本文整理自美团技术沙龙第73期《基于领域驱动设计（DDD）的架构演进和实践》，主要介绍了DDD的核心概念、常见的设计思路，并结合DDD介绍大众点评交易系统的演进过程，最后做了一些总结和思考。希望这些内容能够对大家有所帮助或启发。
大约一年前，大家热聊的先是LLM，LLM的全称是Large language models，也就是大语言模型，那么它必然有2个特点，一个是自然语言，第二个是大。随后它带来了一个效果，就是能“生成”，可以像人一样发言，不过输出仅限于文本，看起来能够自我输出和自我思考，于是基于这个理念，AIGC这个概念应运而生。 紧接着，围绕它诞生了非常多看起来更加“多模态的东西”，比如文生图，图生文，但是背后实质上是多个模型的配合。当然这无可厚非，因为人也不是单纯靠脑袋在工作，依旧有很多末端神经充当包工头的角色。 然后随之而来的，似乎都不谈LLM了，开始谈GenAI、谈大模型了。仿佛人类想象中能够触达的输出，大模型也都可以。于是各种通用人工智能纷至沓来，“人类被计算机碾压，无数群体即将失业”的舆论被拉起来，整个世界被GenAI裹挟着前进。
时序数据库管理系统（TSDB）近些年受到较多的关注，在性能监控场景更是起到了至关重要的作用。Khronos是阿里目前规模最大的时序存储引擎，由智能引擎事业部自研推出，为集团业务提供时序数据的存储能力和实时分析能力。我们之前的技术文章对该引擎进行过系统性的介绍，感兴趣的读者可以阅读回顾：《Khronos: 面向万亿规模时间线的性能监控引擎建设实践》在本篇文章中，我们将着重介绍Khronos在实时索引构建优化上的实践。
讲述消息系统在现代化演进中软硬一体化，百万队列，分级存储等诸多竞争力特性的诞生和落地效果。探讨业界领先的 Shared-Log 存储计算分离，FFM与协程，RDMA 传输，列式存储等技术，将消息向流的领域延伸。
2015年之后，随着云原生、微服务、大中台等一系列技术名词诞生的同时，还有一个耳熟能详的名词“领域驱动”也开始被捧上神坛。笔者初次听到领域驱动是参加一个技术分享会，当时给我的直观感受就是：好像说了什么，但又好像什么都没说，很多概念很"形而上学"，在天空中飘啊飘，无法落地。 十年过去了，中台已经过气，微服务回归单体也一度成为技术圈讨论的热点话题，曾经神坛上云遮雾绕的 DDD 在今天看来是否还有讨论的意义？在过去一两年的实践中，笔者对 DDD 有了更深的体会，本文将阐述我的一些浅见，如果有理解不到位的地方，也希望同学们一起讨论。
本次分享的主题是火山引擎数智平台VeDI旗下的A/B测试平台 DataTester 实验管理架构升级与DDD实践。这里说明的一点是，代码的第一目标肯定是满足产品需求，能够满足产品需求的代码都是好代码。而本文中对代码的好坏的评价完全是从架构的视角，结合代码的可读性、可维护性与可扩展性去分析的。
没有必要害怕超级智能的人工智能，因为与未来的模型相比，每个新模型都被认为能力不足，进而推动了持续的改进。 仅仅专注于解决当前的人工智能限制可能是徒劳的，因为像GPT-5和GPT-6这样的未来模型可能会使这种努力过时。 太空不适合生物生存，人类派出机器人探索和殖民太空将更容易。 奥特曼在再生能源领域最看好核聚变，未来有望把一度电成本降至1美分。
都说程序员的成长是码出来的，此话不假。但如果既会写代码，还会写文章，还能讲PPT，那你离影响力还会远吗？ 本文是针对每一个技术同学都适用。我将从行业技术大会主编的角色告诉你，如何打造自己的技术影响力，有哪些通用的手段，我自己又该如何做个性化叠加；我是技术小白，或者我有一定技术基础，我又该怎么打造自己的影响力？
在这个数据驱动的时代，我们每天都在与海量的用户数据打交道。这些数据不仅是洞察用户行为的宝贵资源，也是推动产品创新和市场决策的关键。然而，面对大数据的挑战，尤其是数十万、数百万级别的规模，我们经常会遇到软件性能不足的问题，比如中途卡顿、崩溃、页面闪退，或有数据清洗、匹配等一系列繁琐的数据预处理过程，耗费大量的时间和精力。 在这样的背景下，对日常用户研究的量化工作来说，选择一款高效好用、容易上手的数据处理和分析软件，能让研究过程事半功倍。 在用户研究工具探索和学习过程中，KNIME（Konstanz Information Miner）这款软件脱颖而出。它于2004年由康斯坦茨大学软件工程师团队研发，目前已被广泛应用于制造业、汽车、能源、电信、媒体技术、金融、零售与消费等多个行业领域。 KNIME在驾驭大数据、融合多元分析工具以及实现任务自动化等方面展现出显著的优越性。对于需要进行大规模数据处理、复杂分析或重复性任务的研究场景来说，KNIME是一个很好的“增效”选择。
