向量可以对物理世界的人/物/场景所产生各种非结构化数据（如语音、图片、视频，语言文字、行为等）进行抽象，如同数学空间中的坐标，标识着各个实体和实体关系。非结构化数据变成向量的过程称为向量化(Embedding)。向量检索就是对非结构化数据生成的向量进行检索，寻找相同或相似的向量，从而找到相同或相似的非结构化数据。
在本篇文章中，作者介绍了 Rust 是什么，它的历史以及 Rust 是如何备受开发者和行业的青睐。希望本篇文章能帮助读者对 Rust 这门语言有一个大概的了解。
马太效应，是社会学和经济学常用理论之一，通常指强者越强、弱者越弱的两极分化现象。如今，这股效应也在国内企业级数据洞察市场蔓延： 一方面，部分企业尚未意识到数据对于自身发展的价值，或者缺乏高效便捷的数智化产品/工具将庞杂数据变得“可看”“可用”，导致难以及时把握市场行情、做出科学决策，最终发展受限； 另一方面，深谙数据驱动的企业，则积极把握数字化时代飞速发展的红利，持续加码企业数智能力，将数据消费贯穿业务推进、管理决策、规划调整等多场景，保障业务健康、快速成长。 如何尽量缩小马太效应影响，帮助更多企业实现数据洞察领域的数字化升级，享受普惠式数据消费，正在成为现阶段的重要课题。
基于 Redis 的分布锁到底是否安全？什么情况下会失效？一个小小的分布式锁，在分布式系统中都会遇到哪些问题？看了太多的分布式锁文章，依旧云里雾里，这篇彻底给你讲清楚。
相比用户停留时间短、用完即走的 Web 页面，桌面 QQ 用户在一次登录后，可能会挂机一周以上，这段期间，如果没有严格控制好 QQ 内存占用，那么结果可能是用户交互响应变慢、甚至 Crash。在系统监控工具里，高内存占用也会被直观地反映出来，带来不好的口碑。Mac QQ 灰度期间，也听到了一些用户关于内存占用偏高的声音。既然不能置若罔闻，那么必须得痛下决心系统地来一波内存占用分析与优化。在这个过程中，团队前前后后挖出来了不少优化项，最终，可以让桌面 QQ 在内存占用上达到一个相对较低且稳定的状态。本文内容是探索桌面 QQ 内存优化上的一个阶段性小结，肯定还有更多内存优化 trick，欢迎大佬们提点。
本文整理自美团技术沙龙第77期《美团亿级流量系统的质量风险防控和稳定性治理实践》。文章第一部分介绍了软件系统风险与变更；第二部分介绍了代码变更风险可视化系统的能力建设；第三部分介绍了整个系统在美团内部实践落地的情况；最后是对未来的规划和展望。希望对大家能有所帮助或启发。
云计算时代比较显著的特点包括： 基于云计算的基础设施，我们的应用能够在云上快速、轻松且高效地做到弹性。尤其是无状态的应用，能够轻易地基于同一个镜像构建实例，当然也能轻易地收缩多余的实例，实现弹性伸缩容。 基于容器化技术，系统资源被切分的更细，资源的利用也变得更优。 基于云计算的开发平台，应用部署更加容易，应用开发更加敏捷。 那么在云计算时代，Java 应用存在哪些问题呢？ 冷启动速度较慢。Java 应用启动需要经历包括 JVM 的初始化、类加载等过程，导致启动速度相较于其他语言来说是处于劣势的。 应用预热时间过长，无法立即达到性能峰值。比如如果没有对应用做一些预热机制，并且对 RT 又比较敏感的应用，会导致发布时有一定的接口超时情况。 内存、CPU 等系统资源占用高。当占用过高时，不得不为 Java 应用提供更高规格的实例，而切分大规格的实例，这也会导致切分后造成的碎片更大，从而导致资源的浪费。 Java 构建的应用程序繁重，执行还需要具备 JDK 环境。
我是来自阿里云云原生可观测团队的梵登。目前主要在可观测团队负责可观测 AIOps 产品 Insights 的商业化建设、AIOps 解决方案的研发、大模型在可观测领域的探索等。很幸运的过去几年主导了 ARMS 在《Gartner APM 2022》和《信通院根因分析标准 2023》的测评项目，因此今天也会分享我在测评过程中的一些心得体验。
点播成本节省的点其实涉及诸多部分，例如：CDN、转码、存储等，而利用播放器降本却是很多客户比较陌生的部分。火山引擎基于内部支撑抖音集团相关业务的实践，播放器恰恰是成本优化中最重要和最为依赖的部分。 火山引擎的视频团队做了份数据统计，在一个很经典的视频业务中，我们在2022年至2023年大约1年半的时间里，针对这个业务进行了33次成本优化点，其中13次是播放器主导的优化，其余的有12次也是需要播放器强配合的优化，也就是说在这个业务里，75%的成本优化是直接或间接由播放器参与，可见客户端对成本优化的关键作用。 最终我们在很多实践中也发现通过播放器的优化可以为点播业务节省20%甚至更多的成本，本篇内容就将聚焦在播放器层面如何节省成本这一主题。
