微服务结合容器云平台的思考和实践 2018.06.25 徐运元关于我 2008年毕业于浙江大学，曾在思科和浙大网新有超过 9年的工作经验和5年的云计算领域工作经验，带领团 队完成公司第一代基于Kubernetes的云平台开发和第 二代基于Kubernetes的DevOps云平台开发 来自于浙江大学SEL实验室目录 CONTENTS Kubernetes平台下的微服务演进 Pilot核心功能解读

Kubernetes 与 AI 相结合架构、 落地解析（从 0 到 1 赵慧智 技术总监 （才云科技 Kubernetes 介绍 Kubernetes 使用 Kubernetes 部署与企业对接 AI 技术介绍 AI 云平台介绍及构成 AI 与 Kubernetes 融合与架构解析 • 是一套集自动部署，弹性扩容，并且基于容器的集群管理工 具。 • 快速部署应用程序

Sinkhorn-Knopp 算法导致训练时间加长， 而 SimOTA[4] 算法使用 Top-K 近似策略来得到样本最佳匹配，大大加快了训练速 度。故 YOLOv6 采用了 SimOTA 动态分配策略，并结合无锚范式，在 nano 尺寸 模型上平均检测精度提升 1.3% AP。 SIoU 边界框回归损失 为了进一步提升回归精度，YOLOv6 采用了 SIoU[9] 边界框回归损失函数来监督网络 时面向企业界和学术界，云集了世界数据挖掘界的顶尖专家、学者、工程师、学生等 参加，为数据挖掘从业者们提供了一个学术交流和研究成果展示的平台。 通过分析不难发现，KDD Cup 举办 20 年来，一直紧密结合工业界前沿与热点问题，演 进主要分为三个阶段。第一阶段从 2002 年左右开始，专注于互联网的热点推荐系统方面 问题，包括推荐、广告，行为预测等；第二阶段聚焦在传统行业问题，比较关注教育、环 境、医疗等领域；而在第三阶段，自 具有强大的特征交叉能力以及较强的泛化能力，能更好地处理高维稀疏特征。 因此，我们选择该模型作为融合基模型的主模型。模型融合通过不同模型学习到有差 异性的内容，从而有效挖掘用户在不同站点上的异质行为。模型融合的关键是产生并 结合“好而不同”的模型 [3][4]。基于多层级多因子的模型融合方案首先通过模型差异 性、特征差异性多个角度来构造模型之间的差异性，然后通过多层级以及使用基学习 器的多特征因子（模型 pCTR 预估值、隐层表征）进行融合：

描述问题背景与目标， 由模型规划解决路径 复杂问题、需模型自主 推理 “我需要优化用户登录流程， 请分析当前瓶颈并提出3种方 案。” ✅ 激发模型深层推理 ❌ 需清晰定义需求边界 混合模式 结合需求描述与关键 约束条件 平衡灵活性与可控性 “设计一个杭州三日游计划， 要求包含西湖和灵隐寺，且 预算控制在2000元内。” ✅ 兼顾目标与细节 ❌ 需避免过度约束 启发式提问 通过提问引导模型主 问题 + 数据/信息 + 分析 方法 触发因果链推导与假设验 证 表层总结或分类 3. 创造性需求 需生成新颖内容（文本/ 设计/方案） 主题 + 风格/约束 + 创新 方向 结合逻辑框架生成结构化 创意 自由发散，依赖示例引导 4. 验证需求 需检查逻辑自洽性、数 据可靠性或方案可行性 结论/方案 + 验证方法 + 风险点 自主设计验证路径并排查 矛盾 保持时间复杂度不变； ② 使用numpy优化数组操作； ③ 输出带时间测试案例的完整代码。" 创造性需求 "设计一款智能家居产品，要求： ① 解决独居老人安全问题； ② 结合传感器网络和AI预警； ③ 提供三种不同技术路线的原型草图说明。" �实战技巧： 还要不要学提示语？ 提示语（Prompt）是用户输入给AI系统的指令或信息，用于 引导AI生成特定的输出或执行特定的任务。简单来说，提示语

描述问题背景与目标， 由模型规划解决路径 复杂问题、需模型自主 推理 “我需要优化用户登录流程， 请分析当前瓶颈并提出3种方 案。” ✅ 激发模型深层推理 ❌ 需清晰定义需求边界 混合模式 结合需求描述与关键 约束条件 平衡灵活性与可控性 “设计一个杭州三日游计划， 要求包含西湖和灵隐寺，且 预算控制在2000元内。” ✅ 兼顾目标与细节 ❌ 需避免过度约束 启发式提问 通过提问引导模型主 问题 + 数据/信息 + 分析 方法 触发因果链推导与假设验 证 表层总结或分类 3. 创造性需求 需生成新颖内容（文本/ 设计/方案） 主题 + 风格/约束 + 创新 方向 结合逻辑框架生成结构化 创意 自由发散，依赖示例引导 4. 验证需求 需检查逻辑自洽性、数 据可靠性或方案可行性 结论/方案 + 验证方法 + 风险点 自主设计验证路径并排查 矛盾 保持时间复杂度不变； ② 使用numpy优化数组操作； ③ 输出带时间测试案例的完整代码。" 创造性需求 "设计一款智能家居产品，要求： ① 解决独居老人安全问题； ② 结合传感器网络和AI预警； ③ 提供三种不同技术路线的原型草图说明。" �实战技巧： 还要不要学提示语？ 提示语（Prompt）是用户输入给AI系统的指令或信息，用于 引导AI生成特定的输出或执行特定的任务。简单来说，提示语

创新应用开发大赛获奖作品 局长，OSCHINA 副主编 肖滢，OSCHINA 副主编 李泽辰，Gitee 主编 高瞻，Gitee AI 运营 设计：张琪 开发者是开源生态的重要支柱。 本章结合 、 的数据分 析，勾勒 2024 年中国开源开发者的整体画像趋势轮廓，主要 反映中国开源开发者使用开源大模型概况、开源项目/组织健康 度，以及中国开源社区的生态评估等情况。 Gitee 数据篇 这些模型不仅在技术上各具特色，还通过开源策略分享了大量研究细节，为整个开源社区提供了 23 / 111 丰富的资源，在这一过程中，小模型不仅在推理能力上有了显著提升，也推动了行业整体技术水 平的进步。 结合当前人工智能产业界的“人工智能+”计划，小模型在特定任务优化上的优势愈发突出， 预计将在金融、医疗和工业自动化等热门领域发挥引领作用，以更高效、更精准的方式满足多样 化需求，帮助人工智能在实际应用场景中落地。 服务可达到初级专业人士水平，每小时收费相比模型成本也高上百倍。AI 虚拟外教已经可以媲 美真人外教，由于发音标准，效果甚至超过大多数国内英语老师。 专业模型是通用大模型和垂直领域数据、工作流的结合。这里通用大模型的基础能力是关键， 一个世界领先的通用大模型加上 RAG（搜索增强生成）行业知识库，做出的专业模型效果往往 超过开源模型加上一些垂直领域数据微调得到的行业模型。因此，专业模型虽然训练、推理成本

里获取数据，或者从对应的第三方 服务中获取数据。内置批量接口，可以实现批量召回，减少 RPC。 ● Calc OP：用于处理对获取到的原始特征做与模型无关的逻辑处理，如拆分、 判空、组合。业务可以结合需求实现特征处理逻辑。 通过 IO、计算分离，特征抽取执行阶段就可以进行 IO 异步、自动聚合 RPC、并行 计算的编排优化，从而达到提升性能的目的。 Transformer：用于处理与模型相 Transfomer 创造出多个不同的模型预估特征。这种做法相对节约 资源，因为公用特征只需抽取计算一次即可。 12 > 美团 2020 技术年货 此外，这一套配置文件也是离线样本生产时使用的特征配置文件，结合统一的 OP&Transformer 代码逻辑，进一步保证了离线 / 在线处理的一致性，也简化了上 线的过程。因为只需要在离线状态下配置一次样本生成文件，即可在离线样本生产、 在线模型预估两个场景通用。 则构成了一个好用的在线预估平台。下图是在线预 估服务管理平台的功能架构： 首先是预估核心特征的管理，上面说到我们构建了语言化的特征表达式，这其实是个 较为常见的思路。Poker 利用 Augur 提供的丰富接口，结合算法的使用习惯，构建 算法 < 17 了一套较为流畅的特征管理工具。可以在平台上完成新增、测试、上线、卸载、历史 回滚等一系列操作。同时，还可以查询特征被服务中的哪些模型直接或者间接引用，

HTTP 协议介绍 目录 终端场景下 HTTP 协议的主要使用场景，以及需要思考的问题。 ⚫ 终端 HTTP 通信场景浅析 我们当前结合 Rust 和终端通信场景的实践的简单介绍。 ⚫ Rust 与终端 HTTP 通信场景结合 介绍 Rust 与 HTTP 协议栈结合的业界实现。 ⚫ Rust 与 HTTP 协议 HTTP 协议介绍 Part 01 什么是 HTTP 协议？ Rust China Secure，缩写：HTTPS）是一种通过计算 机网络进行安全通信的传输协议。HTTPS经由HTTP进行通信，但利用SSL/TLS来加密数据包。 Rust 与 HTTP 协议 Part 02 介绍 Rust 与 HTTP 协议栈结合的业界实现 Rust China Conf 2022 – 2023, Shanghai, China Rust China Conf 2022 – 2023, Shanghai, China Rust 表现。 Rust 与终端 HTTP 通信场景结合 Part 04 我们当前结合 Rust 和终端通信场景的实践的简单介绍 Rust China Conf 2022 – 2023, Shanghai, China Rust China Conf 2022 – 2023, Shanghai, China Rust 与终端 HTTP 通信场景结合 我们 Ylong HTTP 客户端库当 前实现的基础功能：

o3mini 响应速度快，高效输出数据分析 结果，分析各因素对关键指标生 存率的影响，语言表达自然，重 点突出结合历史背景对数据规律 进行验证，但没有察觉数据异常。 DeepSeek R1 详细展示长思维链，精准提取关键指 标“幸存率”，分析多个因素特征对 幸存率的影响，结合历史背景对数据 及规律进行验证，并敏锐察觉数据异 常，提出了异常处理建议。 1、读取titanic遇难者名单excel 暂时不能直接绘制出可视图表，需要将绘图 代码复制到本地运行。 Kimi k1.5 结合数据样本和分析结果，提供多种可视化 图表绘制方案及对应代码，需采用Python代 码完成绘图任务。大样本会省略数据；小样 本不省略数据。  年龄分布直方图、票价分布箱线图（展示不同船票等级的票价分布） DeepSeek R1 能够结合数据样本和分析结果，提供多种可 视化图表绘制方案，但暂时不能直接绘制出 可视图表，需要将对应的绘图代码复制到本 字说明，帮助管理者快速理解分析结果。 • 数据接口标准化：根据标准格式输出数据， 利用o3mini方便不同系统和平台之间的数据 共享，提升跨机构协作效率。 • 情感分析与数据解读：利用o3mini结合 情感分析，对数据进行深入解读，帮助市场调 研等领域理解消费者情感，优化产品和策略。 • 故事化数据呈现：借助o3mini将数据以 故事的形式呈现，增强数据的可读性和吸引力， 帮助公众理解复杂的科学和技术知识。

根据原始特征 对用户聚类 验证聚 类结果 评分 对API请求结合超时和 K-means聚类处理理 主题模型 对主题进⾏行行K- means聚类 S 标记回话 ⼈人⼯工审查 新会话 建模过程 2017.thegiac.com 会话识别 API 请求 ⽇日志 对API请求结合超时和 K-means聚类处理理 建模过程 2017.thegiac thegiac.com 会话识别 API 请求 ⽇日志 建模过程 对API请求结合超时和 K-means聚集处理理 2017.thegiac.com 会话识别 API 请求 ⽇日志 抽取会话特征 根据原始特征 对用户聚类 建模过程 对API请求结合超时和 K-means聚集处理理 2017.thegiac.com K-means 聚类示例例 抽取会话特征 根据原始特征 对用户聚类 建模过程 对API请求结合超时和 K-means聚集处理理 2017.thegiac.com 会话识别 API 请求 ⽇日志 抽取会话特 征 根据原始特征 对用户聚类 主题模型 对主题进行K- Means聚类 建模过程 对API请求结合超时和 K-means聚集处理理 2017.thegiac.com