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。
作者 Janardhan Reddy Chejarla 介绍了一种分布式 Spring Batch 分区方案：通常这类任务需要一个持久共享的作业仓库数据库，同时往往还要靠消息代理来协调各节点。这篇文章把那个数据库直接当作唯一的协调中心，不再使用消息代理。做法是根据当前在线节点数分配工作量，每个作业临时选出一个主节点而没有常驻协调者，用比较并设置的方式认领任务以避免重复执行，并用两阶段心跳实现故障转移。文章也说明了在什么情况下仍然应该使用消息代理。
InfoQ 正在推出一组由行业专家撰写的系列文章，提出把“智能体 AI 架构”当作一种新的软件架构来看待。过去大家谈 AI 应用，多是把模型当成一个功能嵌进系统里；这组文章想说明，当 AI 智能体能自己规划、调用工具、协作完成任务时，系统该怎么设计、有哪些要素和最新做法。文章认为这类架构可能在未来几年成为行业主流。读者可以借此了解一个新架构方向的全貌和趋势，但原文没有给出具体文章篇目、发布时间和落地案例，这些信息暂未说明。
提供的材料未提及具体可用工具。
Netflix 为跑在 Amazon EMR 上的 Apache Spark 任务做了一套“工作负载证明”机制。打个比方：过去托管计算任务要访问内部服务，得把内部凭证直接塞给任务，凭证容易泄露、也难管理。现在的做法是先确认这个任务的 AWS IAM 身份，再核对 Netflix 控制面签发的声明，两者都通过后，才发一张有效时间很短的内部 X.509 证书，任务用它去访问内部服务。这样托管计算任务不必直接携带凭证，就能安全地完成内部认证，凭证暴露的风险和分发负担都小了。这套机制目前应用在 Netflix 的 Spark/EMR 场景，其他场景是否适用文中未说明。
证书机构 eMudhra 的八张中间 CA 证书私钥被泄露了，这意味着攻击者可以伪造任意网站的证书，冒充网站身份。问题不是来自已知的黑客入侵，而是这些密钥本身的随机性太差（熵太低），容易被猜出来。浏览器通过吊销列表挡住了这些证书，但其他软件需要直接移除 emSign ECC G3 根证书才行；没有打补丁的系统仍然可能被伪造证书欺骗，包括客户端认证和 mTLS 场景。
提供的材料未提及具体可用工具。
开源项目 TornadoVM 发布了 7.0 版本，它是一个帮 Java 程序跑得更快的工具。以往 Java 代码想用 GPU 加速，往往要写复杂的底层代码；TornadoVM 会自动把 Java 程序分配到多核 CPU 和 GPU 上执行，并提供一套在 Java 里开发 GPU 程序的生态。它能配合 Temurin、Red Hat OpenJDK、Corretto、Oracle、GraalVM、Zulu 等主流 JDK 使用。对用 Java 做高性能计算的开发者来说，这有望在不换语言的情况下获得 GPU 加速；目前原文只提到版本已发布，具体性能提升和限制未说明。
Datadog 的两位作者写了这篇技术文章，讲怎么用真实用户监控（RUM）和合成监控两种数据来定义 SLO 的指标（SLI）。原来很多团队只用后端性能指标，难以反映用户真实体验；而如果单用 RUM，机器人流量和浏览器配置差异会带来噪声，单用合成测试又不够细。文章建议：合成 SLI 适合长期稳定地监测关键用户流程，RUM SLI 适合精确统计真实用户的关键操作，并按目标变化、监控盲区、低流量误报等情况给出了选用建议。文中提到过去一年客户自建合成 SLO 数量增长了 273%。读者可据此判断何时切换数据源，但没有给出具体落地步骤和产品开放状态。
提供的材料未提及具体可用工具。
Datadog 内部建了一个叫 Turnstile 的系统。原来他们的镜像签名只能证明镜像签名后没被改过，但挡不住更早环节出问题，比如代码合入时被塞进恶意改动、依赖被投毒、构建环境被入侵，这些镜像照样能带着有效签名上线。Turnstile 在软件从代码到镜像的每一步都生成加密签名的“证明”，记录是谁、在什么环境、经过什么审核，部署前再按环境策略检查这些证明，比如生产环境要求更严。这样安全团队能提前拦截不合格镜像，也不用对开发流程造成太多打扰。目前它是 Datadog 内部系统，文章没有说明是否对外开源或商用。
这篇文章讨论的是：许多团队用 Claude Code、Cursor、Copilot 等 AI 编程工具写更多代码后，反而让软件失去了价值。作者用希腊神话中迈达斯点石成金的故事作类比：当人人都能用同样的 AI 工具生成代码时，单纯把用户需求翻译成代码就不再值钱。文章建议团队不要只做“功能工厂”，而要深入理解用户的工作和难题，提供用户自己想不到的方案；文中还提到 McKinsey 2026 年研究显示，94% 的企业大额 AI 投入并未带来收益增长。文章主要是观点论述，没有给出具体产品或操作方法，也没有说明作者身份。
连续创业者 Hiten Shah 和 Sam Asante 做了一个叫 Beam 的新 Mac 应用。原来很多人把 Mac Mini 放在角落或机柜里跑 AI 智能体，想操作它只能开屏幕共享、进一个完整的远程桌面，很麻烦。Beam 的做法是把对面 Mac 上的单个窗口搬到你的 Mac 上，终端或浏览器窗口都行，它有自己的程序坞图标，能切换、能拖文件、声音也在本地播放，应用本身不离开原机器；两台 Mac 需为苹果芯片、macOS Sonoma 或更高版本，并都装 Beam，同一 Wi-Fi 或通过 Tailscale 互相发现。托管 Mac 和加入分享链接免费，使用自己的 Mac 每天免费 20 分钟，之后每月 12 美元或买断 199 美元；iOS 和 Android 原生应用官方称在开发中。
DeepSeek 把自己在线上服务模型时使用的推理引擎开源了，取名 DeepInfer，采用 Apache 2.0 许可。此前它曾表示这套软件与自家集群管理工具等内部设施绑得太紧，公开部署需要大改，并不实际。现在开放的版本能让开发者在自己的机器上运行 DeepSeek-V4.1-Flash，包含投机解码、异步调度、结构化输出等优化，但缺少 KV 缓存管理、跨机分工和副本负载均衡等组件，只覆盖离线推理，完整生产服务仍需自行补齐外围设施。配套的 deepseek-recipe 库（Rust 和 Python 版）帮助复现官方 API 的输入输出处理。硬件上首批支持英伟达 SM100（Blackwell 数据中心 GPU）和华为昇腾 950 NPU，较旧的 Hopper 架构未列入。DeepSeek 未说明如何解决去年提到的维护与部署难题。
Faros AI 的新报告显示，未经人工审查就被合并的拉取请求增加了 76.3%，很多公司已有 50% 到 80% 的 PR 交给 AI 审查。问题是，AI 只擅长逐行找 bug，却看不到“为什么这么改”这类关键决策，团队也因此失去了讨论系统设计的机会。作者提出一套五层做法：让另一个 AI 代理先挑刺、把改动意图和验收标准记录下来、把反复出现的评审意见变成固定规则，最后由人讨论 AI 无法拍板的取舍，并由具体团队签字负责。核心原则是“代理负责核实，人负责决定”，这样工程师不必逐行读代码，也能说清改动的来龙去脉。这套框架基于作者在 Aviator 正在构建的工具，属于方法和演示，并非已普遍落地的成品。
很多团队现在直接用 AI 写代码，Anthropic 的工程师产出的代码量达到原来的八倍，有人每月提交数千个 PR。但麻烦在于：代码写得快了，测试仍然要靠人写，得决定测哪些流程、写脚本、流程一变还要改，瓶颈从写代码挪到了测试环节。Datadog 今年收购了 Propolis，把“由智能体写的测试”加进自家平台：智能体自己去探索应用、走用户流程，再根据自然语言的要求生成测试，并结合 Datadog 的日志和链路追踪来检查性能，避免硬编码测试容易失效的问题。对团队来说，这有望缩短开发周期；不过目前只是文章介绍的方案，具体能否用、怎么用还要看 11 月 4 日的线上活动。
ElevenLabs 推出了 Eleven Realtime，提供 Mini 和 Max 两个托管语音智能体模型，把语音识别、推理、轮流对话和语音生成打包在一起，开发者不用自己搭这套流程。代价是底层模型和调度都由 ElevenLabs 管，开发者没法单独挑选、调整或替换这些部件，出问题时排查和优化也更难。不过提示词、音色、工具、知识库和打断设置仍可通过 ElevenAgents 配置；想要自己选底层模型则可以用 Custom 模式。外部测试显示，Max 在语音推理和工具调用上明显强于 Mini（如 Big Bench Audio 98.8% 对 75.9%），但 Mini 是默认选项、延迟略高一点（首段音频 620 毫秒对 570 毫秒），且不支持零保留模式和 HIPAA 配置。想从 OpenAI Realtime API 迁移的团队，用的是同一套 WebSocket 协议和 SDK，但 WebRTC 应用需要先换传输方式并自己处理音频采集与播放。两款模型都按 ElevenAgents 每分钟费率加 token 计费，生产环境表现和故障诊断信息是否够用，原文没有给出答案。
Nebius 应用 AI 高级副总裁 Ryan Hanrui Wang 接受 The New Stack 采访，指出公开基准只能说明开放模型在理想条件下的最好表现，无法保证生产环境里反复执行任务时的准确率。他建议工程师把行业基准与企业内部基准、智能体工作流轨迹结合起来衡量，并关注整个推理栈：缓存命中率、批处理、量化、内核优化、吞吐与交互性的平衡，以及 P95/P99 尾延迟。对成本敏感的场景可先评估 Kimi、DeepSeek 及“flash”类较轻模型；对精度要求高的场景则筛选两三个大模型后做微调。他还举例说，Nebius 用 6000 条轨迹微调一个小模型，准确率提升 11%，工具调用减少 22%。目前这些是 Nebius 与客户合作中的实践和主张，文章未说明具体产品版本或公开可用状态。
Cloudflare 正在主导推进 TypeScript 编译器的 Rust 移植版 tsrs，这个项目最初由 Owner.com 发起。原因是微软用 Go 重写的 TypeScript 7.0 在检查大型项目时仍然很吃资源：在 Owner.com 一个 3.7 万文件的后端上，单线程检查就要占用 19 GiB 内存、耗时 80 秒，严重限制了能同时工作的 AI 编程智能体数量。tsrs 声称比 TypeScript 7.0 快约 8 倍、内存占用少 70%，而且微软 TypeScript 团队已共享优化，7.1 测试版本身也快了约 2.5 倍。Cloudflare 强调这不是分叉，语言方向仍归微软；Rust 版更方便编译到 WebAssembly，适合在 Workers 沙箱里运行。目前尚不清楚 tsrs 何时公开发布或开放使用。
Respan 过去两年在 LiteLLM 之上写了十多万行包装代码，结果 2026 年 1 月一次常规升级后出现间歇性连接失败，回滚也没查出原因，只好停止直接升级、逐个挑上游修复。它干脆用 Rust 重写了一个开源 AI 网关：核心很小，模型供应商、路由、MCP 工具、实时语音和安全控制都做成插件，插件按注册顺序依次处理请求，还能在 OpenAI 与 Gemini 等不同协议间转换。代价是自定义插件要编译进网关、需自己维护构建，且插件在网关进程内运行、顺序配错可能让缓存绕过安全检查。目前是 pre-alpha，可从 GitHub 下载预编译程序直接跑，付费平台不是必需。
Harness 这家工程公司发现，AI 工具费用涨得飞快，但没人看得清钱花在谁身上、花在哪个模型上。他们用自家的 Harness Cloud Management Agent 把各家 AI 服务商的用量和费用汇总到一处，按开发者、供应商、模型、token 类型拆分展示，还引入「每百万 token 成本」这个效率指标，让开发者能看到自己用得贵不贵。接着他们给每位开发者设了每周预算：用到 90% 先提醒，超过 100% 才停用，而且可以自助申请加预算、按金额分级审批，不用提工单。2026 年 7 月中旬上线后，每百万 token 成本从约 1.80 美元明显下降，总支出也先降后小幅回升；作者认为这说明开发者不是少用了 AI，而是不再拿高价模型干便宜模型的活。以上是该公司自述的效果，文中未给出具体降幅百分比，也未附第三方验证。
Harness 发布了一款叫 VegaLoad 的免费开源负载测试工具，采用 Apache 2.0 许可证，由其韧性测试团队开发。以前做负载测试往往要另外找工具、把脚本放在别的仓库，还得提工单排队等运行，很多服务没做压测就上线了。VegaLoad 把压测脚本变成一个放在代码旁边的小文件，AI 编程助手可以直接写测试、运行测试，返回通过或失败结果和一份 HTML 报告，测试在本机跑，还能设延迟和错误率上限拦截合并或发布。对开发者来说，压测能在几分钟内试起来，代码可读可改；不过若需要多机集群压测或跨团队历史记录，则要另用 Harness 的商业产品。
Harness 在它的成本管理 Agent 里新增了“AI 预算”功能，把写在纸面上的 AI 花钱规则变成实时能看见的限额。以前很多公司虽然定了 AI 费用政策，却没法知道有没有被执行，往往要等到下个月账单出来才发现超支。现在可以按团队、开发者、模型或项目设预算，每周重置，用到 90% 时提醒，超过 100% 就暂停使用，直到下周重置或有人批准加钱，加预算也能在系统里自助申请。这样超支几天内就能被发现，也方便留出审计记录。目前是早期开放阶段，文中未说明具体收费和全面上线时间。
GitHub 博客采访了三位有十多年 Java 经验的 Java Champion，分享他们在真实项目和开源工作中使用 GitHub Copilot 的经历。共同点是：AI 能大幅加快写代码和做原型的速度，但开发者仍要提供上下文、审查生成的计划和代码，并对最终交付负责。例如 Vlad Mihalcea 原本预计要花几周开发的功能，借助 Copilot 两天就完成了；他还用自己 65 篇文章训练出模仿个人文风的技能，让生成的文档更像自己写的。Patrick Baumgartner 则用 Copilot 完成了约 900 张教学幻灯片从 Reveal.js 到 Marp 的迁移，并靠截图对比等方式逐项验证结果。这些经验目前属于个人实践分享，文章没有说明具体产品版本或开放范围。