演进式架构：数字化世界"进化论" 肖然 架构到底什么？ https://www.flickr.com/photos/swisscan/2308034084/ 耦合关系 ● Do one thing and do it well ● Write programs to work together ● Test early and often. Refactor. ● 没有任何实践可以代替交流沟通 “The measure of intelligence is the ability to change.” - Albert Einstein 肖然 rxiao@thoughtworks.com

面向亿行C/C++代码的 静态分析系统设计及实践 肖枭 自我介绍 2016年香港科技大学取得博士学位 过去10年一直以极高的热情从事静态 分析技术的学术用研究 合作创办源伞科技，致力于推动静态 分析技术在企业中的应用 目录 代码质量管理是个大问题 静态分析+代码评审的实践  学习和强调，红线和惩罚，100%的测试 覆盖率，和事后复盘并不够  有经验的程序员也会犯错  对代码提要求很难监督落实

的能力。 得益于 Augur 抽象的流程框架，我们很快超额完成了任务。Model as a feature， 虽然要对一个 Model 做预估操作，但从更上层的模型角度看，它就是一个特征。既 然是特征，模型预估也就是一个计算 OP 而已。 所以我们只需要在内部实现一个特 殊的 OP，ModelFeatureOpreator 就可以干净地解决这些问题了。 我们在充分调研后，发现 Model 的魅力，欢迎加入美团技术团队！ 7. 作者简介 朱敏，紫顺，乐钦，洪晨，乔宇，武进，孝峰，俊浩等，均来自美团搜索与 NLP 部。 算法 < 23 Transformer 在美团搜索排序中的实践 作者：肖垚 引言 美团搜索是美团 App 连接用户与商家的一种重要方式，而排序策略则是搜索链路的 关键环节，对搜索展示效果起着至关重要的效果。目前，美团的搜索排序流程为多层 排序，分别是粗排、精排、异 International ACM SIGIR Conference on Research & Development in Information Retrieval. 2018: 135-144. 作者简介 肖垚，家琪，周翔，陈胜，云森，永超，仲远，均来自美团 AI 平台搜索与 NLP 部。 招聘信息 美团搜索核心排序组，长期招聘搜索推荐算法工程师，坐标北京。欢迎感兴趣的同学发送简历 到：tech@meituan

Android 的 AOSP 实现中，EGLSurface 可通过 EGL 库的 eglCreateWin- dowSurface 方法从本地窗口对象 ANativeWindow 创建而来。对于鸿蒙而言，虽 然我们没有从公开文档找到类似的说明，但是 鸿蒙标准库 默认支持了 OpenGL ES， 而且鸿蒙 SDK 中也附带了 EGL 相关的库及头文件，我们有理由相信在鸿蒙系统上， EGLSurface 也可以通过此方法从前一步生成的 #import 的方式 引入。至于为什么会用这种方式，一方面是这种写法会明确头文件的由来，避免问 题，另一方面也是这种方式可以让我们在是否开启 clang module 中随意切换。当 然，还有一点就是 Apple 在 WWDC 里曾经不止一次建议开发者使用这种方式来引 入头文件。 接着上面的话题来说，所以说在 Static Library 的情况下且以 #import } explicit module NSDebug { header "NSDebug.h" export * } } 前端 < 139 很 显 然， 这 里 通 过 Umbrella Header， 我 们 是 可 以 在 Foundation.h 中 找 到 NSString.h 的。 // Foundation.h … #import

一部分业务未处理，说明肯定有队列的消息积压，当根据自己的知识，结合看到的监控页面 做出的判断与业务方反馈的出现冲突时，一定是自己的判断出了问题。 正在我们“如火如荼”的认定是项目有问题时，这时我的领导肖工提出了自己的观点， 原来在得到业务方反馈时，他得知同一个主题，被 5 个消费组订阅，只有其中两个有问题， 那他通过 rocketmq-console 来找两者的区别，找到区别，找到规律，就离解决问题的路 上的队列在消费，broker-b 上的队列一个也没 消费。 正在思考为啥会出现这种现象时，我的领导肖工又在思考是不是集群是不是 broker-b (对应我们生产环境是 broker-c、broker-d 上的队列都未消费)是新扩容的机器？扩容的 时候是不是没有把订阅关系在新的集群上创建？提出了疑问，接下来肖工就开始验证猜想， 通过查阅 broker-c、broker-d 在我们系统中创建的时间是 2018-7 2018-7 月的时候，就基本得 出结论，扩容时并没有在新集群上创建订阅消息，故无法消费消息。 然后运维小哥，根据肖工的建议，创建订阅组，创建方法如图所示： 创建好消费组后，再去查看 topic 的消费情况时，另外一个消费组也开始处理消息了， 如下图所示： 本文来自『中间件兴趣圈』公众号，仅作技术交流，未授权任何商业行为。 89 > 1.8 RocketMQ 主题扩分片后遇到的坑 四、问题复盘

不断突破， 驱动业务持续发展；重视人才培养，具备完善成熟的培养机制，帮助成员快速成长。 116 > 2022年美团技术年货 美团搜索粗排优化的探索与实践 作者：晓江 所贵 李想 曹越 培浩 肖垚 达遥 陈胜 云森 利前 1. 前言 众所周知，在搜索、推荐、广告等大规模工业界应用领域，为了平衡性能和效果，排 序系统普遍采用级联架构 [1,2]，如下图 1 所示。以美团搜索排序系统为例，整个排序 的对齐程度。Recall 指标具体定义如下： 该公式的物理含义即为衡量粗排排序前 K 个和精排排序前 K 的重合度，该指标更加 符合粗排集合选择的本质。 6. 作者简介 晓江、所贵、李想、曹越、培浩、肖垚、达遥、陈胜、云森、利前等，均来自美团平台 / 搜索推 荐算法部。 7. 参考文献 [1] Wang Z, Zhao L, Jiang B, et al. Cold: Towards the next 兴趣的同学可以将简 历发送至：tech@meituan.com（邮件主题：美团平台 / 搜索推荐算法部）。 算法 < 129 美团外卖推荐情境化智能流量分发的实践与探索 作者：瑞东 俊洁 乐然 覃禹 秀峰 王超 张鹏 尹斌 北海 1. 引言 美团外卖推荐服务了数亿用户，通过持续优化用户体验和流量分发精准性，为用户提 供品质生活，“帮大家吃得更好，生活更好”。对于“用户”，大家可能会有不同的理

生态高亮瞬间 104 | 中国 GenAI 消费应用人气榜 Top10 15 | OSS Compass Insight 106 | AI 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 符号系统的缺点在于过于依赖人工定义的“符号”和“逻辑”，强化学习苦于训练数据的匮 乏和“模态墙”，而 LLM 一次性解决这些问题。 人类语言就是一种高度抽象、跨模态、表达力充分的符号系统，同时它作为知识的载体，自 然地存在大量数据可用于训练，还蕴含了人类的思维模式。 在此基础上训练得到的 LLM，自然具备被诱导出类人思考的潜力。在 COT（思维链）【4】、 TOT（思维树）【5】等技术的加持下，大模型正在学习拆解自己的“思维”，OpenAI 文/张宏波 前言 AI 大模型是指在机器学习和深度学习领域，采用大规模参数（至少在一亿个以上）的神经 网络模型。这些模型在训练过程中需要消耗大量算力和高质量数据资源。AI 大模型主要分为自 然语言处理（NLP）大模型、计算机视觉（CV）大模型、多模态大模型等，其中 NLP 大模型和 多模态大模型在市场中占据主导地位。 目前 AI 大模型行业应用的实现路径主要有两种：一是持续加大对通用大模型的研发投入，

维护者指南 Osamu Aoki, 杨博远, Fonzie Huang, and xiao sheng wen(肖盛文) November 10, 2023 Debian 维护者指南 by Osamu Aoki, 杨博远, Fonzie Huang, and xiao sheng wen(肖盛文) Copyright © 2014-2021 Osamu Aoki Permission is hereby binarypackage_version-revision_arch.deb 命 令 的 -j 选 项 会 调 用 dpkg- depcheck(1) 以在 strace(1) 之下运行 debian/rules，从而获得库依赖信息。然 而，这样操作的运行速度极慢。如果您由其他途径获知了软件包的库软件包依赖 信息，例如外部的 SPEC 文件等等，您可以直接运行“debmake …”命令而不带 -j 选项并运行“debian/rules

19 (3) R2：Dreyfus, Hubert (1979), What Computers Still Can't Do, New York: MIT Press. 本页PPT借鉴于复旦大学肖仰华老师《大数据时代的知识工程与知识管理》 Preliminaries Major difficulties: 自上而下：严重依赖专家和用户的干预（规模有限、质量存疑） Conventional 识的支撑，而常识知识往往难以定义、表达、表征。 3、很难处理异常情况 e.g., 鸵鸟不会飞 本页PPT借鉴于复旦大学肖仰华老师《大数据时代的知识工程与知识管理》 大数据时代催生KE飞速前进发 展 Preliminaries Preliminaries 大数据时代的机遇 – 大规模知识自动获取 本页PPT借鉴于复旦大学肖仰华老师《大数据时代的知识工程与知识管理》  Big Data + Machine Learning[R1] learning/ R2, https://openai.com/blog/ai-and-compute/ Preliminaries 大数据时代的机遇 – 大量UGC 本页PPT借鉴于复旦大学肖仰华老师《大数据时代的知识工程与知识管理》  Web 2.0时代，存在大量UGC （User Generated Content） • 提供获得广大用户一致认可的高质量数据源 e.g., Wikipedia，百度百科