SLM 生成式高并发推理引擎：延迟约束下的有效吞吐优化
美团技术团队公开了面向搜索推荐场景 SLM 有界生成负载的推理引擎，以静态 DAG 组织完整业务请求，结合 AOTInductor 编译、Packed Prefill、请求内 K/V 共享与选择性 FP8 压缩调度和计算开销。
推荐理由：美团公开了面向搜推 SLM 有界生成负载的推理系统设计，含静态 DAG 分层架构与逐项优化收益数据。
#后端架构
美团技术团队精选AI 评分8888 美团技术团队博客精选AI 评分8888 SLM 生成式高并发推理引擎：延迟约束下的有效吞吐优化
美团技术团队公开了面向搜索推荐场景 SLM 的推理引擎，以静态 DAG 组织完整业务请求，结合 AOTInductor 编译、Packed Prefill、请求内 K/V 共享和选择性 FP8 压缩调度与计算开销。
推荐理由：美团公开了面向搜推有界生成负载的推理引擎设计，含分层 A/B 数据与适用边界，可供同类低延迟场景参考。
京东技术精选AI 评分7272 大表治理之分表实践：带你手搓一个简单的数据库分表组件
京东技术团队分享了其自研分表组件的设计与实现，基于 MyBatis 插件机制，用策略模式加责任链模式完成 SQL 拦截与重写。组件按仓库编号分表，支持单写单读、双写单读、单写双读等多种读写策略，双写时用分号拼接两条 INSERT 同时写入旧表与分表，双读时用 UNION ALL 合并结果并对 COUNT、SUM 做外层聚合。
推荐理由：京东团队公开自研分表组件的设计思路与双写双读 SQL 重写细节，可作为大表治理的工程参考。
vivo互联网技术精选AI 评分5858 Agent 不能只记录调用了什么，还要记录为什么调用 | KDC 系列 03
vivo 互联网存储团队在 KDC 系列第三篇中提出推理对象（Reasoning Object），用于记录 Agent 做出判断的目标、知识引用、证据、风险与行动授权，而不只是记录 Tool 调用。
推荐理由：文章用一次误退款案例拆解 Agent 行动审计缺口，提出推理对象与 Tool、Skill、Capability 的分层责任，可供设计高风险 AI 行动治理时参考。
腾讯技术工程精选AI 评分6565 Agent、MCP、Skill、Cli、Model 一次讲透：老系统接入 AI 的概念地图与三条路径
腾讯技术工程以数字化团队作类比，梳理 Model 是大脑、Agent 是数字员工、Skill 是岗位手册、MCP 是转接头、CLI 是对讲机的关系，并说明 MCP 与 CLI 可以嵌套。
推荐理由：文章用团队类比理清 Agent、MCP、Skill、CLI、Model 的关系，并给出老系统接入 AI 的三条路径与选型决策树。
大淘宝技术精选AI 评分8080 Agent 长程任务断点续传：从框架 Checkpoint 到跨进程恢复的完整实践
淘天集团直播技术团队介绍了基于 Spring AI Alibaba 1.1.2.0 的 Agent 长程任务断点续传方案，采用框架层 Checkpoint 加上层任务调度的两层架构，不修改框架源码。
推荐理由：淘天直播技术团队公开了不改框架源码实现 Agent 断点续传的两层方案，含关机摘流与子图 ID 处理细节。
得物技术精选AI 评分7878 企业级 MultiAgent 落地：Plan 模式与主子 Agent 协作｜得物技术
得物技术介绍其基于 AgentScope Java 的企业级 MultiAgent 平台，重点讲 Plan 模式与主/子 Agent 协作。Plan 被做成有状态、可持久化的运行对象，通过 create_plan、activate_subtask 等工具由模型动态创建和调整，并支持断点恢复与 SSE 过程可见。
推荐理由：得物技术公开其企业级 MultiAgent 平台的 Plan 生命周期与主/子 Agent 协作设计，可作为同类平台工程化的参照。
vivo互联网技术精选AI 评分5757 软件不是从数据开始，而是从现实开始 | KDC 系列 01
vivo 互联网存储团队提出 KDC 的 Reality First 视角，主张 AI 应用架构先明确领域现实，再设计数字表示、运行时判断与行动反馈。退款案例说明，渠道受理或接口成功不等于用户到账，Agent 可能将表示歧义放大为错误行动；Reality Map 方法通过梳理系统职责、现实要素、数字表示和结果反馈定位映射缺口。
推荐理由：通过梳理现实状态、数字表示与结果反馈的对应关系，团队可以定位业务承诺超出系统观察范围的建模缺口。
快手技术精选AI 评分8282 Harness Engineering：快手电商用 AI 流水线重塑研发范式
快手电商商家和运营赋能中心分享了用 AI 流水线重塑研发范式的实践，把需求、Spec、开发、测试、oncall 各阶段串成自动化交付链路。团队称 2026 年 1 月至 4 月人均代码量增加 170%，但平均需求交付时长缩短有限，因此转向全生命周期自动化，目标需求吞吐率提升 30%、平均交付时长下降 40%。
推荐理由：快手电商团队复盘了从需求到 oncall 的 AI 流水线搭建过程，并给出组织调整与踩坑清单，可作为复杂系统落地 Agent 交付的参考。
已经到底了