移动领域全链路技术理念的原创性引入，读者将收获移动技术域体验优化的思路转变，以及软件定义体验的沉淀和研发实践。

低代码协议和低代码引擎经过了近3年在阿里内部不断捶打和磨练，在生态建设以及平台支撑上都取得了不错的成绩。后续我们会将其开源。

如何面对中后台复杂场景中最深刻的两个问题：即复杂交互、复杂逻辑。

小编是有些插件在身上的。

本文结合个人在架构设计上的思考和理解，介绍如何从0到1设计一个大型Android项目架构。

本文阐述了 Swift 是如何提升研发效率/质量、现有项目/模块是否需要使用 Swift 作为原生语言、在手淘商品评价落地 Swift 过程中我们遇到了哪些问题以及收益。

Kraken 在 follow 了 W3C 标准的同时，也将 Flutter 的渲染能力融合进整个体系，让 Flutter 生态与 Web 生态融合渲染，成为一个融合渲染的大前端技术体系，互相取之所长，补其所短。

本文简单介绍下如何在代码中解析一个容器镜像。

本文从业务需求到技术方案进行层层拆解，深入浅出全景封面视频生成这一场景。

本文通过三则前台应用FGC调优案例，分别介绍了由于JVM参数、中间件配置、业务代码层面引起的FGC的现象、分析过程及对应解法。

在能支持业务需求的前提下，是否能用一个引擎来支持尽可能多的语言，能较好的兼顾包大小较小和性能优异？为了解决这个问题，我们开始了 hyengine 的探索。

个性化推荐，是指通过分析、挖掘用户行为，发现用户的个性化需求与兴趣特点，将用户可能感兴趣的信息或商品推荐给用户。本文调研了推荐系统里的经典推荐算法，结合论文及应用进行分析、归纳并总结成文，既是自己的思考过程，也可当做以后的翻阅手册。俗话说学而时习之，人的认识过程是呈螺旋式上升的，特别是理论应用到实践的过程，理论是实践的基础，实践能反过来指导人对理论的认识，我相信在将下文所述的算法应用到业务中的实践过程也将刷新我在总结此文时的认识。

个性化推荐系统是一项系统工程，为便于聚焦描述，本文不涉及模型的训练及部署等工程问题，仅对推荐算法原理进行分析和其解决的问题进行总结。

在介绍本地生活的微应用方案之前，先简单介绍下最近几年比较火的微前端（Micro-Frontends）。什么是微前端，简单来讲，就是一种由独立交付的多个前端应用组成整体的架构风格。具体的，就是将 Web 应用由单一的单体应用转变为多个小型前端应用聚合为一的应用。各个前端应用还可以独立运行、独立开发、独立部署。 微前端本质就是将微服务的理念应用于浏览器端，来解决巨石应用维护困难的一种实现方案。

本文为《Cube 技术解读》系列第三篇文章，重点介绍 Cube 小程序技术栈与技术演进实践。

为了解决一些问题，我们不仅要规范trait的输入输出，更应进一步优化trait开发。

消息作为富客户端，加上状态的存在，可以说是消息客户端中最复杂的逻辑之一。