该文章深入阐述了在 AI 技术（尤其是大模型）快速发展背景下，淘宝闪购如何构建一套面向业务落地的 AI 产品评测体系与平台。文章首先分析了传统评测方法在 AI 产品研发模式、技术演进速度和 Agent 链路复杂度面前面临的挑战，指出 AI 产品评测需从“验收式测试”转变为“共创式评测”。随后，文章详细介绍了评测体系的构建，包括 AI 产品评价维度（业务目标、产品效果、性能体验、安全合规、服务成本）、评测方式与策略（端到端 vs 分层评测、有参考答案 vs 无参考答案），以及通过“按变更分级 + 标签选集”实现效率与覆盖度量。文章还探讨了线上效果评估的闭环机制，并展示了平台架构、能力及实际应用成果。最后，对平台未来在多模态评测、可视化标注工作台和开放“评测能力插件市场”方面的规划进行了展望。
该文章深入阐述了现有推荐系统在捕捉外部热点方面的滞后性，并提出了一套名为“热点 AI 选品”的解决方案。该方案通过构建“热点 AI 选品项目”，旨在小时级追踪和响应全网热点，并利用 AI Agent 和 LLM 技术实现从热点感知、深度理解、需求推理到多路素材召回，再到级联式机审和智能话题聚合的全流程自动化。系统还融入了人机协同的审核机制与流量策略，并通过数据回流持续优化 LLM 模型和 Prompt。最终，该系统能将热点识别到商品上线的端到端时效控制在 3 小时内，极大地提升了信息流的新鲜感与用户的转化体验。文章还展望了未来构建端到端自主决策 AI Agent 的愿景。
文章聚焦于社交 APP 中“真人转动漫跳舞仙女”视频生成功能的需求场景与痛点，选择阿里云通义万相 wan2.1 和 wan2.2 作为基础模型进行对比验证。针对现有模型在动态动作生成不稳定、动漫风格控制弱、低分辨率下视频质量下降及推理速度慢等问题，提出了系统化的解决方案。核心内容包括：模型和算力选型、数据集构建与 LoRA/全量微调方法。同时，重点介绍了四种训练和推理优化加速技术：基于 INT8 量化的 Sage Attention（27%加速）、视频帧缓存机制 TeaCache（28%加速）、大规模并行推理框架 xDiT（400%加速），以及显存优化技术 Gradient Checkpointing Offload（13%显存减少）。最终通过这些技术，实现了高质量、高效率的 AIGC 视频生成，并给出了详细的代码示例和效果对比。
本文以淘宝闪购服务包系统为案例，探讨了传统单体架构面临的开发成本高昂、重复代码泛滥、架构耦合严重和扩展风险高等痛点。提出结合 AI 技术和 DDD 思想进行架构重构的目标，包括 AI 驱动架构设计、智能化模型落地和持续优化。文章详细介绍了 AI 在限界上下文拆解、代码骨架生成和具体代码实现中的应用，并强调了人工介入修正的重要性。通过重构效果分析，展示了代码解耦度、重复代码消除和开发效率的显著提升，最终实现开发成本大幅降低 75%，为软件工程注入了人机协作的新范式。
本文介绍了淘天集团首页与信息流工程团队在解决应用 D（一个历史悠久的 Java 服务端应用）中大量无效代码问题时所采用的技术方案。该方案核心是基于代码执行染色和覆盖率分析，通过 JVM Agent 实现代码插桩和在线染色，并利用 JaCoCo 工具高效采集代码执行数据。为提高清理效率，团队开发了 IDEA 插件，将数据采集和覆盖率可视化集成，让开发者能直观地看到代码执行情况。文章详细对比了 Agent 与 Attach、自研插桩与 JaCoCo、在线与离线插桩等不同方案的优劣，并最终选择了 Agent 方式集成了 JaCoCo。此外，还介绍了数据合并、报告生成以及插件设计与实现过程。通过此方案，团队成功清理了数十万行无效代码，显著降低了老旧代码库的维护成本和学习门槛，并对未来的代码治理工作提出了反思和展望。
