大厂与团队
阿里技术、大淘宝技术、阿里云云原生团队在大规模分布式架构、云原生可观测与 AI Native 领域的工程实践。
11 条精选近 30 天 8 条共收录 13 条
天猫技术以驻钉钉需求群的数字员工探索端到端研发协作，通过共享需求上下文和沉淀业务资产，减少信息交接、等待检索与隐性知识流失。数字员工已在天猫技术所有业务线落地推广，月均活跃需求交付100+，上下文层按知识、能力、过程、协作四个维度组织资产。文章提出流程协同、单人主导、数字员工主导三级演进路径，目前交付主要运行在前两级，第三级自主推进与定向找人仍在探索，放权前需建立门禁、回滚和升级人工机制。
推荐理由：将研发提效拆成协作路径压缩与隐性知识沉淀两条线，为定位编码之外的交付瓶颈提供了可迁移的分析框架。
阿里云 SLS 推出 Session Store，将接入的 OpenTelemetry Trace / Log 解析、关联为标准化的 Trajectory 执行轨迹，把任务输入、模型与工具交互、执行结果及运行指标组织在一起。
大淘宝技术介绍方舟 AI 会场 Agent Harness，把用户一句话需求经策划、视觉设计、数据装配与页面构建链路转化为可投放淘内或端外的 page.html 会场。
推荐理由：淘天团队拆解会场 Agent 的 Harness 环境，涵盖 Skill 体系、SubAgent 上下文隔离与质检观测，可供构建生产级 Agent 参考。
高德本地生活分析 Agent 在 FY27 S1 完成建设，支撑本地生活多个业务单元例行经营诊断，全行业经营简报一小时内产出。文章按 L0–L4 能力分级梳理进展，认为绝大部分任务已具备 L3 特征，部分场景走到 L4。作者复盘了分析执行、知识复用、经营判断三段返工，并给出指标口径更新 Pipeline、事实绑定与三层检查等做法。
推荐理由：高德本地生活分析 Agent 的万字复盘，记录了分析执行、知识复用与经营判断三段返工中的具体取舍。
阿里稳定性团队复盘 S1 的 AI Native 研发转型，通过结构化技能、Anchor 插件和质量门禁，将跨角色生成的代码纳入团队交付流程。设计原型库与正式库分离但共享规范，AIOps 原型代码复用率从不足 30% 提升至 80%，还原、走查和修改从两三天压缩到半天。跨端开发仍需专业 owner 评审与结对支持，返工、缺陷、长期维护成本及应急助手的诊断效果尚未形成完整衡量结果。
推荐理由：把技术栈识别、规范加载和提交检查嵌入代码生产流程，为跨角色使用 AI 后如何减少交接返工提供了可迁移的工程方法。
阿里 TRE AI 系统工程团队用 AKA 优化 Qwen3.8-Max 的三类核心算子，在 60 个真实业务 shape 上均取得低于专家版本的几何平均时延。AKA 与算子库 atrex-kernels 已开源，地址为 https://github.com/alibaba/atrex-kernel-agent 和 https://github.com/alibaba/atrex-kernels。
推荐理由：文章用 60 个真实业务 shape 对比生产基线与专家实现，并拆解三条算子线的结构优化，呈现 Kernel Agent 从榜单验证走向生产交付的工程路径。
阿里云云原生介绍 LoongSuite-Pilot 与 AgentLoop 组合的 Coding Agent 审计方案：前者把会话日志和 Hook 记录整理成统一事件时间线并支持脱敏，后者用规则加模型结合任务上下文判断操作是否越权。
推荐理由：文章用提示词注入和误删两个真实案例，说明审计 Coding Agent 需要把用户要求与实际调用放在一起核对。
大淘宝技术团队撰文讨论 loop engineering，主张工程师不再逐轮提示 agent，而是设计包含读取状态、判断任务、执行、验证、记录状态和停止条件的自动化循环。
推荐理由：文章把 loop engineering 拆成六个组件并给出可落地的 CI triage 示例，读者可据此判断哪些任务适合交给 agent 循环。
阿里云云效智能评审新增「评审记忆」能力，团队可在 MR 评论中把已澄清的规则保存为当前代码库的评审记忆，后续评审自动将其纳入判断依据。云效团队在内部测试集上对比测试，使用评审记忆后错误评审意见减少 96.9%，该数字仅反映本次测试集上的降幅。
推荐理由：原文给出评审记忆的沉淀方式、治理开关和内部测试集上错误意见降幅，可据此判断团队规则如何进入代码评审。
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。
天猫新品 MDI 项目复盘了大型 AI 项目研发协同从超级个体到全员赋能的四个阶段。单兵期用 AGENTS.md 入口地图加六个 collar Skill 管理知识库，加人期用站点地图式 spec 目录和 patch 双向指针分工，迭代期用零依赖哨兵机还原预发合并态并由云端 Agent 检测隐形冲突，有效发现率稳定超过 70%、每周发现 40+ 个潜在问题。
推荐理由：天猫新品 MDI 项目把 AI 研发协同拆成四个阶段，给出知识库、站点地图、哨兵机与云端沙箱的具体做法和踩坑记录。