C u r v e 质 量 、 监 控 与 运 维 秦 亦 1/33背景 01 02 03 04 Curve质量控制 Curve监控体系 Curve运维体系Curve 是网易针对块存储、对象存储、云原生数据库、EC等 多种场景自研的分布式存储系统：  高性能、低延迟  当前实现了高性能块存储，对接OpenStack和 K8s  网易内部线上无故障稳定运行近两年  已完整开源 作为一个复杂的大型分布式存储系统，Curve 需要利用科学的方法论和专业的工具，在整个 软件生命周期内更好地为用户服务：  质量——向用户交付稳定可靠的软件；  监控——直观地展示Curve运行状态；  运维——保障Curve始终稳定高效运行。 质量 ✓ 质量管理体系（设计、开发、review、CI） ✓ 测试方法论（单元测试、集成测试、系统测试） 监控 ✓ 监控架构 ✓ 指标采集、后端处理、可视化展示 （易部署、易升级、自治） ✓ 运维工具（部署工具、管理工具） 4/33背景 01 02 03 04 Curve质量控制 Curve监控体系 Curve运维体系软件质量 软件质量的定义是：软件与明确地和隐含地定义的需求相一致的程度。 为了确保最终交付的软件满足需求，必须将质量控制贯穿于设计、开发到测试的整个流程中。 设计  设计流程  文档规范 开发  编码规范与提交流程

支持为资源管控的后台任务设置资源使用上限 为资源管控的后台任务设置百分比上限，针对不同业务系统的需求，控制后台任务的消耗， �→ 从而将后台任务的消耗限制在一个很低的水平，保证在线业务的服务质量。 TiProxy 流量捕获和回放 的主键。需要注意的是，定义这个 SELECT 查询时，需要注意使用 WHERE 子句过滤需要更新的行。 279 4.6.2.4.2 例子 假设在过去的一年里，用户在 bookshop 网站进行了大量的书籍打分，但是原本设计为 5 分制的评分导致书籍 评分的区分度不够，大量书籍评分集中在 3 分附近，因此，决定将 5 分制改为 10 分制。用来增大书籍评分的 区分度。 这时需要对 ratings 表内之前 检索增强生成（RAG）是一种优化大型语言模型（LLM）输出的架构。通过使用向量搜索，RAG 应用程序可以 在数据库中存储向量嵌入，并在 LLM 生成回复时检索相关文档作为附加上下文，从而提高回复的质量和相关 性。 4.8.1.3.2 语义搜索 语义搜索是一种根据查询的含义而不是简单地匹配关键词来返回结果的搜索技术。它将不同语言和各种类型 的数据（如文本、图像、音频）的含义转换为向量嵌入。然后

支持为资源管控的后台任务设置资源使用上限 为资源管控的后台任务设置百分比上限，针对不同业务系统的需求，控制后台任务的消耗， �→ 从而将后台任务的消耗限制在一个很低的水平，保证在线业务的服务质量。 TiProxy 流量捕获和回放 的主键。需要注意的是，定义这个 SELECT 查询时，需要注意使用 WHERE 子句过滤需要更新的行。 275 4.6.2.4.2 例子 假设在过去的一年里，用户在 bookshop 网站进行了大量的书籍打分，但是原本设计为 5 分制的评分导致书籍 评分的区分度不够，大量书籍评分集中在 3 分附近，因此，决定将 5 分制改为 10 分制。用来增大书籍评分的 区分度。 这时需要对 ratings 表内之前 检索增强生成（RAG）是一种优化大型语言模型（LLM）输出的架构。通过使用向量搜索，RAG 应用程序可以 在数据库中存储向量嵌入，并在 LLM 生成回复时检索相关文档作为附加上下文，从而提高回复的质量和相关 性。 4.8.1.3.2 语义搜索 语义搜索是一种根据查询的含义而不是简单地匹配关键词来返回结果的搜索技术。它将不同语言和各种类型 的数据（如文本、图像、音频）的含义转换为向量嵌入。然后

的主键。需要注意的是，定义这个 SELECT 查询时，需要注意使用 WHERE 子句过滤需要更新的行。 4.6.2.4.2 例子 假设在过去的一年里，用户在 bookshop 网站进行了大量的书籍打分，但是原本设计为 5 分制的评分导致书籍 评分的区分度不够，大量书籍评分集中在 3 分附近，因此，决定将 5 分制改为 10 分制。用来增大书籍评分的 区分度。 这时需要对 ratings 表内之前 代理。它具有灵活的架构，可以通过多种方式部署，适合各类使用场景。例 如，ProxySQL 可以通过缓存频繁访问的数据来提高性能。 ProxySQL 的设计目标是快速、高效且易于使用。它完全兼容 MySQL，并支持高质量 SQL 代理的所有功能。此外， ProxySQL 还提供了许多独特功能，使其成为各种应用程序的理想选择。 4.13.3.2 为什么集成 ProxySQL？ • ProxySQL 可以通过降低与 定到某个资源组后，TiDB 层会根据用户 所绑定资源组设定的配额对用户的读写请求做流控，TiKV 层会根据配额映射的优先级来对请求做调度。通过 流控和调度这两层控制，可以实现应用的资源隔离，满足服务质量 (QoS) 要求。 • TiDB 流控：TiDB 流控使用令牌桶算法 做流控。如果桶内令牌数不够，而且资源组没有指定 BURSTABLE 特 性，属于该资源组的请求会等待令牌桶回填令牌并重试，重试可能会超时失败。

逐渐成为 AI 应用的核心架构 68 | 谈开源大模型的技术主权问题 72 | 2024:大模型背景下知识图谱的理性回归 77 | 人工智能与处理器芯片架构 89 | 大模型生成代码的安全与质量 93 | 2024 年 AI 大模型如何影响基础软件行业中 的「开发工具与环境」 98 | 推理中心化：构建未来 AI 基础设施的关键 Part 1：中国开源开发者生态数据 04 | Gitee 设，建立了更完善的协作机制，从而在开源模型 (如 InternLM) 和数据集 (如 Infinity-MM) 领 域贡献了大量有影响力的基础工作和资源。 2024 年，中国开源社区涌现出众多高质量的自发研究成果。其中，MAP 团队推出的全开 源模型 Map Neo 引人瞩目。该模型在训练数据、脚本以及模型对齐工作上实现了全面公开， 成为国内少有的真正意义上完全开源的项目。 22 / 111 化需求，帮助人工智能在实际应用场景中落地。 开源多元化与应用细分 中国开源模型的发展不仅体现在技术突破上，还在生态建设中展现出巨大的活力。中国开源 模型从竞争激烈的“百模大战”逐步迈向多元化和深度细分，国内社区在今年发布了大量高质量 开源模型，尤其是多模态理解与生成模型： 多模态理解：Qwen2-VL、Ovis、InternVL2、DeepSeek JanusFlow、GOT-OCR2_0； 图片生成：PixArt、Lu

创意引导能力 设计能激发AI创新思维的提示语 利用类比、反向思考等技巧拓展AI输出的可能性 巧妙结合不同领域概念，产生跨界创新 结果优化能力 分析AI输出，识别改进空间 通过迭代调整提示语，优化输出质量 设计评估标准，量化提示语效果 跨域整合能力 将专业领域知识转化为有效的提示语 利用提示语桥接不同学科和AI能力 创造跨领域的创新解决方案 系统思维 设计多步骤、多维度的提示语体系 构建提示语模板库，提高效率和一致性 涌现属性：某些元素组合可能产生单个元素所不具备的新特性。 目标 主要元素组合 次要元素组合 组合效果 提高输出准确性 主题元素 + 数据元素 + 质量控制 元素 知识域元素 + 输出验证元 素 确保AI基于准确的主题和数据生成内容，并通过严格的质量控制和验证提高准 确性 增强创造性思维 主题元素 + 背景元素 + 约束条件 元素 参考元素 + 迭代指令元素 通过提供丰富的背景信息和适度的 同时确保输出符合特定的 格式和风格要求 提升输出一致性 风格元素 + 知识域元素 + 约束条 件元素 格式元素 + 质量控制元素 通过统一的风格和专业领域知识确保输出的一致性，同时使用约束条件和质量 控制维持标准 增强交互体验 迭代指令元素 + 输出验证元素 + 质量控制元素 任务指令元素 + 背景元素 建立动态的交互模式，允许AI进行自我验证和优化，同时根据任务和背景灵活 调整输出 表2-1-1

创意引导能力 设计能激发AI创新思维的提示语 利用类比、反向思考等技巧拓展AI输出的可能性 巧妙结合不同领域概念，产生跨界创新 结果优化能力 分析AI输出，识别改进空间 通过迭代调整提示语，优化输出质量 设计评估标准，量化提示语效果 跨域整合能力 将专业领域知识转化为有效的提示语 利用提示语桥接不同学科和AI能力 创造跨领域的创新解决方案 系统思维 设计多步骤、多维度的提示语体系 构建提示语模板库，提高效率和一致性 涌现属性：某些元素组合可能产生单个元素所不具备的新特性。 目标 主要元素组合 次要元素组合 组合效果 提高输出准确性 主题元素 + 数据元素 + 质量控制 元素 知识域元素 + 输出验证元 素 确保AI基于准确的主题和数据生成内容，并通过严格的质量控制和验证提高准 确性 增强创造性思维 主题元素 + 背景元素 + 约束条件 元素 参考元素 + 迭代指令元素 通过提供丰富的背景信息和适度的 同时确保输出符合特定的 格式和风格要求 提升输出一致性 风格元素 + 知识域元素 + 约束条 件元素 格式元素 + 质量控制元素 通过统一的风格和专业领域知识确保输出的一致性，同时使用约束条件和质量 控制维持标准 增强交互体验 迭代指令元素 + 输出验证元素 + 质量控制元素 任务指令元素 + 背景元素 建立动态的交互模式，允许AI进行自我验证和优化，同时根据任务和背景灵活 调整输出 表2-1-1

筛选、去重，所撰写代码 运行后完成数据爬虫任务， 所获取数据准确，少量数 据有所遗漏。 提示词 测试结果受到数据样本、测试环境、AI抽卡、提示词模板等因素影响，仅供参考，无法作为决策制定、质量评估或产品验证的最终依据。 爬虫数据采集  目前DeepSeek R1、Open AI o3mini、Kimi k1.5支持联网查询网址，Claude 3.5 sonnet暂不支持；  sonnet 可以提取所有网址，调整后可输出正 确代码，运行代码能生成本地文件， 但提取数据结果为空。 测试结果受到数据样本、测试环境、AI抽卡、提示词模板等因素影响，仅供参考，无法作为决策制定、质量评估或产品验证的最终依据。 文件数据读取 1、读取文件； 2、根据指定内容整理成表格。 任务 Open AI o3mini 暂不支持附件上传，响应速度 快，能够快速读取粘贴数据， 输出结果格式工整、简洁。 分比、环比的百分 比。4.当天的民航客运量、比2024年同期多或者少的百分比、环比的百分比。 提示词 测试结果受到数据样本、测试环境、AI抽卡、提示词模板等因素影响，仅供参考，无法作为决策制定、质量评估或产品验证的最终依据。 文件数据读取 Claude 3.5 sonnet 很好地完成了数据读取及提取 任务，没有漏数据指标，数据 逻辑性很好 Kimi k1.5 能够快速读取文件数据，并

6政企、创业者必读 大模型不是泡沫，而是新一轮工业革命的驱动引擎 蒸汽革命 电气革命 信息革命 以大模型为代表的 人工智能革命 人工智能是新质生产力的关键支撑技术，人工智能+百业千行将带动新一轮工业革命，为高质量发展注入强大动能 大模型的进一步突破将引领人类社会进入智能化时代，对我们的生活方式、生产方式带来巨大变革 重塑经济图景 解决复杂问题 7政企、创业者必读 8 AI不仅是技术革新，更是思维方式和社会结构的变革 模型越做越小 17  大模型进入「轻量化」时代，上车上终端，蒸馏小模型  先做得更大，然后探索能做多小政企、创业者必读 DeepSeek出现之前的十大预判 之五 知识的质量和密度决定大模型能力  高质量数据、合成数据使模型知识密度的快速增长  大模型能以更少的参数量达到更高的性能  360联合北大研发：5%参数量逼近Deepseek-R1满血性能 18政企、创业者必读 DeepSeek出现之前的十大预判 皮带跑偏检测 • 烧结皮带跑偏检测 • 皮带托辊异常检测 • 分析监测烧结工序物料 成分 • 烧结皮带智能监测 • 烧结设备运行工况检测 • 料场生产计划智能配置 • 烧结矿成分预测 • 烧结矿质量预测 • 烧结烟气 S02 排放在 线预测与控制 • 构建能源消耗预测 • 智能故障诊断 • 挡板位移检测 • 皮带划痕、 撕裂、 跑偏检测预警 • 1球团皮带智能监测 • 生球粒度分布在线

RLHF, Reinforcement Learning from Human Feedback）： 强化学习（RLHF）优化过程 • 步骤 1：人类标注者提供高质量回答。 • 步骤 2：模型学习人类评分标准，提高输出质量。 • 步骤 3：强化训练，使得生成的文本更符合人类偏好。 3 DeepSeek-R1 精华图解 3.1 DeepSeek-R1 完整训练过程 DeepSeek-R1 图8会详细解释中间模 型的训练过程。 DeepSeek-R1 核心贡献：首次验证了通过纯强化学习也能大幅提升大模 型推理能力，开源纯强化学习推理模型 DeepSeek-R1-Zero R1-Zero 能生成高质量的推理数据，包括大量长链式思维（Chain-of-Thought, CoT）示例，用于支持后续的 SFT 阶段，如图7所示。更加详细介绍参考3.2节。 3.1.2 核心创新 2：通用强化学习 第一阶段 AI 知识，严禁拿此资料引流、出书、等形式的商业活动 3.4 总结 DeepSeek-R1 中间推理模型生成：通过推理导向的强化学习（Reasoning-Oriented RL）， 直接生成高质量的推理数据（CoT 示例），减少人工标注依赖。通用强化学 习优化：基于帮助性和安全性奖励模型，优化推理与非推理任务表现，构建 通用性强的模型。最终，DeepSeek-R1 将 R1-Zero 的推理能力与通用强化