摘要：得物技术团队针对传统搜索相关性模型存在的标注成本高、扩展性差、泛化能力弱等问题，基于大语言模型进行了技术升级。通过知识蒸馏和二阶段推理流程优化，将大盘准确率提升至86.67%，中长尾场景准确率提升6.78%。新方案通过大模型标注+数据蒸馏策略，累计节约百万级标注成本，线上相关性badcase率显著下降。未来将继续探索生成式强化学习等方向，持续提升搜索体验。（149字）

在人工智能技术快速演进的时代，大型语言模型和AI智能体已成为各类应用的核心组件，引发AI相关API流量的指数级增长。而大模型网关，正是这场变革中应运而生的智能交通枢纽。随着DeepSeek、Qwen等开源模型及各类商用大模型的普及，企业AI应用场景日益丰富，从智能客服自动化到代码生成与软件开发，从金融法律分析到内容生成引擎，AI正深度融入企业核心业务流程。

针对开源 Flink ClickHouse Sink 生产痛点，提供高可靠生产级写入方案。实现本地表直写、节点动态发现、攒批限流与重试机制，依托 Checkpoint 保障数据语义，搭配生产调优，打造高性能稳定写入链路。

围绕 Spark UI 监控模块，解析 Executors、SQL、Stages 等核心入口与关键指标，结合表扫描慢、Shuffle 并行度不足等典型场景，给出基于内存、并行度及 AQE 参数的调优方案，为 Spark 性能诊断与优化提供严谨实践思路。

本文为 FlinkSpec 系列之开篇，亦是这场工程化变革的序章。BP Claw 所立之处，不过链路之源。FlinkSpec 所图，乃以 AI 之力，将实时数仓从需求落地至验收上线的全程工序，熔铸为一套精密自洽、生生不息的智能工程体系。宏图未竟，后续系列将逐章揭幕，敬请期待！

AI Coding 个人用得爽，一到团队就崩。EP-Harness 把 Agent 从聊天工具变成团队协作成员——可管理、可追溯、可闭环。落地后高频异常从 2400+/4h 收敛到个位数。

理解了 coding agent 的构建原理，也就掌握了理解其他 agent 的一把钥匙。笔者对每天都在使用的 agent 原理很感兴趣，于是决定自己写一个：violin。

本次分享围绕以下核心技术展开：客服 Agent 挑战与架构设计（Single-Agent→Multi-Agent→Harness）；高可控性数据飞轮（PE 自动化 + DPO 训练）；RL 策略训练和人工经验对齐；多轮半双工消息流控制。

告警排查需频繁切换日志、APM、链路追踪等多个平台，耗时 10～30 分钟，且高度依赖个人经验。我们做了 Troubleshooter——用 LLM Agent 自动完成数据采集、根因分析和处置建议生成。上线后中位数排查耗时从 20 分钟降到 4.4 分钟，覆盖 11 个服务和 10+ 种告警类型。

一场营销活动从策划到上线，运营要在三个系统间跳转 10 + 次、填写 40 + 个字段。我们用 AI 重新设计了这条链路 —— 从 “AI 帮你填表单” 到 “两阶段 Agent + 聚合工作台”。这篇文章记录的不是技术细节，而是这条路上的选择和反思。