业务团队愿景目标:2-1-1
2 Weeks
1 Week
1 Hour
需求交付周期
从想法提出并确认,到上线的时间
需求开发周期
从需求设计完成到上线的时间
变更集成发布时长
整个组织各职能和部门的协调一致和紧密协作 0 码力 |
40 页 |
3.34 MB
| 2 年前 3
基于Go构建滴滴核心业务平台的实践
’ alt=‘OCR图片’/>
目录
’ alt=‘OCR图片’/>
Golang使用现状
1500+个模块
1800+位Gopher
2000+台(仅中台)
’ alt=‘OCR图片’/>
我们用Go做了什么
DUSE
滴滴分单引擎
DOS
滴滴订单系统
DISE
schemaless数据存储引擎
DESE
serverless分布式事务框架
’ alt=‘OCR图片’/>
中台业务
’ alt=‘OCR图片’/>
Challenge
高可用
高服务可用时间
高并发
复杂度
服务承载能力
服务响应速度
业务需求复杂
·子系统较多
·问题追查困难
’ alt=‘OCR图片’/>
Why Golang
执行效率较高
开发效率
便利的并发控制
便利的网络服务开发
GC
丰富工具&库
go alt=‘OCR图片’/>
目录
’ alt=‘OCR图片’/>
庞大的业务系统
微服务过多带来的问题
快车订单:1单
子模块:50+
Rpc请求:300+
日志行数:1000+
’ alt=‘OCR图片’/>
服务治理的难题
微服务过多带来的问题
’ alt=‘OCR图片’/>
异常定位
滴滴如何定位业务问题
日志格式混乱
大量adaptor
人工配置与分析
处理性能低,资源消耗巨大 0 码力 |
44 页 |
2.77 MB
| 1 月前 3 李泽辰,Gitee 主编
李涛,APUS董事长兼CEO
2023年12月发布
设计:张琪
## LLM 技术报告
大语言模型(LLM)技术作为人工智能领域的一项重要创新在今年引起了广泛的关注。
LLM 是利用深度学习和大数据训练的人工智能系统,专门设计来理解、生成和回应自然语言。这些模型通过分析大量的文本数据来学习语言的结构和用法,从而能够执行各种语言相关任务。以 GPT 系列为代表,LLM 以其在自 以其在自然语言处理领域的卓越表现,成为推动语言理解、生成和应用的引擎。
LLM 在多个领域都取得了令人瞩目的成就。在自然语言处理领域,GPT 系列模型在文本生成、问答系统和对话生成等任务中展现出色的性能。在知识图谱构建、智能助手开发等方面,LLM 技术也发挥了关键作用。此外,它还在代码生成、文本摘要、翻译等任务中展现了强大的通用性。
本报告从技术人视角出发,将深入探讨 LLM 技术的背景、基础设施、应用现状,以及相关的工具和平台。 ## LLM Tech Map
## 大模型
➢ 备案上线的中国大模型
知名大模型
知名大模型应用
LLMOps
大模型聚合平台
## 工具和平台
➢ 开发工具
插件、IDE、终端代码生成工具
## AI 编程
## 算力
## 基础设施
向量数据库
数据库向量支持
➢ 大模型框架、微调 (Fine Tuning)
➢ 大模型训练平台与工具
## LLM Agent 0 码力 |
32 页 |
13.09 MB
| 2 年前 3 RUST CHINA CONF 2023
第三届中国 Rust 开发者大会
王俊吉
6.17-6.18 @Shanghai
## Outline
## RustBelt - Rust 的形式化语义模型
Background
Rust Semantics
• RustBelt Project
• Type System
• Rust Types Overview
• The own Predict 0 码力 |
21 页 |
2.63 MB
| 2 年前 3 ## 架构分层模型适配
有效防止架构腐化实践
吴雪峰@201811
DDCHINA
## CONTENTS
01 DDD分层参考架构
02 严纪律 防腐化 — 分层模型适配
03 分层模型适配实例
## DDD分层参考架构
## DDD分层参考架构
前端应用
的技术相关实现。
分层依据: 干系人和技术点
## DDD分层参考架构 - 前端应用
前端应用
UX关注的层

DDD重点关注后台业务服务,不解决前端交互问题 API服务
业务领域
基础设施
## 为前端和第三方应用提供API服务,关注服务编排,事务和分布式等
干系人: 应用开发人员
诉求: 灵活易使用的API
技术点: 性能, 事务, 分布式, 安全等非功能性需求
工作内容:
- 接收外部请求并响应: 如HTTP请求, 消息处理
事务管理
• 认证
• 缓存
• 日志
- 异常处理
• 配置
• Session
模型:
• View 0 码力 |
39 页 |
2.54 MB
| 2 年前 3 AI agent, etc.
最新版本 Qwen1.5 有以下特点:
• 6 种模型规模,包括 0.5B、1.8B、4B、7B、14B 和 72B;
- 针对每种尺寸提供基础模型和 Chat 模型,并确保聊天模型按照人类偏好进行校准;
• 对基础模型和 Chat 模型的多语言支持
- 基础模型和聊天模型都支持多种语言;
- 支持工具调用、RAG(检索增强文本生成)、角色扮演、AI Agent 微信群。很期待见到你们!
## 文档
### 1.1 安装
要快速上手 Qwen1.5,您可以从 Hugging Face 安装 transformers 库,并使用 Qwen1.5 Collection 中的模型。我们建议您安装最新版本的 transformers 库,或者至少安装 4.37.0 版本。
#### 1.1.1 Pip 安装
pip install transformers -U
#### 我们建议您首先尝试使用 transformers 进行推理。请确保已安装了 transformers>=4.37.0 版本。以下是一个非常简单的代码片段示例,展示如何运行 Qwen1.5-Chat 模型,其中包含 Qwen1.5-7B-Chat 的实例:
from transformers import AutoModelForCausalLM, AutoTokenizer
device = "cuda" 0 码力 |
56 页 |
835.78 KB
| 2 年前 3 ## Teambition 2019 敏捷协作助力实现业务战略
Average company lifespan on S&P 500 Index (in years)

Year (each data point represents [Image](/uploads/documents/f/2/6/0/f2600933857ea958305e9df071813660/p3_4.jpg)
频繁迭代
• 业务需求驱动创新
- 打破部门墙,塑造无边界组织
- 提升项目管理能力,贯彻业务战略
## 业务需求驱动的创新


## 自我增强的业务增长
• 线性投入还是指数增长?
- 如何实现“自我增强的循环”?
产品研发过程中遇到的难题...
新的需求
难同步
项目进度
难把控
工作分配
不及时
开发流程
易混乱 0 码力 |
24 页 |
5.29 MB
| 2 年前 3
|