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。
钉钉产品体验那些事：我们没有写好的 10 条产品文案
我们设计产品的目标，应该是让完全不熟悉技术、最没有经验的那个用户，也可以轻易看懂每一条文案，放心地点击每一个按钮，自信地使用钉钉的产品和服务。
NativeCrash率从万分位降到十万分位，我做了这几件事...
饿了么商家版APP通过专项治理行动，成功将NativeCrash率从万6降至十万分之六，显著提升了用户体验和软件稳定性。
如何让SQL跑快一点？（优化指南）
这篇文章主要探讨了如何在阿里云MaxCompute（原ODPS）平台上对SQL任务进行优化，特别是针对大数据处理和分析场景下的性能优化。
深入RAG：知识密集型NLP任务的解决方案
在当今知识密集型任务日益增多的时代，如何有效地利用外部知识来增强语言模型的生成能力成为了一个重要的研究方向，因此RAG技术应运而生。本文将详细介绍RAG的工作原理、应用场景、限制及挑战，帮助读者更好地理解和应用这一前沿技术。
一文详解Java泛型设计
本文主要介绍泛型诞生的前世今生，特性，以及著名PECS原则的由来。
基于抽象语法树（AST）的代码问题修复
文章介绍了如何通过抽象语法树（AST）技术自动化地解决前端代码治理中的具体问题，特别是针对大量存在的未使用变量或函数参数等问题。
大屏里的指尖奥秘
让人愉悦的手势设计~
Agent 从想法到实现之六顶思考帽
本文简要介绍六顶思考帽的概念及其优势，讲解智能体的概念和常见的智能体平台，讲解该智能体的创建过程，带领大家从想法走向实现。
淘宝AI试衣素材高效写入IC实践
随着电商行业的快速发展，淘宝试衣项目应运而生，通过AI技术为用户提供个性化的试衣体验。本文将详细介绍淘宝试衣项目的背景、现状、合作场景以及技术实现，特别是如何通过定时任务驱动的试衣素材高效写入IC（商品中心）拓展结构，提升用户体验和转化率。
我是如何通过火焰图分析让应用CPU占用下降近20%的
分享作者在使用Arthas火焰图工具进行Java应用性能分析和优化的经验。
如何做好 B 端产品体验，解密钉钉的 10 个最佳实践（下）
钉钉的产品体验十条不仅为企业的协同办公提供了有效的框架，更展现了数字化办公的未来可能。
如何做好 B 端产品体验，解密钉钉的 10 个最佳实践（中）
功能入口清晰、高频功能高效以及减少用户打扰，这 3 项是帮助用户开启数字化办公，提升工作效率，并建立良好的用户关系的关键。
如何做好 B 端产品体验，解密钉钉的 10 个最佳实践（上）
我们始终认为，用户体验是提升产品价值的关键，且不仅仅关乎功能的丰富，更与用户的感知密切相关。
阿里云开源 AI 应用开发框架：Spring AI Alibaba
阿里云开源 Spring AI Alibaba，旨在帮助 Java 开发者快速构建 AI 应用，共同构建物理新世界。
动态量化：大模型在端侧CPU快速推理方案
作为一款高性能的推理引擎框架，MNN高度关注Transformer模型在移动端的部署并持续探索优化大模型在端侧的推理方案。本文介绍权重量化的模型在MNN CPU后端的推理方案：动态量化。
92页的llama 3.1技术报告，我替你们啃下来了
作者花了半个月时间，认真读完了llama 3.1技术报告，并总结成本文，希望能帮到对这个感兴趣的小伙伴们。