中间件

消息中心作为业务运营推广的基石，发挥着重要作用。使用消息队列Kafka即可构造建设一个高性能、高稳定性、可扩展的消息中心，完美契合骑士卡高速发展过程中遇到的需求。

分布式事务解决方案，中间件 Seata 的设计原理详解

对于开发者而言，提高工作效率大概有 2 种主要方式，第一种方式就是加快自己的工作速度，争取在同一段时间内多码一些代码、多干一些活来实现多产；而聪明的开发者会选择第二种方式，就是通过插件，让一些重复性的、繁琐性的工作被自动化，从而节省出时间来做一些实质性的业务，达到轻松又高效的工作步调。

本文是《如何做好性能压测》系列专题分享的第四期，该专题将从性能压测的设计、实现、执行、监控、问题定位和分析、应用场景等多个纬度对性能压测的全过程进行拆解，以帮助大家构建完整的性能压测的理论体系，并提供有例可依的实战。

Nacos 是阿里巴巴开源的配置中心和服务发现产品，开源距今已经超过一年的时间。本次1.1.0的发布，带来了许多重量级的特性更新，包括灰度配置等社区呼声很高的特性，下面会介绍1.1.0版本发布的新特性和每个特性的使用方式。

本文主要基于 spring cloud + spring jpa + spring cloud alibaba fescar + mysql + seata 的结构，搭建一个分布式系统的 demo，通过 seata 的 debug 日志和源代码，从 client 端（RM、TM）的角度分析其工作流程及原理。

一、前言 消息队列中间件（简称消息中间件）是指利用高效可靠的消息传递机制进行与平台无关的数据交流，并基于数据通信来进行分布式系统的集成。通过提供消息传递和消息排队模型，它可以在分布式环境下提供应用解耦、弹性伸缩、冗余存储、流量削峰、异步通信、数据同步等等功能，其作为分布式系统架构中的一个重要组件，有着举足轻重的地位。

客户投诉不断，本地却无法重现？ 页面加载较慢是用户经常会反馈的问题，也是前端非常关注的问题之一。但定位、排查解决这类问题就通常会花费非常多的时间，主要原因如下： 页面是在用户端的浏览器上加载执行，复现困难 页面上线前，开发同学都会进行测试，在测试环境下页面加载一般都是正常的才会正式上线。

中间件是一种处于操作系统（底层）和应用之间的软件或者组件，起到让应用在操作系统上可以正常运行的作用，向apache,iis,sqlserver等。

这其实是一个比较虚的概念。广义的中间件范围很广。起沟通作用的都可以认为是中间件。甚至ODBC这样的东西你也可以认为是中间件。 而阿里云的中间件就比较多了

Spring Cloud 和 Spring Boot 可以说是当前最流行的微服务开发框架了，在本文中，将向读者介绍如何在 在 Intellij IDEA 中部署 Spring Boot / Spring Cloud 应用到阿里云。

不久前，阿里宣布将开源RocketMQ 捐赠给 Apache 基金会，成为 Apache 孵化项目。想深入了解RocketMQ特性？想知道捐赠背后那些鲜为人知的故事？想看看业界主流MQ的性能对比？想知道商用版和开源版如何协同？云栖社区特别专题带你一睹详情。

继《如何设计开发一个可用的web容器》之后又一如何系列文章，《如何设计一个数据库中间件》 ==========广告时间========== 鄙人的新书《Tomcat内核设计剖析》已经在京东预售了，有需要的朋友可以到 https://item.jd.com/12185360.html 进行预定。

未来，让每一个想用 AI 的企业，都能稳稳地迈出第一步。

阿里云可观测 2025 年 11 月产品动态。

在现代 AI 应用中，多智能体（Multi-Agent）系统已成为解决复杂问题的关键架构。然而，随着智能体数量增多和任务复杂度提升，传统的同步通信模式逐渐暴露出级联阻塞、资源利用率低和可扩展性差等瓶颈。为应对这些挑战，RocketMQ for AI 提供了面向 AI 场景的异步通信解决方案，通过事件驱动架构实现智能体间的高效协作。本文将探讨和演示如何利用 RocketMQ 构建一个高效、可靠且可扩展的多智能体系统，以解决企业级 AI 应用中的核心通信难题。

一次权限变更，引发全球边缘网络瘫痪4小时，数百万网站返回 5XX，连状态页也宕机。故障源于“正常的变更”，暴露了企业对服务商的盲目信任。当内部监控失效，唯有云拨测能从真实用户视角，独立验证“服务是否可用”。

作为数据处理领域的经典模式，ETL（Extract-Transform-Load）通过提取、转换、加载三个步骤，高效地处理着各类结构化数据。然而，面对 AI 时代海量、异构、实时的“数据洪流”，传统 ETL 链路，尤其是其核心的转换（Transform）环节，正面临严峻挑战。本文将从一个初级开发者也能理解和上手的视角，探讨 AI 时代的数据处理新范式：如何利用基于 Transformer 架构的大语言模型（LLM）重塑传统数据处理中的转换（Transform）环节，并结合事件驱动架构（Event-Driven Architecture, EDA），为 AI 数据处理链路“注入实时智能”。

魔方文娱携手阿里云构建全栈可观测体系，实现故障发现效率提升 80%、运维成本下降 40%，并融合 AI 驱动异常检测，迈向智能运维新阶段。

本文将通过一个具体案例，演示如何基于 MCP Python SDK 开发一个标准的 MCP Server，并将其部署至函数计算。在不修改任何业务代码的前提下，通过控制台简单配置，即可实现该服务自动注册至 MSE Nacos 企业版，并支持后续的动态更新与统一管理。

SLS 全新推出的「软删除」功能，以接近索引查询的性能，解决了数据应急删除与脏数据治理的痛点。2 分钟掌握这一数据管理神器。

从架构演进、网关优化到可观测体系构建等，UU 跑腿的云原生化，让 80% 的微服务轻松上云，还做到了 1 分钟弹性伸缩，实现了 80% 的运维成本降低。

自建开源 RocketMQ 集群，为保证业务稳定性，往往需要按照业务请求的峰值去配置集群资源。云消息队列 RocketMQ 版 Serverless 实例通过资源快速伸缩，实现资源使用量与实际业务负载贴近，并按实际使用量计费，有效降低企业的运维压力和使用成本。

【10月更文挑战第15天】开发者如何使用云消息队列 Kafka 版

想必不少程序员都有类似的经历：辛苦敲完项目代码，内心满是对作品品质的自信，然而当静态扫描工具登场时，却揭示出诸多隐藏的警告问题。为了让自己的编程之路更加顺畅，也为了持续精进技艺，我想借此机会汇总分享那些常被我们无意间忽视却又导致警告的编程小细节，以此作为对未来的自我警示和提升。

本文整理自2024年云栖大会阿里云智能集团高级技术专家金吉祥的演讲《ApsaraMQ Serverless 能力再升级，事件驱动架构赋能 AI 应用》。

为了更好的进行 Go 应用微服务治理，提高研发效率和系统稳定性，本文将介绍 MSE 微服务治理方案，无需修改业务代码，实现治理能力。

凡是过往，皆为序章；iLogtail 社区，是我们共同编织的果实。所有将来，皆为可盼；LoongCollector，是我们共筑的未来。

云原生开源开发者沙龙 AI 原生应用架构专场，邀您一起交流，探索 AI 原生应用的工程化落地！

英文技术内容翻译难于理解，如何跨语言学习？通义千问结合 Higress 的多模型协议转换能力，可以通过配置插件获得推理模型基于内容理解后的精准翻译，点击本文手把手教你如何配置。

本文主要介绍ARMS 错/慢 Trace 分析功能基本原理； 该功能能够覆盖哪些异常 Trace 根因； 最后会介绍一些最佳实践案例。