Chat、Agent和Workflow的思考
Chat、Agent 和 Workflow 各具特色，长期共存，满足不同层次的LLM应用需求。Chat 实现高效人机对话，适用于即时交互；Agent 强调自主执行任务，适合复杂推理与工具调用；Workflow 侧重流程标准化，适用于结构化场景。测试设计应根据不同类型定制方案，聚焦业务价值，而非泛化指标。可通过 A/B 测试、用户反馈和错误分析持续优化模型表现。
智能化测试基础架构：软件质量保障的新纪元
本文介绍了智能化测试基础架构的核心构成与优势。该架构融合AI、领域工程与自动化技术，包含智能测试平台、测试智能体、赋能引擎和自动化工具链四部分，能自动生成用例、调度执行、分析结果，显著提升测试效率与覆盖率。其核心优势在于实现专家经验规模化、质量前移和快速适应业务变化，助力企业构建新一代质量保障体系。建议从构建知识图谱和试点关键领域智能体起步，逐步推进测试智能化转型。
Go与定时任务
Go语言凭借其高效的并发能力和简洁的语法，广泛应用于分布式系统和云计算领域。本文从控制台Admin、触发器Trigger、调度器Scheduler、执行器Executor四方面，详解Go语言实现分布式定时任务的设计与代码示例。
【ICML2025】大模型后训练性能4倍提升！阿里云PAI团队研究成果ChunkFlow中选
近日，阿里云 PAI 团队、通义实验室与中国科学院大学前沿交叉科学学院合作在机器学习顶级会议 ICML 2025 上发表论文 Efficient Long Context Fine-tuning with Chunk Flow。ChunkFlow 作为阿里云在变长和超长序列数据集上高效训练解决方案，针对处理变长和超长序列数据的性能问题，提出了以 Chunk 为中心的训练机制，支撑 Qwen 全系列模型的长序列续训练和微调任务，在阿里云内部的大量的业务上带来2倍以上的端到端性能收益，大大降低了训练消耗的 GPU 卡时。