内容归档
按栏目浏览往期内容，用关键词、分类和日期找到需要的信息。
Matthew Liste 总结了他 20 多年做关键任务基础设施的经验，提出构建可扩展、可靠平台的 12 条核心原则。这些原则针对企业技术团队常见的问题：技术债越积越多、旧功能下线难、工程文化薄弱。他讲的是怎么设计基础设施平台，让系统更简单、开发流程更顺，并且能长期产生价值。对资深架构师和工程负责人来说，这是一份经验性的设计参考。
提供的材料未提及具体可用工具。
InfoQ 上的一篇文章预告了 QCon London 2027 的会议安排。这次大会一共设了 15 个专题方向，内容从 AI 智能体的评估与防护，到 AI 时代的软件架构、分布式系统调试、现代数据平台、高性能工程，以及 Staff+ 级别的技术领导力。文章由 Artenisa Chatziou 撰写。不过目前只是预告，具体有哪些演讲、嘉宾是谁、议程时间等细节都还没公布，门票和举办日期等信息也未提及。
提供的材料未提及具体可用工具。
Cloudflare 公开并修复了其 Containers 和 Sandboxes 服务里的一个安全漏洞。简单说，这些服务用来跑隔离的代码环境，底层存储空间为了省事，重复利用旧数据块时没有先擦干净。结果研究人员在四大洲都从这些环境里翻出了别人残留的目录结构、数据库页，甚至完整的 SQLite 数据库。Cloudflare 已经修好了，并表示没有发现有人利用过这个漏洞。对普通用户来说，如果你用的是这些服务，目前无需额外操作，但这件事提醒大家：云上隔离靠的不只是逻辑分区，物理存储的清理也必须到位。
Elastic 的 Susan Chang 讲述了他们公司如何把 AI 智能体（agent）的测试评估从零散、各自为政的做法，改造成一套统一、可用于生产环境的评估框架。原来的问题是：不同团队各测各的，方法随意，出了问题难以及时发现。她的解决思路包括：把“让大模型当裁判”和“写死规则判断”两种评估方式结合起来；把数据科学家常用的 Python 评估代码和生产环境用的 TypeScript 代码打通；再配合深度追踪，在复杂的 RAG（检索增强生成）和安全场景中抓出性能退步，同时不丢失业务上下文。对读者的用处是：如果你的团队也在做 AI 智能体产品，这套经验能帮你建立更靠谱、更可复用的评估流程。
提供的材料未提及具体可用工具。
Akka 公司拿 65 个开源项目做了一次实验，想看用 AI 帮忙把软件从一个平台搬到另一个平台时，需求写得清不清楚、给 AI 看多少背景资料、选哪个模型、有没有自动检查，这些因素到底影响多大。实验记录了花的时间、消耗的 token、代码量、测试通过情况以及运行性能，结果发现不同模型、不同投入程度、不同类型的项目之间差别很大。目前只是实验结果，还没有看到可直接使用的工具或产品。
提供的材料未提及具体可用工具。
InfoQ 作者 Michael Redlich 发布了 2026 年 9 月 28 日这一周的 Java 社区新闻汇总。本周内容包括：任务调度库 JobRunr 9.0 和快速开发框架 OpenXava 8.0 正式版（GA）发布；Quarkus、Micronaut、LangChain4j、Eclipse JNoSQL 等则推出了小版本更新；此外还有面向 Java 和 Kotlin 的 ADK 工具，以及一个全新的 Java 语言服务器 Lathe 首次亮相。汇总材料只给出了这些名称和发布/更新状态，并未说明具体功能变化、性能改进或使用方式，因此无法进一步介绍各项更新的细节。
开源安全领域一直有个惯例：发现漏洞后先保密一段时间，等补丁做好再公开，防止被人利用。但作者 Anil Madhavapeddy 指出，现在 AI agent 能大幅缩短这个过程——它们可以根据公开的蛛丝马迹自动拼出可用的攻击代码，让“保密期”形同虚设。因此开源项目必须加快打补丁和发版的速度，因为从漏洞公开到被利用的窗口正在迅速缩小。对普通用户来说，这意味着开源软件的安全更新会来得更快，但漏洞被利用的风险也更紧迫。
提供的材料未提及具体可用工具。
Istio 是一个管理服务之间通信的开源工具。在 1.31 版本中，它新增了 agentgateway waypoints 功能，让 ambient 模式下的流量管理更灵活，1.31.1 又修了一个金丝雀发布的配置问题。同时，官方不再把镜像和 Helm 图表发布到 Google Cloud，用户需要迁移到新的仓库。如果你在用 Istio 并校验镜像签名，还要提前更新签名密钥，因为 10 月 13 日会做一次停服测试。
DoorDash 的两位工程师 Swaroop Chitlur 和 Sidd Kodwani 分享了公司内部搭建生成式 AI 平台的过程。最初他们主要依赖外部厂商的模型，后来逐步转向开源权重模型，并搭建了统一的 LLM 和 Agent 网关来管理调用。平台要同时兼顾准确度、响应速度和成本，目前服务超过 5000 名内部用户。对读者来说，这是一个大型公司如何把生成式 AI 落地到内部、并控制成本和性能的真实案例。
提供的材料未提及具体可用工具。
DigitalOcean 最近上线了 DigitalOcean Managed Agents，目前处于公开预览阶段。过去要让 AI 智能体在云端跑起来，往往得自己搭服务器、管权限、配推理环境，比较麻烦；这次它把这些打包成托管服务，用隔离的微虚拟机运行智能体，对工具访问做统一管控，并提供免运维的 AI 推理。对开发者来说，可以少操心底层设施，把精力放在智能体本身的功能上。
作者 Daniel Curtis 提出，AI 代码生成正在改变前端组件复用的经济账。过去团队要花钱维护一套共享的 UI 组件包，现在只要把设计系统、设计令牌、规范和测试准备好，让模型按需生成标准界面即可，维护整套组件库的必要性因此下降。他的建议是别丢掉设计系统和测试这些真正保证一致性的核心，而是把组件从“预先做好反复用”转向“按需再生成”。文章只是观点文章，没有给出具体工具、数据或落地案例。
提供的材料未提及具体可用工具。
InfoQ 的编辑 Artenisa Chatziou 发布消息：QCon 旧金山 2026 大会将邀请 Airbnb、OpenAI、Netflix、Honeycomb 等公司的工程实践者，分享他们如何在 AI 智能体承担越来越多工作的情况下，构建、运维和演进自己的生产系统。目前这只是一则预告，具体议题、日程和举办时间等细节原文未说明，因此还无法确认哪些内容会公开或开放观看。对读者来说，这提供了一个了解大公司真实工程经验的机会，但暂时没有可以直接上手使用的工具或方案。
提供的材料未提及具体可用工具。
Ian Cooper 做了一场演讲，讲的是当系统靠“消息”互相通知、而且规模很大时，怎么管好这些异步接口。他把消息机制拆成三个基础点：地址（消息往哪送）、绑定（用什么方式送）、契约（消息长什么样）。原来的问题是消息散落各处、难以发现和统一管理；他介绍用 AsyncAPI、CloudEvents、schema 注册表，加上自动化 CI/CD 流水线来解决发现、治理和开通的问题。这些做法来自 Just Eat Takeaway 的真实工程实践，对需要维护事件驱动系统的团队有参考价值。
Uber 的工程团队重新搭建了外卖应用 Uber Eats 的搜索流程，并报告称用户从下单搜索到看到结果的整体等待时间减少了一半。此前搜索链路较长、各环节串行执行，加上广告数据与检索逻辑交织，导致响应偏慢。这次他们改进了衡量首屏展示的方法、精简了检索环节、让多个数据获取步骤并行执行，还重新设计了广告数据并优化了底层基础设施，同时借助智能体编程流程辅助开发。对普通用户来说，这意味着在 Uber Eats 里搜餐、加载结果会更快。团队表示还在探索微批处理、基于商品的检索和 HTTP multipart 流式传输，但这些尚未开放，处于探索阶段。
提供的材料未提及具体可用工具。