话题公司 › 好未来

公司:好未来

关联话题: 题拍拍、学而思

北京世纪好未来教育科技有限公司,是中国大陆的一间专为中小学生提供课外辅导的教育机构,公司总部位于中华人民共和国北京市,该公司由张邦鑫和曹允东于2003年8月创办。成立最初的公司名称是学而思;于2013年8月19日时,学而思更名为好未来。2021年7月,中国政府发布规定禁止校外培训机构盈利,导致包括好未来在内的上市教育公司股价大幅缩水。“双减”后,辅导平台“希望学”与学而思网校标志,界面设计等方面雷同,且网页源代码里也包含"xueersi"字串,导致许多自媒体平台怀疑希望学与学而思的关系。

极限网关助力好未来Elasticsearch容器化升级

极限网关助力好未来Elasticsearch容器化升级

AGI方向的探索和测试

一、人脑和人工智能的区别01

VictoriaMetrics--k8s多集群监控探索实践

Ⅰ.引言01A. VictoriaMetrics简介VictoriaMetrics 是一种快速、经济高效且可扩展的监控解决方案和时间序列数据库,它可以作为prometheus的长期存储,可以直接用于 Grafana 作为数据源使用,相比prometheus相同集群规j

Java多线程之CompletableFuture

CompletableFuture是java.util.concurrent库在java 8中新增的主要工具,同传统的Future相比,其支持流式计算、函数式编程、完成通知、自定义异常处理等很多新的特性。Future接口相对简单些,提供了取消(cancel)、获取结果(get)、检测是否完成或者取消(isCancelled、isDone)这些方法,Future接口提供了异步获取结果的能力。CompletableFuture还能够将任务放到不同的线程中执行, 既可以在当前线程中直接执行任务,也可以将其放到其他任务线程中执行,这个过程是自动的,无需干预。

CompletableFuture实现了CompletionStage接口和Future接口,前者是对后者的一个扩展,增加了异步回调、流式处理、多个Future组合处理的能力,使Java在处理多任务的协同工作时更加顺畅便利。CompletionStage相当于“阶段”,一个CompletionStage对象是异步计算中的一个阶段,当 一个CompletionStage完成时会触发下一个动作或计算。 CompletionStage解决了Future的一些问题: Future没有提供通知机制,Future是否执行完任务需要不断的检查或者调用get()方法阻塞任务执行,CompletionStage完美的解决了该问题,前一个任务 执行成功后可以自动触发下一个任务的执行,中间无需等待。CompletableFuture 和 FutureTask 同属于 Future 接口的实现类,都可以获取线程的执行结果 。

基于内容的图像检索技术研究

图像检索技术是一种通过对比和搜索相似图像,以找到特定图像的技术。这项技术在许多领域都有着重要的应用价值,在大量图像数据中快速准确地找到所需信息,能够节省人力和时间。图像检索在安全监控、方位识别、在线购物平台、医疗辅助影响、教育和科研、社交媒体、搜索引擎等领域中都有所涉及。图像检索技术正在越来越多地被应用于我们日常生活中,并且随着AI及深度学习等先进科技的发展, 它将会有更广泛而深远的影响。

golang 实现反向代理

当我们谈到反向代理时,可以将其比喻为一个“中间人”。想象一下,你是一个用户,你想要访问某个网站。但是,这个网站并不直接向你提供服务,而是委托了一个代理来处理你的请求。这个代理就是反向代理。

你可以把反向代理想象成一个非常聪明的助手,它可以帮助你与网站进行交流。当你发送请求时,它会接收到你的请求,并将其转发给网站。然后,网站会将响应发送给反向代理,反向代理再将响应发送给你。这样,你就可以与网站进行交互,而不需要直接与网站通信。

net/http 包里面已经帮我们内置了具有反向代理能力 ReverseProxy 对象, 但是它的能力有限, 从工程能力上面还有很多自行实现。

前端代码质量规范测量

圈复杂度(Cyclomatic complexity)是一种代码复杂度的衡量标准,在1976年由Thomas J. McCabe, Sr. 提出。在软件测试的概念里,圈复杂度用来衡量一个模块判定结构的复杂程度,数量上表现为线性无关的路径条数,即合理的预防错误所需测试的最少路径条数。圈复杂度大说明程序代码可能质量低且难于测试和维护,根据经验:程序的可能错误和高的圈复杂度有着很大关系。

目前最好用的使用js实现一键复制的方法

本文通过分析梳理Web API中两款可完成复制操作的API,总结提炼出了更合理、兼容性更好的方法,以实现“一键复制”。

AutoGPT工作原理解析

本文主要介绍一下最近爆火的AutoGPT是什么,它具体的工作原理是什么样的?以及我们从它的实现思路上能得到什么启示。

浅析深度知识追踪如何助力智能教育

深度知识追踪模型(DKT)可以作为一种人工智能手段自动发现知识点间相互关系同时可以智能设计学生学习路径达到提高学习效率的目的。

低代码平台:领域专用语言设计

中后台应用主要用于信息的查询、展示和修改,并把数据变更持久化到数据库中,可以看作传统数据管理平台的延伸。产品形态可以被收敛为 UI 模式一致的标准化组件库,比如 Ant Design、AntV 等通用 UI 库是中后台产品前端开发的事实标准。

在低代码平台中,所见即所得的组装中后台应用,代替纯手工的代码编写,可以大幅提升开发的效率和质量。

基于业界优秀的前端基础组件,进行低代码平台的开发,成本和难度基本可控,其关键工作是低代码平台底层规范的设计,即实现低代码平台的领域专用语言(下面简称“DSL”)。

网校分钟级数仓体系建设与价值探索

数据已经被当作一种生产要素在日常的经营活动中扮演着无可替代的地位,作为数据的中枢和底座,数据中台一直致力于为全公司提供高效高质的服务,提升数据价值。本文简要介绍了数据中台网校实时数仓团队近半年来基于此目标所作的一系列努力和探索。

题拍拍高精度的题目搜索系统的探索与实践

大家常用的网页搜索引擎帮助用户从海量的数据中找到自己需要的文章,在此过程中需要解决的三个核心问题:相关性,质量,流行度,在相关的结果中将质量权威性和流行度最好的结果展示在首位。拍题搜索同样类似于搜索引擎,用户的Query通过OCR部分转换成文本参与文本检索,无法转换成文本的几何图形通过深度学习模型编码成向量参与向量检索,并将文本检索和向量检索得到的结果进行归并排序。拍题搜索必须在相同的结果中选择质量最好的放到首位。于是在Query理解、相关性计算和排序算法上需要不同的处理方式。

拍题搜索和通用搜索相比,在数据规模和丰富程度上相对较小,可以在准确性方面做出更多针对性处理,因此在搜题领域超越通用网页搜索引擎是我们的设计目标。

黑夜路人:如何构建更健壮的在线系统

  1. 为什么测试好好的,上到线上代码一堆bug,一上线就崩溃或者一堆问题?
  2. 为什么感觉自己系统做的性能很好,上线后流量一上来就雪崩了?
  3. 为什么自己的系统上线以后出问题不知道问题在哪儿,完全无法跟踪?

流量回放测试在学而思1对1的最佳实践

随着互联网竞争越来越激烈,产品的变更迭代也越来越频繁,回归测试工作就变得繁重且紧急,这对测试团队的测试质量和效率带来很大的压力。面对越来越多的回归测试任务,以及对回归测试提出的更高的要求,而传统的接口自动化测试的维护成本太高、公司自动化测试薄弱的现状慢慢成为测试团队非常尴尬的存在。团队迫切需要一套可靠、低维护成本的测试方案,目前最火的当属流量回放测试。

目前学而思1对1团队采用的是单服务Mock方案,底层采用的是滴滴的开源方案,团队在开源的基础上结合团队自身的特点,在准(基于代码覆盖挑选流量)、快(分布式执行)、稳(通过引入参照系报告)、易用性(平台化)等多个方面做了进一步的开发工作。

浅谈WebRTC常用架构

TAL RTC实时音视频是基于好未来在教育场景下的技术积累,平台经历多年优化打磨和严苛质量验证,通过自身媒体服务向开发者开放,致力于帮助开发者快速搭建低成本、低延时、高品质的音视频互动平台。

首页 - Wiki
Copyright © 2011-2024 iteam. Current version is 2.128.0. UTC+08:00, 2024-06-21 13:25
浙ICP备14020137号-1 $访客地图$