智能加速引擎是58大数据平台自主研发的复杂计算系统组件，在支撑集团业务发展和平台稳定性建设方面，发挥了巨大作用。随着大数据技术的日益成熟和AIGC技术的迅猛发展，我们期望能够通过对智能加速引擎的技术迭代与架构升级，实现在降本增效方面的显著提升与突破。
过去几年大规模自研上云实践中，使用 K8s 按集群维度管理遇到一些问题。例如集群资源不足，需要用户手动更换集群；缺少按可用区维度，需要用户手动挑选多个集群组合；机房故障时缺少统一操作的入口，如批量切流、故障迁移。尽管业界内有按条带化规划集群、通过多集群调度组件部署的案例，但都缺少面向应用、屏蔽集群，聚焦多可用区高可用的容器编排。 TKE 应用管理平台（TKE AppFabric）的一个核心特征，就是通过 TAD（Tencent Application Definition）Yaml 声明，简化容器应用的多活容灾编排流程。业务只需按可用区（Availability Zone，AZ）维度声明期望的分布，无需关注集群概念。例如指定多 AZ 按等比例的部署方式，或者指定多 AZ 且单 AZ 占比不超过上限值的部署方式；流量入口支持多集群跨 AZ 访问，以及变更发布按 AZ 维度进行灰度等。
本文深入探讨了如何在多品牌、多终端的环境中，建立一个支持多个平台和品牌的企业级设计系统。该系统不仅提供高效、可靠、统一的设计管理方案，还实现了设计的复用和资源共享，大幅提升设计效率和质量，同时降低设计成本。
腾讯新闻经过这几年的重构、服务下线、服务合并等处理后，目前遗留了大量的历史接口。腾讯新闻对端的接口没有完善的规范，文档分散在 iwiki、腾讯文档、yapi，没有使用统一的平台进行自动化的管理。客户端、前端开发环境迫切需要 Mock 能力，只能通过本地工具进行 Mock，没有办法在远程接口进行 Mock。这些问题降低了研发效率，存在大量人工沟通成本，因此针对我们业务当中遇到的这些问题进行了治理，取得不错的成果，另外也比较深入思考了如何使用 AI 来治理技术债务，借此机会分享给大家，也希望大家的业务通过我们的经验给大家带来一些帮助和思考。
智能加速引擎是58大数据平台自主研发的复杂计算系统组件，在支撑集团业务发展和平台稳定性建设方面，发挥了巨大作用。随着大数据技术的日益成熟和AIGC技术的迅猛发展，我们期望能够通过对智能加速引擎的技术迭代与架构升级，实现在降本增效方面的显著提升与突破。
最近有道题在厂内热度很高，这是一位来自10年的鹅厂程序员从工作中抽象出来的算法题，来考考大家： 题目是这样的：给定多个已经排序好的数组（从小到大），在每个数组中挑选一个数字，计算这些数字的方差。请找出方差最小的数字组合（可能有多个），并输出方差。举例：[1，3，4，6，7，100 ][28，50，70，102 ][14，76，98 ] 选择的数字组合应该是100，102，98。 方差是2.67，要求性能尽可能的高，避免暴力穷举。 来看看鹅厂工程师们都怎么解这道题吧！
自"三驾马车"伊始, 大数据处理技术已经发展了二十年。在前十年中, Hive+Spark 这套离线处理技术就已经基本完善; 近十年来, Flink的快速发展又有效地解决了实时处理的问题。然而, 低成本的近实时处理依然面临挑战。近来, 随着业界对近实时处理及流批一体架构的需求愈发强烈, 增量计算开始重新被关注。Flink在1.20中推出了 Materialized Table(MT) 来统一流批两种模式的处理, 配合Paimon已有的Changelog存储能力, 开源低成本增量计算的曙光已至。 本文首先介绍增量计算相关的概念, 随后结合 Flink 和 Paimon 两个引擎通过具体案例来介绍当前开源引擎增量计算的能力。从中我们可以得出当前的增量计算还有哪些不足, 亦可窥视其未来发展方向。
从 2008 年开始，作者陆陆续续参与了多个 DevOps 系统的建设，如今，审视这些系统的建设初衷和它们的设计思路或遇到的问题，依然有不少借鉴意义。本文按照时间顺序，把每个 DevOps 系统的特点，诞生的背景，以及在当时所主要解决的问题做一个概要的介绍，同时，也会以今天的视角再次审视这些问题，同样的问题经过十几年的发展，解决方案上会有哪些不同。
