近年来，大语言模型（LLM）的能力边界不断拓展：从检索增强生成（RAG），为大模型接上了外部知识库，让它能给出更可靠的答案；到引入思维链（COT）机制，通过显式地生成思考过程，增强了模型的逻辑分析与复杂问题拆解能力；再到如今的工具调用（Tool Use），模型真正被赋予了像人类专家一样的能力，主动思考、规划、并利用工具去解决未知复杂问题。这标志着模型正从“被动响应者”向“主动智能体”演进，让模型在复杂问题解决、响应鲁棒性和生成的透明度上发生质的飞跃。然而，“巧妇难为无米之炊”，要训练出这样的智能体，光有算法远远不够，数据才是真正的燃料。DeepSeek的研究工作确立了当前大模型训练的主流范式，即先是高质量数据驱动的冷启动阶段，再是基于强化学习的优化阶段。但Tool Use的冷启数据难以获取，通用模型通常在海量纯文本上预训练，再通过人工标注的指令数据微调，但这些数据几乎不包含“如何分步调用工具，分析工具返回结果，做出决策”的完整轨迹。人工标注不仅成本高昂、效率低下，还难以覆盖复杂场景的多样性。而特有业务场景的Tool Use数据更加稀缺。因此，合成数据成为破局关键。
本文从“道、法、术”三个层面对比AI工程与传统软件工程的异同，指出AI工程并非推倒重来，而是在传统工程坚实基础上，为应对大模型带来的不确定性（如概率性输出、幻觉、高延迟等）所进行的架构升级：在“道”上，从追求绝对正确转向管理概率预期；在“法”上，延续分层解耦、高可用等原则，但建模重心转向上下文工程与不确定性边界控制；在“术”上，融合传统工程基本功与AI新工具（如Context Engineering、轨迹可视化、多维评估体系），最终以确定性架构驾驭不确定性智能，实现可靠价值交付。
本文从原理到实践系统地分享了如何高效使用AI编程工具。涵盖其底层机制（如Token计算、工具调用、Codebase索引与Merkle Tree）、提升对话质量的方法（如规则设置、渐进式开发）、实际应用场景（如代码检索、绘图生成、问题排查），并推荐了结合AI的编码最佳实践，包括文档、注释、命名规范和安全合规，旨在帮助不同经验水平的开发者真正把AI工具用好。
本文主要介绍了针对热点深库存下单抢购场景，库存团队设计并实现的一种基于Redis分桶扣减计数和合并提交扣减DB的方案；该方案基于分布式缓存实现，但也能做到不超卖不少卖，在保证扣减强一致性的同时，也提升了库存热点扣减TPS和扣减稳定性。
在 KMP + Compose 成为主流原生 UI 技术栈的背景下，业务对“动态化”的诉求正从依赖 WebView 或独立渲染体系，转向在不破坏现有渲染链路、不新增 DSL、且不影响核心页面性能的前提下，实现更细粒度、可控的动态交付能力。本文由支付宝终端技术团队潘云逸(法慧)编写，结合工程实践，提出了一种基于 Kotlin/JS + Compose Runtime + Native Skia 的局部动态化方案：由 JS 侧负责 UI 计算，Native 侧复用既有 Skia 渲染栈完成最终上屏，在原生 Compose 页面中实现区块级、脚本驱动的动态 UI 嵌入。
随着 AI 技术的快速发展，越来越多的企业开始积极探索如何利用 AI 优化产品开发流程。从初期的产品需求文档（PRD）撰写、系统分析与设计，到高质量代码的生成，AI 正逐步渗透到开发全流程，构建起一个完整的“AI辅助开发生态”，显著缩短开发周期。 在传统开发流程中，PRD 和系统分析文档的设计以及编码实现需要人工拆解、设计和开发，这不仅易产生理解偏差和重复工作，还存在效率低下、质量不稳定、协作复杂等痛点。而 AI 技术可以自动完成模块拆分、数据结构定义、接口设计等关键环节，同时生成适配多语言、多框架的代码骨架，大幅降低沟通成本，提升开发效率和产出质量。
本文总结了在构建面向AI的数据知识库中的实践经验，针对数据资产庞杂、语义不统一、维护成本高等问题，提出以“不重构模型、小而精维护、支持灵活扩展”为原则，通过结构化构建指标、实体、属性、表和字段五类知识，并结合图谱召回与Agent框架，实现自然语言到SQL的智能取数。文章还介绍了从钉钉文档快速验证到产品化平台建设的演进过程，并展望了在准确性提升、知识保鲜和能力拓展等方面的未来方向。
