时间序列预测在能源、气象等众多领域都有着广泛应用，本文将为大家介绍达摩院在时间序列预测方向的最新进展。

作者：腾驹TPP图化致力于打造一个算法在线服务领域易用、性能极致、迭代效率远超普通方式的产品。本文将介绍TPP图化以及2021年在性能、开发体验上的改进，并介绍未来TPP图化的规划。一、背景TPP是阿里个性化算法开发平台，依托阿里AI·OS引擎（特征、召回、打分等引擎）为众多的个性化业务（搜索、推荐、广告等）提供Serverless化的在线服务能力。用户在TPP平台上编写业务代码，做AB实验并对

摘要： 大模型推理中，KV Cache（键值缓存）和Prefix Caching（前缀缓存）技术通过缓存历史token的Key/Value，显著降低了重复计算成本，使主流模型的缓存命中率稳定在90%左右。当前技术方向包括优化显存管理（如PagedAttention）、跨请求复用（如vLLM和SGLang的方案）以及突破前缀限制的研究（如Prompt Cache）。商用模型（如GPT-4、Claud

现在是做开源最好的时代。AI 把那些原本吃掉维护者大量时间的重复性工作（Issue 分类、代码评审、测试编写、发版……）自动化了。一个小团队甚至一个人，就能撑起过去十人团队的节奏。门槛降低了，但上限没降——省下来的时间用在真正需要判断力的地方：定方向、做决策、经营社区。几个我觉得最重要的认知：**别开源一个 demo。**AI 时代做 0-1 太容易了，社区不缺 demo，缺的是经过验证的方案。你

本文以a1 CLI工具为例，探讨AI生成代码的信任机制构建。面对AI代码的随机性，团队建立多层自动化门禁体系：代码覆盖率检查、真实API冒烟测试、文档同步校验等，并设计逃生舱机制保持灵活性。针对AI新增代码，开发动态冒烟测试流水线，通过Schema约束、Prompt工程、Deny-list机制等五重锁驯服AI随机性，并引入CI历史反馈让AI从失败中学习。最终通过渐进式发布流程（Beta灰度->人工

摘要： 阿里巴巴开源了Agent Skill评测框架skill-up，旨在解决AI技能开发中的质量验证难题。该框架通过声明式YAML配置支持多引擎测试，提供expect+judge分层判定机制，降低LLM抖动对CI的影响。核心设计包括：1) 声明式评测配置，提升可读性；2) 分层判定策略优化资源消耗；3) 多引擎适配能力；4) 结构化报告输出，支持CI集成。skill-up特别强化了多轮对话测试，

本文探讨了Agent评测体系化的必要性及方法论。作者指出，与传统软件不同，Agent的智能行为具有非确定性、黑盒化和错误级联放大等特点，仅凭抽查无法保证稳定性。评测体系需嵌入研发全流程，形成闭环优化。 文章提出评测应区分Agent类型（任务型、对话型等）并定制指标，对话Agent需关注多轮会话效果。评测指标体系应包含P0-P2三级指标，任务型Agent需特别关注"连续成功率"。数据集建设应聚焦高风

先从任务本身说起。HS Code（Harmonized System Code，商品名称及编码协调制度）是支撑全球每年约 26 万亿美元贸易的商品"唯一数字身份证"。每一笔跨境货物通关都必须申报 HS Code，它直接决F f f F f定了超过所有跨境商品的关税计算和合规性，跨境商品的编码如果报错，轻则多缴关税，重则触发合规风险和货运延误。如下图1所示，在阿里巴巴跨境电商海关商品编码（HS Co

AI时代的CLI复兴：从人类友好到Agent友好的范式转变 随着AI Agent的崛起，命令行界面（CLI）正经历一场复兴。本文探讨了人机交互从CLI到GUI，再到Agentic CLI的发展历程，指出CLI因其文本输入输出特性、自描述性、Unix哲学组合能力等优势，成为AI Agent操作数字世界的高效入口。文章提出未来产品设计需兼顾人类和Agent需求，分为完全面向人、完全面向Agent和人机

文章摘要： 本文探讨了云原生时代下AI Agent（Qoder Cloud Agents）如何从简单的工具调用（Tool Use）升级为受治理的云上工作负载（Cloud Use）。传统云计算围绕人类操作和确定性程序设计，而Agent作为新型执行体，需解决身份、权限、审计等生产级问题。通过场景对比（如周期性任务自动触发、诊断任务主动取证、执行任务受控治理），作者指出Cloud Use的核心是让Age