weflowly
本站致力于IT相关技术的分享
基于 gRPC-Go 与 Paxos 构建分布式 Emotion 原子化 CSS 编译服务 基于 gRPC-Go 与 Paxos 构建分布式 Emotion 原子化 CSS 编译服务
在大型微前端架构中，当数十个团队并行开发并部署组件时，确保构建产物的一致性成为一个棘手的挑战。我们遇到的一个具体问题源于 CSS-in-JS 库 Emotion。Emotion 在构建时会为样式生成原子化的、独一无二的类名，但在一个分布式的
2023-10-27 分布式系统
Emotion Paxos 算法 gRPC-Go 分布式一致性 内部开发者平台
为 LangChain 应用构建基于 Firestore 与 InfluxDB 的双核可观测性系统 为 LangChain 应用构建基于 Firestore 与 InfluxDB 的双核可观测性系统
任何运行在生产环境的 LangChain 应用，尤其是涉及 Agent 或复杂 Chain 的系统，很快就会变成一个难以理解的黑盒。当用户抱怨响应缓慢时，瓶颈是 LLM 调用、工具执行还是数据解析？当运营部门质询成本时，哪个用户的哪类请求消
2023-10-27 可观测性
UnoCSS LangChain 可观测性 Firestore InfluxDB
在 Vercel Functions 中利用 Babel 动态转译实现一个轻量级 GraphQL Feature Store 在 Vercel Functions 中利用 Babel 动态转译实现一个轻量级 GraphQL Feature Store
团队最近的一个项目需要在边缘节点上进行实时用户意图预测，这是一个典型的 ML 应用场景。传统的做法是部署一个独立的、通常是基于 Python 的模型服务，并连接到一个中心化的 Feature Store。但在我们这个场景下，整个业务栈是构建
2023-10-27 后端架构
Babel Vercel Functions GraphQL Feature Store
为Elixir与Angular混合型Monorepo构建增量式Jenkins CI/CD流水线 为Elixir与Angular混合型Monorepo构建增量式Jenkins CI/CD流水线
我们的项目迁移到 Monorepo 架构后面临的第一个、也是最尖锐的痛点，就是 CI/CD 流水线的执行效率。最初的 Jenkinsfile 简单粗暴，任何一次提交，无论改动的是 Elixir 后端的某个 Phoenix Context，还
2023-10-27 DevOps
Elixir Jenkins Angular Apollo Client CI/CD Monorepo
构建基于 Serverless 与 Python 的可观测数据仓库ETL管道：SkyWalking 与 OpenTelemetry 集成实践 构建基于 Serverless 与 Python 的可观测数据仓库ETL管道：SkyWalking 与 OpenTelemetry 集成实践
数据仓库里的一条脏数据，反向追溯其ETL链路花了我们整整两天。问题出在一个由多个AWS Lambda函数组成的Serverless数据管道上，每个函数处理一个阶段：验证、扩充、加载。当数据量达到每日千万级别时，通过CloudWatch Lo
2023-10-27 可观测性
Python Data Warehouse SkyWalking Serverless OpenTelemetry
基于Tornado与LevelDB构建低延迟推荐系统实时特征节点及Loki可观测性实践 基于Tornado与LevelDB构建低延迟推荐系统实时特征节点及Loki可观测性实践
推荐服务对P99响应延迟的要求被压缩到了20ms以内，但链路分析显示，对远程集中式缓存（如Redis Cluster）的单次用户特征拉取，网络开销加上服务端处理，平均耗时就在5-10ms之间，高峰期网络抖动更是直接冲击服务SLA。这种架构下
2023-10-27 后端架构
LevelDB Tornado 推荐系统 Loki 实时特征存储
2 / 5