常等挑战中展现显著优势，尤其在提升图像生成质量方面效果突出。DPO等算法简化了训练流程，但依赖数据质量和多样性。RLHF技术持续推动模型向更符合人类期望的方向演进。
如何用AI Coding和Claude Code提升开发效率？看我的全流程复盘
AI Coding工具在开发中提升效率显著，尤其Claude Code表现突出。清晰的需求描述和结构化Prompt是关键，避免一句话需求。合理划分AI任务边界，小步快跑并频繁提交代码。AI生成的代码需人工Review，确保质量。有效管理上下文，控制任务粒度，利用外部记忆和知识库。Claude Code的安装和使用简便，支持多任务协同，提升开发效率。
用系统架构思维，告别“意大利面条式”系统提示词
本文探讨了系统级提示词的设计问题，指出传统“规则清单”模式易导致规则冲突、维护困难和价值稀释。通过引入系统架构思维，提出从“规则管理者”转向“系统设计师”的思维范式转换。文章详细介绍了四层架构模型，并提供了六大编译原则，帮助将架构蓝图转化为高效提示词，提升AI系统的可预测性、可维护性和可扩展性，从而实现提示词工程的系统化与工程化。
NL2SQL：从自然语言到SQL的智能转换技术深度解析
NL2SQL技术将自然语言查询自动转换为SQL语句，帮助业务分析师无需编程即可高效处理数据。其核心挑战包括语义理解、模式映射和SQL生成，解决方案涉及模式链接、提示词工程、检索增强生成等。NL2SQL通过优化策略提升数据分析效率，尤其在复杂查询和多轮对话中表现突出，未来有望在更多场景中广泛应用。
3个月，200家客户，和大家聊聊企业AI应用（AI Agent）的落地实践
AI应用正从工具向智能伙伴进化，AI Agent与LLM的双引擎模式赋予其思考与执行能力。MCP服务将企业IT资产转化为AI可调用的标准化能力。构建AI应用有全新开发与存量改造两种路径，AI网关、MSE Nacos和函数计算FC在架构中发挥关键作用，提供统一管理、高效运行和安全保障，助力企业AI转型。
如何利用多模态大模型进行淘宝商品理解?
淘宝家装商品尺寸识别难题有新解！通过多模态大模型结合Prompt工程、指令微调（SFT）和强化学习（GRPO），从SKU文本、图片及详情页中精准提取家具尺寸。创新点在于：先用小模型筛选尺寸相关图片提升效率，再让大模型输出推理过程增强可信度，最后用强化学习优化答案稳定性。实测显示混合训练法效果最佳，准确率显著提升。
好奇心之旅：Cursor代码库索引机制的学习笔记
探索Cursor的codebase索引机制，从Merkle Tree到turbopuffer向量数据库，再到开源的Continue实现，揭示AI编程工具背后的技术奥秘。Merkle Tree用于高效变更检测，turbopuffer提供云端向量存储与检索，Continue则通过标签系统和本地数据库实现索引更新。这些技术共同提升了AI编程工具的智能化和效率。
AI 基础知识从 0.3 到 0.4——如何选对深度学习模型？
小编带你了解AI模型架构与预训练模型的应用。从CNN、RNN到Transformer，不同架构适用于各种任务。预训练模型如BERT、GPT系列，通过微调快速适配特定需求，提升效率。Hugging Face等平台提供丰富资源，助你轻松上手AI开发。掌握这些核心概念，AI之旅更顺畅！
APIG x OKG：游戏连接治理的「最后一公里」
游戏连接治理面临七层网络挑战，OKG与APIG联手打造新一代游戏网关，实现优雅下线和无感变更。通过状态感知和流量管理，保障玩家会话连续性，优化云原生游戏体验。解决方案零改造接入，提供全维度可观测性，简化API治理，助力游戏服务快速迭代与高效运维。
150%训练效率提升：感知检测小模型训练优化方法
智能驾驶感知小模型训练优化指南：针对不同算力卡性能差异，从环境配置、代码适配到性能优化提出完整解决方案。重点解决依赖冲突、多卡通信等问题，并通过进程池、共享内存、torch加速等方法提升训练效率。测试表明优化后模型收敛速度提升80%，为自动驾驶场景下的模型部署提供实用参考。
AI 基础知识从 0.2 到 0.3——构建你的第一个深度学习模型
深度学习通过多层神经网络模拟人脑决策，自动提取数据特征，广泛应用于图像、语音和文本处理。本文以MNIST手写数字识别为例，详细介绍了深度学习的基本原理和实现流程，包括数据准备、模型定义、训练和评估步骤，帮助读者理解神经网络的核心概念和实际应用。
面向互联网2C业务的分布式类Manus Java框架
阿里巴巴推出的分布式类ManusAgent框架ali-langengine-dflow，旨在解决现有Agent架构在互联网2C业务场景中的局限性。通过结合分布式服务端与异构C端的混合架构，该框架有效打破了信息孤岛，提升了响应速度与安全性。基于Java生态，采用DFlow分布式执行库，支持本地异步运行，简化了Agent的研发与迭代，特别适用于电商等复杂业务场景。
AI写代码的“上下文陷阱”：为什么AI总是写错？如何系统性解决？
AI协作编程的核心在于系统性管理上下文，通过分层记忆结构提升效率。合理任务分解、完整背景信息、精确指令描述和有效验证反馈是关键。AI辅助记忆维护，渐进更新，确保记忆与代码同步。代码生成与测试中，控制任务规模，AI自Review代码，避免作弊和超额输出。工程师需动态认知模型能力，掌握软件架构设计，深入理解业务。
基于智能体的自适应资损防控体系 - 淘工厂实践（二）
电商平台的资金安全面临严峻挑战，传统资损防控体系效率低下且覆盖不全。基于智能体的新型防控范式，通过多智能体协同，实现了从需求分析到实时监控的全链路主动防护。智能体前置风险识别，自动生成防控措施，并构建资损知识图谱，显著提升了风险防控的精准性和效率，为电商平台的资金安全保驾护航。
AI编码不是梦：手把手教你指挥Agent开发需求
AI编码实践展示了如何通过工具如通义灵码和模型如Qwen-Max、Claude-4-Sonnet，从接口定义到业务逻辑层，实现高效开发。文章详细拆解了工程结构、应用层、数据层和业务逻辑层的生成过程，并探讨了AI在编码中的实际应用与挑战，强调技术方案和Prompt设计的重要性，展望AI在编程中的未来潜力。
AI操作网页：browser-use和AI大模型互动解析
browser-use是一款AI浏览器自动化框架，通过精巧的prompt设计和多种Message类型组合，高效完成在线任务。它利用LangChain工具，系统提示（SystemMessage）约束AI行为，人类消息（HumanMessage）传递任务信息，AI消息（AIMessage）响应指令，工具消息（ToolMessage）拓展功能。其结构化输出和上下文感知对话，为AI大模型交互提供了优秀实践。