大数据平台建设有其天生的复杂性，每一年都在推陈出新，从WareHouse、DataLake到LakeHouse，各种各样的Batch、Stream、MPP、Machine Learning、Neural Network计算引擎，对应解决的场景和组合的方式非常个性化，建设过程会遇到包括技术层面、组织层面、方法论层面种种问题，包括存储计算组件选型、离线实时湖仓架构方案设计以及场景化的性能分析，随着时间推进也会出现持续的组织管理、数据和平台运营、扩容、稳定性优化等问题，出现多个平台共存，存储和计算集群技术栈多样化以及数据分散等常态化问题，面临保留原架构还是推倒重来迁移到新的平台的困扰，有没有一套Architecture FrameWork能够屏蔽底层技术和开发细节，Data Fabric、Data Mesh似乎是为了解决这个问题而生，从技术和方法论的角度探讨如何影响大数据平台的建设、数据工程和架构持续演进。 本文重点聚焦在相对比较容易混淆的Data Fabric和Data Mesh这两个概念，尝试说明这两个概念要解决的问题、架构特征以及可行的技术栈，距离成熟还有哪些不足，以及围绕两个技术领域
架构的核心是管理复杂度，架构师的核心能力是抽象能力，什么是抽象能力？抽象能力就是一种化繁为简的能力。何为化繁为简？就是把一种复杂的事情变得简单的能力，比如通过打比喻让别人很容易听明白你说的意思就是一种抽象能力。如何锻炼抽象能力？我觉得有三种方法，第一种是用归纳法找共性，从多个问题中找到共同的问题提炼通用解决方案，去其糟粕取其精华。第二种通过演绎法找关系，从多个问题中找关系，把多个问题串成一个问题，系统化解决问题！第三种是通过归纳法找特性。化繁为简需要不断的思考，不断的看清一件事的本质，这个事的解决方案越容易。
本文主要为大家介绍下 Cloudflare 提出的一种「新的」微前端方案以及其极致的首屏优化背后的实现原理，有兴趣的同学也可以直接去看 Cloudflare 的原文： Cloudflare Workers 和微前端：为彼此而生 https://blog.cloudflare.com/zh-cn/better-micro-frontends-zh-cn/ 通过 Cloudflare Workers 增加采用微前端 https://blog.cloudflare.com/zh-cn/fragment-piercing-zh-cn/
由阿里巴巴 TC39 代表主导的Async Context 提案[1] 刚在 2023年 2 月初的 TC39 会议中成为了 TC39 Stage 1 提案。提案的目标是定义在 JavaScript 的异步任务中传递数据的方案。 我们先以一个同步调用中访问全局变量为例，来讲讲什么我们为什么需要定义异步上下文。设想一下，我们是一个 npm 库作者。在这个库中，我们提供了一个简单的 log 函数和 run 函数。开发者可以将他们的回调函数和一个 id 传给我们的 run 函数。run 会调用用户的回调函数，并且，开发者可以在这个回调函数中调用我们的 log 函数来生成自动被调用 run 函数时传入的 id 标注了的日志。如我们的库实现如下：
任务模型的抽象具有广泛通用性的，例如饿了么骑手每笔骑单是任务，小法庭中交易纠纷的评审也可以被抽象为任务。 下面是简易的任务系统模块图，图示中去除了上下游的模块，保留了核心与小法庭业务特色部分。
当我们在学习DDD的过程中，感觉学而不得的时候，可能会问：我们还要学么？这的确引人深思。本文基于工作经验，尝试谈谈对DDD的一些理解。
加入蚂蚁三年，一路和业务一起成长。业务蚂蚁知识图谱平台-知蛛，获得 2020 全球人工智能产品应用博览会创新产品金奖，“蚂蚁知识图谱ⅹ网商银行”成为 2021 Forrester 金融科技标杆案例；与业务同学一起获得软件著作权 1 个、申请专利 10 个，作为第一发明人申请专利 5 个、已获得国家专利授权 1 个，撰写图可视化解决方案白皮书 1 篇。 我们是技术人，更是业务中的技术人。我们常说的「人事合一」、「因人成事」，指的就是我们的目标是做成业务中的「事」，但同时也需要关注着其中的「人」。本文从如何在业务中建立好的合作关系出发，将自己在业务中成长的经验分享给大家，和大家一起探讨技术人如何做好业务。
