Loading...
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AI工程落地的战场上，我们既未抛弃传统工程的“十八般兵器”，也未盲目迷信AI带来的“新式火器”，而是将二者熔铸为一套既能攻坚克难、又可稳守阵地的复合战法。如果你渴望在真实、高复杂度的业务场景中锤炼AI工程能力，与一群既懂技术又懂业务的伙伴并肩作战，这里将是你理想的舞台。
AI架构师的诞生：AI+传统DDD模式 = 实现开发效率提升75%
根据人工拆解限界上下文部分，从原有me.ele.newretail.contract.v6.domain包下，帮我抽象出商品上下文的类，Repo、Service，类用Domain结尾，Repo用DomainRepo结尾，Service用DomainService结尾，输出成表格，包含方法和属性，就放到当前这个文档最后。从上一步可以看出，AI拆解的限界上下文是基于package结构进行拆分，未能深入分析业务语义，这是AI的薄弱环节，需要人工介入修正。这将成为软件工程的新常态。
天猫超市数据AI实践总结
从知识库概览图中可以看发现，知识库中强依赖知识间的联动，因此每一次修改都需要联动修改很多绑定部分，并且知识库需避免冗余知识，冗余知识会显著增加模型推理相同问题的不确定性和时间，这不是问数所需要的，因此在人工维护的情况下，无疑是巨大维护成本。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。
AI 辅助前端动画开发
AI辅助代码生成在前端领域有两个难点，第一个是DesignToCode（下文检查称D2C），D2C的出发点虽然也是需求文档，但前端拿到的是设计师交付的设计稿，如何将设计软件中的结构化数据映射为准确的前端UI，是目前阶段的一个难点，Pixelator和Figma等团队都在探索。我在Ani平台上看到一个简单的进度条Lottie动画，背景色渐变的动画还挺好看的，我直接录屏交给微动画研发流程，其他物料都没给，AI生成了5步的TodoList，并封装好了动画组件。
从代码生成到自主决策：打造一个Coding驱动的“自我编程”Agent
我们在前两个版本的时候，Prompt组装，是没有系统性、结构性设计的，这也就导致了过程中出现了一个900多行的超级大的Prompt，它里面各个位置的内容都是比较乱的。其设计理念来源于人类的大脑分区，我们将Agent的逻辑区域分成了：感知区、认知区、表达区、自我评估区、运动区，将不同种类的Act收纳到Area中，让整个架构体系看着更加的清晰，也让相同能力的动作，可以具备相互沟通的可能。单纯的向量数据库检索，不一定能让经验检索变得准确，我们目前正在向图索引的方向探索，让图谱的能力辅助经验的检索与加工。
SIGGRAPH Asia 2025 | 只用一部手机创建和渲染高质量3D数字人
高保真、可实时驱动、适用于移动端的3D数字人重建与渲染系统。接收，标志着其在学术与工业界前沿水平的认可。阶段采集策略学习的姿态相关的外表建模仍能⽣成。可动画神经表示以及基于⾼斯表示的⽅案。该工作已被计算机图形学顶级会议。系统对采集到的静态序列和动态序列。淘宝技术—Meta技术团队，淘宝技术—Meta技术团队。我们撰写的针对移动端的⾼保真实。我们提出了针对移动端的⾼保真实。为了尽量减少⽆效⾼斯的冗余计算。所建模的姿态相关的外表建模能够。为移动端数字⼈应⽤提供了可⾏技。姿态相关的外表建模对于跨姿态。
AI编码实践：从Vibe Coding到SDD
动营销等多样化的业务场景，技术团队面临着需求迭代频繁、代码腐化及团队协作度高的问题，如何提升开发效率、保证代码质量、降低维护成本成为我们面临的重要挑战。正是在这样的背景下，我们开始尝试将AI技术融入到日常开发流程中，探索从传统编码到AI辅助编程的转变之路。带着上面的问题，我们开始尝试AgenticCoding模式，通过编写详细的提示词（Prompt），让AI一次性实现整个功能。我们相信，通过持续的探索和实践，一定能找到更适合团队的AI辅助编程模式，进一步提升开发效率和代码质量。
Jimi：打造Java程序员专属的开源ClaudeCode
作为十年Java老鸟，想为Java开源生态贡献绵薄之力，于是便有了本文：https://github.com/Leavesfly/Jimi。本团队主要负责淘宝行业&淘特C端链路的研发工作，包含：搜索推荐、互动游戏、导购、交易等基础服务，在这里可以探索更多AI场景，包含AI代码生成以及用Agent将电商各种场景重新做一遍的机会。首先是坚实的地基（基础设施），然后是稳定的骨架（核心引擎），再是灵活的功能模块（Agent和工具），最后是友好的交互界面（UI）。Agent中最火的是什么，AI-Coding；
2025淘宝直播双11花花乐动画实现方案思考&分享
关键的问题就是这个动画曲线如何获取，拿到了AE的源文件，能看到设计师手动拉的动画曲线，但是我们拿不到具体的值，自然也构建不了准确的动画曲线。关键的问题就是这个动画曲线如何获取，拿到了AE的源文件，能看到设计师手动拉的动画曲线，但是我们拿不到具体的值，自然也构建不了准确的动画曲线。好在这里有具体的值，我们可以反推公式，不过目前还有个更简单的方案，即直接把每一帧的值带入每一帧的渲染，类似算法中“打表”的方式来执行这个动画曲线。一旦首屏的花渲染完成，开始预加载升级时要用的素材和下个等级的素材。
复杂任务AI处理实践：淘宝工程师的实战手记
上游核心表变更时，需要下游逐个查代码确认影响范围。文章总结了一套可复用的方法论——如何将人工操作抽象为"感知-决策-执行"的AI闭环，并通过工单处理、数据治理、基线运维等真实案例，展示从"工具助手"到"智能体"的三种自动化模式。精准：在今年的数据治理中，AI处理了数千张表的治理决策，人工复核了10%高优先级的样本，未发现误删数据的情况，不过发现ai策略过度保守的情况存在。数据治理：查表信息及代码→看血缘关系→读上下游代码→查上下游信息→评估→给出治理方案→输出治理建议JSON。
重构一个类，JVM竟省下2.9G内存？
文章深入分析了原始结构的内存浪费原因，并通过实测对比多种方案，验证了新结构在内存效率和查询性能上的优越性，强调了在大数据量场景下应警惕“通用容器”的隐性成本。正是在这一背景下，我们发现：看似合理的“通用集合嵌套”设计，在十万级商品×万级城市×多标签的规模下，竟成为内存消耗的“沉默杀手”。我们推测，当初的设计者可能是出于“未来扩展性”考虑（例如支持非数字标签），但在当前业务场景下，这种通用性牺牲了巨大的内存效率。在我们的核心业务链路中，存在一个对城市维度下某特定类型商品标签进行动态过滤的关键接口。
AI互动前端开发的思考和实践_
随着AI技术的发展，作者提出一种“规范驱动的AI协同开发”新模式：从“代码复用”转向“规范复用”，即通过制定统一的开发规范（Spec），利用AI按需生成针对具体场景的专用组件。团队在保证业务的同时，以先进的跨端框架和研发模式不断完善自己，打造最极致的体验和工程技术，保障多端设备的适配和稳定运行，并探索端智能等创新机会，通过技术高效驱动业务的良性发展。当AI能够瞬间生成代码时，真正决定交付质量的，不再是某一行语法是否正确，而是我们在需求萌芽之初，是否构建了一套清晰、可演进、可复用的认知框架。
代码染色&无效代码清理
但实际做代码下线并非容易，仅凭业务逻辑决策代码清理费时费力，还容易误删在使用的业务代码，因此非常需要工具来辅助做代码的清理，这就是基于代码执行染色和覆盖分析做代码下线方案的背景。离线方案的缺点在于，考虑到插桩代码运行存在性能损耗，如果不是所有在线机器都部署采集，每次部署就需要至少打出两份部署包：插桩版本的包和不做插桩的包，将插桩包部署到需要采集的机器，非插桩包部署到其它机器，这种分别部署的方式增加了部署调度的复杂性。自定义的方式对理解和实践插桩过程很有帮助，比较方便自定义的方式处理采集的数据，但存在问题。
交易订单表如何做索引优化
本文首先以淘天电商交易订单表线上一条非典型慢SQL的深入剖析为切入点，示范如何系统地分析与排查慢SQL；接着详尽归纳了索引分类、B+Tree与B‑Tree的结构差异、B+Tree高度估算方法、EXPLAIN与QueryProfile等诊断工具的使用，以及索引下推与排序的执行流程等索引优化理论；最后结合日常实践经验，提出了适用于大规模线上集群的索引变更SOP，并总结了常见的慢SQL成因与相应的解决策略。前言交易订单表（tcorder）用于存储集团电商的在线订单记录，该表近60个字段
页面搭建方案(TurboUIBuilder)在穿搭星球的实践
本文介绍了手淘穿搭星球业务在面对快速迭代和极致用户体验需求时，从初期Weex方案转向Native技术栈，并基于微服务架构设计了TurboUIBuilder这一可视化页面搭建平台。该方案通过三层结构实现页面布局的结构化与动态化，结合DX动态组件、keypath数据绑定协议和内置核心服务（如布局、数据、埋点等），提升了开发效率30%-50%，实现了双端一致性、体验优化开箱即用（如无极缩放转场、多媒体浏览）以及页面的远程动态更新。同时，依托Skyline模板发布平台，支持高效、安全的模板管理与AB测试，最终形成了
从0到1：天猫AI测试用例生成的实践与突破
随着大模型的不断演进，测试行业基于AI也在做不同程度的探索，在agent智能体生成方面，基本使用的是prompt+RAG的方式，构建特定业务的需求分析/测试用例生成/数据构造智能体等。其中从用例设计到最终的回归约占据了QA70%的时间，在当下对于质量要求高，版本节奏快，人力成本缩减的前提下，急需借助大模型来辅助测试设计，建设相关的智能化工具。目前在实践中主要问题还是集中在PRD质量不高；营销解决方案，导购场域，交易结算，多部门协作，中后台，如何针对不同业务类型做用例生成的适配和应用，也是面临的难题之一。
让AI打出丝滑连招：编码-部署-自测-改bug
在AI辅助编程的实践中，即使需求理解、方案设计、代码生成都很顺利，AI写出的代码仍不可避免地存在各种小问题。
别让故障复盘流于形式：用AI挖掘每一次“跌倒”的价值
而复盘是让这次故障价值最大化的核心节点，一方面准确深度发现当前系统的风险，并推动当下系统存在的风险闭环解决，同时举一反三将未发生故障&存在同样风险的系统实现真正的故障规避，另一方面复盘的结果也应该作为一种数据资产在后续的稳定工作中产出更有实质性的帮助，比如丰富稳定性工作的方向和方式，再比如经验不足的研发可以从过去的故障中学习故障树FTA路径，以及恢复手段和关键决策。我们决定推翻标签限制的关注点生成架构，借鉴人工复盘思路，从五个域出发（架构，测试，编码，变更，应急），根据上下文先提出关键问题，再尝试回答。
AI Coding 长文分享：如何真正把工具用起来，从原理到实践
涵盖其底层机制（如Token计算、工具调用、Codebase索引与MerkleTree）、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。我们不只可以粘代码、图片进去，还可以让模型参考网页、Git历史、当前打开的文件等，这些IDE类的工具支持的比较好，因为是在IDE环境里面，而CLI在终端中，限制就要多一些（但更灵活）。
我的研发实践：高准确率AICoding工作流设计
在Agent框架选择上，一般我们在IDE或者cli中直接使用的都是单一Agent，单一LLMAgent可以通过工具、记忆、规划执行，很好的完成我们诸如：代码变更的诉求，如果我们的工作流有且仅有代码修改时，这样的架构无疑是最高效的，但是，我们也必须看到单一Agent有几个问题：工具太多可能导致选择复杂，上下文变得过于庞大，以及任务可能需要专业化。技术是帮助业务解决问题的手段，业务的形态，技术的使用是多样的，但是沉淀解决问题的能力，抽象解决问题的方法是不会变的。应该是，你想让这个方向变成未来的趋势吗？
