在目前流行的框架中，通常都会采用插件来定制、扩展系统的能力。其实插件系统在软件架构中有一个更专业的术语：微内核架构。本文将详细介绍微内核架构的原理、优势、分类、同时也会对优秀的软件案例进行分析，最后结合笔者当前负责的中型前端项目，分享微内核架构在实际项目的实践。通过本文您将了解什么是插件系统，如何设计插件系统，以及怎么更优雅地实现插件系统，欢迎阅读。
AIGC 在图像生成领域如火如荼，StableDiffusion 加各种 LORA，ControlNet，大家玩得不亦乐乎。但是基于扩散模型的方式，仍然存在很多问题，比如抽卡成功率过低，生成图像的细节仍需优化。具体到二维码生成，目前 hugging face 上的几个 ControlNet 确实可以生成不错的二维码和语义融合的图像，但是往往需要大量尝试，并且加上后续的一些迭代修改，才能保证生成的图像能被正确地识别为想要地二维码。我们通过强化学习加课程学习的方式，在保证出图效果的基础上，将二维码识别率从 20%提高至 80%。
时光如白驹过隙，坐在时代的列车里，我们一路向前；近三十年来，无数事物在车窗前掠影而过，一度流行，又一度黯淡。磁带，就是一个时代的符号。彼时，磁带因其低廉、可靠及易用等特性，一度成为音乐最主流的载体，将流行音乐传遍大街小巷。后来，随着 CD 和 MP3走进大众视野，磁带逐步退出历史舞台。如今，磁带作为音乐载体早被时代淘汰.....但磁带作为存储载体，近几十年却从未过时：在冷数据场景，磁带存储凭借其极低的成本和极长的寿命，在企业存储市场始终占有一席之地。今天的故事就此展开，来聊聊腾讯的深度归档存储与磁带的那些事。欢迎阅读~
内容架构是 QQ 浏览器搜索的内容接入和计算层，主要负责腾讯域内的内容接入和处理，当前接入了多个合作方的上千类内容。正如前面《如何避免旧代码成包袱？5步教你接手别人的系统》中提到，这是一套包含 93 个小服务的微服务架构。经过 23 年 Q1 的大力治理，让我们稳住阵脚，进一步对老系统做深入的评估： 研发效率较低：新增一类数据需要在 3~4 个服务上做开发，代码量不多，但很繁琐。 系统性能较差：数据流经多个小服务，且服务内部的实现普遍较差。譬如：核心服务的 CPU 最高只能用到 40%、一条消息从进入到流出需要经过 20 多次的反复 JSON 解析、多处存在多余的字符串拷贝和查找... 从架构和代码层面，我们看到系统存在较多的缺陷，同时我们也多次收到业务同学、上层领导对吞吐性能的投诉反馈，譬如：传输 6 亿的文档需要 12 天，太慢了；内容接入周期太长，成了某项目的瓶颈等等。 作为偏后方的基础架构系统，可靠高效是基本要求， 我们决定对系统做彻底的改造，设计简单的系统、写清晰的代码，提升系统性能和研发效率，为搜索业务提供稳定高效服务。
谚语曰: “Talk Is Cheap, Show Me The Code”。知易行难，知行合一难。嘴里要讲出来总是轻松，把别人讲过的话记住，组织一下语言，再讲出来，很容易。设计理念你可能道听途说了一些，以为自己掌握了，但是你会做么？有能力去思考、改进自己当前的实践方式和实践中的代码细节么？不客气地说，很多人仅仅是知道并且认同了某个设计理念，进而产生了一种虚假的安心感——自己的技术并不差。但是他根本没有去实践这些设计理念，甚至根本实践不了这些设计理念，从结果来说，他懂不懂这些道理/理念，有什么差别？变成了自欺欺人。 代码，是设计理念落地的地方，是技术的呈现和根本。同学们可以在 review 过程中做到落地沟通，不再是空对空的讨论，可以在实际问题中产生思考的碰撞，互相学习，大家都掌握团队里积累出来最好的实践方式！当然，如果 leader 没有时间写代码，仅仅是通过 review 代码指出团队内其他同学某些实践方式不好，需要给出建议的话，leader 本身也需要沉淀很多相关思考。
第一部分为看清：大模型的训练及推理过程是如何的，以及内部逻辑 第二部分为理解：大模型的训练及推理和算力的关系 第三部分为推演：用简单的公式量化大模型算力的需求 第四部分为优化：我们如何提高算力利用率
时下流行的 AI 写真工具，为用户提供了用现成的照片遨游于广袤素材与想象中的可能性，也启发 AI 从业者对于大众消费产品的构想。对于个人来说，是否可以上手 AI 技术，做出自己的“数字分身”呢？本文将介绍一种高效率、易上手、低成本、高安全的“数字分身”制作方式。看完本文，你也会用一张图片“穿越古今”，做出自己的 N 个“数字分身”。
微信实验平台主要提供微信内部各个业务场景（视频号、直播、搜一搜、公众号等）下的各类实验场景的支持，有 AB 实验、MAB 实验、BO 实验、Interleaving 实验、客户端实验、社交网络实验、双边实验等。
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。即然不能置若罔闻，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，欢迎各位多多提意见。
