本文概述了携程酒店前端BFF层在架构迁移及效能提升过程中面临的挑战和应对方案。第一部分描述了BFF实践过程中遇到的问题，分析了两种BFF模式的对比并提出了一码多端的BFF研发方案；第二部分通过介绍携程云函数平台能力来阐述其如何帮助提升BFF研发的效能；第三部分简单介绍了前端动态化能力的未来规划。
北京时间9月10日凌晨，苹果正式发布了iPhone 16，这是苹果第一款真正意义上的 AI iPhone。Apple Intelligence采用“端侧大模型+云端大模型”的方式，将为用户带来更丰富的智能体验。而这仅仅是端侧智能的开始，未来我们可以想象，一个由大模型带来的移动智能生态正在缓缓打开。
我们对于组件的设计并不是一蹴而就的，通常是随着需求在不断地迭代。我们希望，组件能够更好地扩展和复用，纠结于未来可能潜在的场景。本文主要是通过需求的不断迭代，来讨论组件的设计和实现。
随着大语言模型的广泛应用，如何构建低成本高性能的推理服务，越来越成为业界关注的方向。RTP-LLM是阿里巴巴智能引擎团队推出的大模型推理加速引擎，已被广泛应用于阿里内部，积累了一定的实践经验，我们曾在《LLM推理加速：decode阶段的Attention在GPU上的优化》一文中分析了当前MMHA在GPU上的计算：
广义的容灾，可以认为是业务连续性计划当中的灾难恢复，即能够容忍灾难的能力，如何在灾难发生时，保证生产业务系统的不间断运行，需要我们健全快速容错/故障切换能力，即容灾能力，包含了常态化容灾建设以及针对能力进行的周期性演练验收。 今天，我将与大家分享字节跳动的容灾实践。大家对字节跳动的业务形态应该有所了解，在业务规模持续扩大和多样化部署模式下，字节跳动基础架构团队面临的容灾挑战是巨大的。因此今天的分享将分为三个主要部分：首先是基础演进路径，然后结合演进介绍容灾实践，最后我会简要说明容灾实施情况。
前段时间，张雪峰一句“文科都是服务业”再次引起了舆论上的“文理之争”，从专业课的质量不一到就业前景的不明朗，文科生承受着普遍的焦虑。而随着生成式AI在各领域的应用，也有一种声音认为，AI将在不久后取代一些文科生的就业机会，比如一些机构媒体设立了 AI编辑、AI记者；一些企业也尝试用AI取代原画师。 然而，以上两种假设反映了社会长久以来对文科的误解，也是近年来对AI的误解。AI在一定程度上打破了文理科生的技术壁垒，而过去一些 AI产品被诟病太“生硬”，更需要文科生的人文素养与情感关怀，比如对于聊天式AI语料库的筛选。纵观人类历史，技术一直在重塑我们对于学业和工作的理解， AI并非“洪水猛兽”，或许更应该思考是：如何运用 AI、如何打磨那些无法被AI取代的能力。 从被热议的“文理之争”出发，这期播客试图讨论在人工智能时代，文科何为？当一波技术浪潮袭来，如何应对AI焦虑并发现真实的需求？以及从知识生产的角度去来看，创造力将如何诞生于人与AI的交互中？
内存不是无限的，总有不够用的时候，linux内核用三个机制来处理这种情况：内存回收、内存规整、oom-kill。 当发现内存不足时，内核会先尝试内存回收，从一些进程手里拿回一些页；如果这样还是不能满足申请需求，则触发内存规整；再不行，则触发oom主动kill掉一个不太重要的进程，释放内存。
百度MEG的上一代大数据产品存在平台分散、质量不均和易用性差等问题，导致开发效率低下、学习成本高，业务需求响应迟缓。为了解决这些问题，百度MEG内部开发了图灵3.0生态系统。图灵3.0覆盖了数据全生命周期，包括Turing Data Engine (TDE) 计算引擎、Turing Data Studio (TDS) 数据开发治理平台和Turing Data Analysis (TDA) 可视化BI产品。 TDS作为图灵3.0的核心组件，专注于数据开发和治理。其架构涵盖了从基础设施到用户功能的各个层次，包括数据开发、数仓管理、监控运维和资源管理等模块，支持高效的任务调度、资源管理和数据血缘分析。 此外，TDS引入了智能化工具，如智能诊断和Text2SQL，帮助用户快速定位问题、生成SQL查询，降低了数据开发和查询的技术门槛。
