为增强对 Python 应用，特别是 Python LLM 应用的可观测性，阿里云推出了 Python 探针，旨在解决 LLM 应用落地难、难落地等问题。助力企业落地 LLM。本文将从阿里云 Python 探针的接入步骤、产品能力、兼容性等方面展开介绍。并提供一个简单的 LLM 应用例子，方便测试。
本文将演示如何使用事件总线（EventBridge），向量检索服务（DashVector），函数计算（FunctionCompute）结合灵积模型服务[1]上的 Embedding API[2]，来从 0 到 1 构建基于文本索引的构建+向量检索基础上的语义搜索能力。具体来说，我们将基于 OSS 文本文档动态插入数据，进行实时的文本语义搜索，查询最相似的相关内容。
上一篇文章《你知道Java类是如何被加载的吗？》分析了HotSpot是如何加载Java类的，本文再来分析下Hotspot又是如何解析、创建和链接类方法的。
本文介绍了Serverless的发展历程及SAE（Serverless Application Engine）产品。首先，回顾了云计算从物理机、虚拟机到容器化再到Serverless的演进过程，并解释了Serverless的核心特点：无需管理底层资源、自动弹性伸缩、聚焦业务价值。接着，详细介绍了SAE的功能与优势，包括简化部署流程、支持多种弹性策略和提供丰富的运维工具。SAE的收费模式主要基于CPU和内存使用量，辅以请求数和流量计费，用户可以选择按量付费或预付费资源包。最后，通过极氪汽车、南瓜电影、视野数科和SKG等实际案例，展示了SAE在不同行业的应用效果。
文章探讨了为什么大规模集群中的可观测性服务会产生大量API请求、API服务器为何对DNS解析至关重要以及故障恢复过程为何缓慢的原因。
将 Qwen2.5 模型部署于函数计算 FC，用户能依据业务需求调整资源配置，有效应对高并发场景，并通过优化资源配置，如调整实例规格、多 GPU 部署和模型量化来提升推理速度。此外，函数计算支持多样化 GPU 计费模式（按需计费、阶梯定价、极速模式），可根据业务需求调整，在面对高频请求和大规模数据处理时，能够显著降低综合成本。