μNAS：面向微控制器的约束神经架构搜索——论文解读
μNAS是一种专为微控制器设计的神经架构搜索方法，旨在解决物联网设备中资源受限的挑战。通过多目标优化框架，μNAS能够在有限的内存和计算能力下，自动搜索出高效的神经网络结构。该方法结合了老化进化算法与贝叶斯优化，并引入结构化剪枝技术，实现模型压缩。实验表明，μNAS在多个数据集上均取得了优异的精度与资源使用平衡，显著优于现有方法，为边缘计算设备的智能化提供了可行路径。
第一篇 - 常规过滤及分组汇总：SPL轻量级文件存储提速查询实践
本文以订单表为例，介绍如何使用 esProc SPL 实现数据外置，提升过滤与分组汇总计算效率。通过 SPL 的 ETL 工具导出数据为 BTX 与 CTX 格式，并利用游标、列存、并行计算等技术逐步优化性能，最终执行时间从 MySQL 的 11 秒降至 0.5 秒。适用于处理大数据量、历史数据的高性能分析场景。
神经架构搜索NAS详解：三种核心算法原理与Python实战代码
神经架构搜索（NAS）正被广泛应用于大模型及语言/视觉模型设计，如LangVision-LoRA-NAS、Jet-Nemotron等。本文回顾NAS核心技术，解析其自动化设计原理，探讨强化学习、进化算法与梯度方法的应用与差异，揭示NAS在大模型时代的潜力与挑战。
深度神经网络驱动的AI Agent
深度神经网络（DNN）驱动的AI Agent在实时预测中展现出强大能力，能够通过在线学习快速适应变化，广泛应用于金融、自动驾驶等领域，提升预测效率与决策水平。
AI Agent 运行时相比传统应用有什么不同：百家企业 AI 实践观察（二）
本文深入探讨了AI Agent运行时的核心挑战及解决方案，分析了AI Agent从理论走向实践过程中所面临的动态推理、资源成本与安全风险等问题，并详细介绍了阿里云函数计算FC如何作为AI Agent运行时及沙箱环境（Sandbox），有效应对脉冲式计算需求、突发性负载、数据隔离与会话亲和性等挑战。同时，文章结合典型场景，展示了函数计算FC在编码式与流程式AI Agent构建中的优势，涵盖Chat AI Agent、营销素材组装、仿真训练等应用，为AI Agent的高效、安全运行提供了完整的技术路径。