铃阅时讯
❌

普通视图

一条命令让CDN视频带宽成本降低90%!!!

2026年2月5日 18:30

原创 邹泉安 2026-02-05 18:30 广东

本文主要探究在 HTTP 场景下 MP4 视频频繁产生多次 Range 请求的原因,并分析其对带宽和播放性能的影响。

  • 1 背景

  • 2 现象定位

    • 2.1 问题流量定位

    • 2.2 流量使用验证

  • 3 问题探究

    • 3.1 MP4 文件结构

    • 3.2 浏览器播放流程

    • 3.3 源码分析

    • 3.4 测试验证

  • 4 分析原因

    • 4.1 为什么一开始会出现3个206请求?

    • 4.2 为什么会发起多个206请求,且Range范围来回跳动?

    • 4.3 为什么使用ffmpeg处理视频后能解决这个问题?

  • 5 总结

  • 6 参考

1 背景

一个春暖花开的午后,发生了一个诡异的现象:

IT同学:哪个域名流量这么大,太占用公司办公网资源了!
某业务:想问下这个问题需要怎么解决呢,我们已经遇到好几例了,上次有个店员一天消耗了60G,这个店员130G 
我:收到CDN带宽告警,🤔哪个cdn域名用了这么多带宽啊!

2 现象定位

2.1 问题流量定位

通过CDN流量分析,定位到top流量消耗都是几个MP4视频。 点击流量最高的视频链接分析了下,是一个大小1G,视频时长约30分钟的MP4视频

于是找业务同学确认:

我:这个视频是做什么用的啊?
业务同学:这是一个学习培训视频,推送给了2500人学习观看。
我:嗯?不对啊,CDN监控显示花费流量120TB,如果2500人完播看完一个视频,正常应该是 2500x1g =2.5TB,这多出的50倍流量怎么来的?

2.2 流量使用验证

我通过谷歌浏览器访问了业务上传的另一个视频(视频大小500M时长40分钟),观看视频并开启F12分析下流量使用

完播居然花了8G,发送了3700个206请求!!!!

现象:

  • 开始播放后,会出现3个206请求。

  • 第三个请求发完后,浏览器随时间发起多个206请求

  • 请求来来回回Range

我:这不行啊,我赶紧ai、百度、google各种搜索
发现通过命令ffmpeg处理视频可以解决这个问题
ffmpeg -i bad.mp4 -c copy -movflags faststart good.mp4
  • 将新视频上传,f12分析视频

  • 206请求只有一个了

  • 且多206请求现象消失

  • 完播视频流量消耗=原视频大小

ffmpeg能解决该问题,但长视频还是将其转为流媒体格式,推动业务改进后流量监控如下图

3 问题探究

四个问题

  • 为什么一开始会出现3个206请求?

  • 3个206请求后,为什么会发起多个206请求?

  • 为什么请求头Range会来回跳跃?

  • 为什么使用ffmpeg处理视频后能解决这个问题?

要分析该奇异现象发生原因就得知道整个播放流程是怎么运作的。

3.1 MP4 文件结构

MP4 文件由多个 Box(盒子)组成,主要包括:

MP4 文件结构:
┌─────────────────────────────────────┐
│ ftyp (文件类型)                      │  ← 文件开头
├─────────────────────────────────────┤
│ mdat
─────────────────────────────────────┤
│ moov (元数据)                        │  ← 可能在开头或结尾
│  ├─ mvhd (文件头信息)                │
│  ├─ trak (视频轨道)                  │
│  │   ├─ stco (Chunk偏移表)          │  ← 记录数据位置
│  │   ├─ stsz (样本大小表)            │  ← 记录每帧大小
│  │   └─ stsc (样本到Chunk映射)       │  ← 记录帧的分布
│  └─ trak (音频轨道)                  │
│      ├─ stco (Chunk偏移表)          │
│      ├─ stsz (样本大小表)            │
│      └─ stsc (样本到Chunk映射)    │
└─────────────────────────────────────┘

关键点:

  • moov box 包含了所有的索引信息(类似目录)

  • mdat box 包含了实际的音视频数据

  • 播放器必须先读取 moov 才能知道数据在哪里

3.2 浏览器播放流程

从Media信息得知Chrome 浏览器使用 FFmpegDemuxer 来解析读取 MP4 文件,参考谷歌浏览器源码,播放流程如下:

3.3 源码分析

mov_find_next_sample(这一个函数返回的是下一个样本位置):

static AVIndexEntry *mov_find_next_sample(AVFormatContext *s, AVStream **st)
{
..........
..........
    // 遍历所有流,找到最佳样本
for (i = 0; i < s->nb_streams; i++) {
        AVIndexEntry *current_sample = &index_entries[current_index];
        int64_t dts = current_sample->timestamp;
        // 
if (dtsdiff <= AV_TIME_BASE && current_sample->pos < sample->pos) {
            // DTS 差 ≤ 1 秒,选择位置靠前的(减少 seek)
            sample = current_sample;
        } elseif (dtsdiff > AV_TIME_BASE && dts < best_dts) {
            // DTS 差 > 1 秒,选择 DTS 最小的(保证顺序)
            sample = current_sample;
            ..........
..........
        }
    }
return sample;
}
}

在mov_find_next_sample函数中还有一个开关interleaved_read:

在解复用器层对多个轨道的包进行交错。对于交错不良的文件,这可以防止由于不同轨道之间包的大间隙而引起的播放问题,因为MOV/MP4文件对包的放置没有要求。然而,对于非常交错不良的文件,这可能会导致过多的寻道操作,因为需要在轨道之间寻道,所以禁用此功能可能会防止I/O问题,但代价是可能影响播放。

理想情况下,一个交错良好的 MP4 文件 会将音频和视频数据包按照时间顺序交替排列:

[视频包1] [音频包1] [视频包2] [音频包2] [视频包3] [音频包3] ...

这种交错存储方式的主要优点包括:

  • 减少磁盘访问次数:播放器能连续读取音视频数据,提高读取效率。

  • 降低播放缓冲区需求:播放时能够平滑加载音视频数据。

  • 支持渐进式下载和播放:支持按需下载,提升流媒体性能。

然而,如果音视频数据没有交错,而是集中存储,比如:

[视频包1] [视频包2] [视频包3] ... [音频包1] [音频包2] [音频包3] ...

会带来以下问题:

  • 频繁寻址:播放器需要在视频和音频数据之间跳转,增加磁盘访问次数。

  • 大量 HTTP Range 请求:每次跳转都需要发起新的 HTTP 请求,降低性能。

  • 播放不稳定:频繁请求数据会导致卡顿和延迟,影响用户体验。

3.4 测试验证

由于谷歌浏览器使用的是 FFmpegDemuxer 解码并读取视频信息,其底层依赖于 FFmpeg 代码实现,只是在上层进行了浏览器的缓冲/预读封装。

测试视频:longbad.mp4(该视频存在较差的音视频交错问题)

测试工具:FFmpeg(模拟谷歌浏览器的解码处理过程)

本次测试旨在评估 interleaved_read 参数对视频播放的影响,并借助ffmpeg工具分析视频多206的问题。

交错读取(Interleaved Read):默认情况下,FFmpeg 会将音视频数据交错存储,Interleaved为1;
ffmpeg  -i https://xxxx/longbad.mp4 -ss 60 -t 5.0 -y output.mp4 -loglevel trace 2>&1 | grep "Range"
-i https://...:从远程服务器读取输入文件
-ss 60:从视频的第60秒开始
-t 5.0:截取5秒的片段
-y:覆盖输出文件
output.mp4:输出文件名
通过wc -l统计发现请求了5078次!,看5s的视频请求了5078次。

结合cdn日志和longbad视频的音视频轨道分析

  • Range来回跳动,在60s时刻从5967030跳到46622680

  • 相同时间范围,音频offset和视频offset距离很远

非交错读取(Non-interleaved Read):通过设置 -interleaved_read 0,FFmpeg 会将音频和视频数据分开读取。
ffmpeg -interleaved_read 0 -i https://xxxx/longbad.mp4 -ss 60 -t 5.0 -y output.mp4 -loglevel trace 2>&1 | grep "Range"
通过wc -l统计发现请求了3只请求了三次

4 分析原因

4.1 为什么一开始会出现3个206请求?

原因:moov box 在文件末尾

moov存着视频的索引信息,详细看MP4 文件结构

正常的 MP4 文件播放流程:

读取 ftyp+moov → 在头部直接读mdat ----一个206

但问题视频的 moov 在文件末尾

导致:

1. 读取 ftyp和moov →  不在头部啊去尾部查    -----第一个206
2. 读取尾部moov    →                     -----第二个206
3. 开始播放视频    →                      -----第三个206 

4.2 为什么会发起多个206请求,且Range范围来回跳动?

原因:视频文件交错不良 + FFmpeg 的读取策略

交错不良的文件布局

通过获取视频文件offset的信息制作了一个图

音视频物理位置交错图情况:
X轴 = Packet在文件中的物理顺序(按pos(offset)排序后的索引)
Y轴 = Stream类型(0=视频,1=音频)
每个条形 = 一个packet
颜色 = 红色=视频packet,青色=音频packet
可以看到有一大片音频在前边
[音频包1] [音频包2] [音频包3] ...  ... [视频包1] [视频包2] [视频包3]

FFmpeg 的读取策略导致来回跳跃

mov_find_next_sample() 的选择逻辑

  • 时间差 ≤ 1 秒时,优先选择位置靠前的帧

  • 但交错不良导致"位置靠前"的帧距离offset很远

举例
音视频两个offset
A1 下一个V0
选择策略
时间轴(微秒):
0        10000      20000      30000      40000
├─────────┼──────────┼──────────┼──────────┤
│                    │          │
│                    A1         V0
│                 (23219)    (33333)
│                    │          │
│                    └──10114──┘
│                    (差值 < 1秒)
│
A0 (0)
V0 (0)
当视频帧之间时间<1秒 会选择最小的offset( pos )
这就导致交错不良的文件,DTS 差小但文件位置差大,然后来回请求

4.3 为什么使用ffmpeg处理视频后能解决这个问题?

原因:fmpeg对视频处理后,会对音视频的位置进行重新编排(流媒体除外),底层默认处理

处理视频文件后的音视频交错图

ffmpeg -i bad.mp4 -c copy -movflags faststart good.mp4
-i 输入指定文件
-c -copy  流拷贝
- movflags faststart 将视频moov提提前
ffmpeg会对其物理位置进行重新编排!!!
av_interleaved_write_frame() (libavformat/mux.c)  
    ↓
ff_interleave_packet_per_dts() (libavformat/mux.c) 
    ↓
static int interleave_compare_dts(AVFormatContext *s,
                                  const AVPacket *next,
                                  const AVPacket *pkt)
{
    AVStream *st  = s->streams[pkt->stream_index];
    AVStream *st2 = s->streams[next->stream_index];
    // 1. 比较 DTS(转换到统一时间基)
    int comp = av_compare_ts(next->dts, st2->time_base,
                            pkt->dts, st->time_base);
    // 2. 处理音频预加载(audio_preload)
if (s->audio_preload) {
        int preload  = st->codecpar->codec_type == AVMEDIA_TYPE_AUDIO;
        int preload2 = st2->codecpar->codec_type == AVMEDIA_TYPE_AUDIO;
if (preload != preload2) {
            // 音频包提前一点时间
            int64_t ts = av_rescale_q(pkt->dts, st->time_base, AV_TIME_BASE_Q)
                       - preload * s->audio_preload;
            int64_t ts2 = av_rescale_q(next->dts, st2->time_base, AV_TIME_BASE_Q)
                        - preload2 * s->audio_preload;
            comp = (ts2 > ts) - (ts2 < ts);
        }
    }
    // 3. DTS 相同时,按流索引排序
if (comp == 0)
return pkt->stream_index < next->stream_index;
return comp > 0;
}

5 总结

    流媒体格式(如HLS)在带宽使用和播放流畅度上更优,但改造成本高。MP4格式因兼容性强和成本较低,仍是主流选择。综合考虑使用场景和成本,我们选择:

  • 短视频统一使用 FFmpeg 处理,确保 moov box 在文件开头,优化音视频交错,避免频繁的 Range 请求。

  • 长视频采用 HLS 等流媒体格式,按需加载视频片段,提升播放流畅度和带宽利用率。


6 参考资料

[1]

The investigation of excessive FFmpeg requests: https://blog.dreamfever.me/posts/2024-06-09-poor-performance-of-ffmpeg-i-url/#reference

[2]

endless canceled http requests when playing an mp4 in a <video> tag: https://issues.chromium.org/issues/40292515

[3]

ChromiumSrouce: https://source.chromium.org/chromium/chromium/src/+/main:third_party/ffmpeg/libavformat/mov.c;l=11048;bpv=1;bpt=1

[4]

FFmpegSoure: https://github.com/FFmpeg/FFmpeg/blob/94f2274a8b61438572f0873ccf430e55ce0e0e2b/libavformat/mov.c#L9767-L9795

关于作者 邹泉安,转转运维部。

想了解更多转转公司的业务实践,欢迎点击关注下方公众号:

跳转微信打开

坐拥金山,却变成人间炼狱,委内瑞拉到底经历了什么?

2026年2月2日 18:39

原创 小 Lin 团队 2026-02-02 18:39 北京

委内瑞拉怎么把一手好牌,打成这样的?

图片

委内瑞拉

怎么把一手好牌,打成这样?

图片

朋友们,今天咱们来聊一个国家,可以说是近代人类历史上,最大的经济灾难, 就是——委内瑞拉。

作为全球石油储量最高的国家,起手牌可以说是"俩王四个二",却在不到十年的时间里,GDP下降了 80%。

据联合国的估算,2024年有82%的人生活在贫困线以下,首都加拉加斯有一整座山的贫民窟,有全球最高的谋杀率;

在这个加油几乎跟不要钱一样的国家,却连卫生纸、粮食、药品这样的基本物资,都极度短缺。以至于超市买菜都要限号,得看身份证尾号,超市都要配备武装安保。

它十多年陷在恶性通胀的火炉中,钱都要论斤称。它货币的贬值速度离谱到什么程度:

如果把20年前100块面值的玻利瓦尔,一张一张摞起来,物理上塞满整个鸟巢体育场,能塞满40个鸟巢,这么多的钱,价值多少呢?也就可以去麦当劳买个汉堡,还不能要薯条汽水。

恶性通胀、经济制裁、腐败、制度失灵、价格管制、荷兰病、政治动荡... 等等恶魔概念,竟然全都附身在这一个国家身上。

咱们一起来看看,它是怎么把一手好牌,打成这样的?

二战之前

委内瑞拉是南美洲北部海岸的一个国家,国土面积大概91万平方公里,比国内东三省加起来再大点,现在大约有2800万人口。

本来在这里主要是土著印第安人,16世纪开始一直被西班牙人统治了将近三百年,所以它现在的官方语言是西班牙语。

在1830年独立,也是整个南美最早从西班牙人的统治下独立出来的国家。

但是,真正影响它发展的关键性因素,并不是什么独立不独立,殖民不殖民,而是另一件事儿,或者严格的说,是另一样东西...

1914年,委内瑞拉钻成了第一口商用油井,发现了石油,在接下来的21年里,委内瑞拉从一个默默无闻的国家,摇身一变,成了世界第二大石油生产国,仅次于美国。

我们都说石油是黑黄金,这从天而降的金山,让当时委内瑞拉的独裁统治者,戈麦斯成为了拉美最富有的人。

图片截取自: 小Lin说

黄金年代

我们以前石油那期聊过,早期的时候,全球的石油资源都是被七家英美的石油公司垄断的,号称七姐妹,形成一个卡特尔。

而分配到委内瑞拉呢,主要是其中的三姐妹:

海湾石油(Gulf)、标准石油(Standard Oil from New York)和壳牌石油(Shell)。

图片截取自: 小Lin说

最开始这三个公司的话语权还是很强的,毕竟开采、运输石油的技术比较稀缺,而委内瑞拉就是个土卡卡的小国,只能分到很小一部分的石油利润。

可是到了二战之后,这些石油国家开始纷纷缓过神来了。不对啊,石油那么多公司都会挖,但是东西就我这儿有,资源才是这里最稀缺、最值钱的,我才是地主啊。你们七姐妹跟我这狂个什么劲。

委内瑞拉就联合中东那些国家,一起和七姐妹谈条件,签订了一个著名的五五分成的条约。简单来说就是我让你们在我这开采,赚到的钱我们一人一半。还联合四个中东石油国家一起成立了OPEC组织。

于是,委内瑞拉政府的收入可就又上了一个数量级了,金山一下又大了一圈,短短五年里,政府的收入翻了6倍。当时委内瑞拉总共只有五百万人,这钱甭管怎么分,都根本花不完。

油价高涨

但真正的黄金时代还没有来,之前的财富还都只能说叫小打小闹。

1973年,赎罪日战争爆发,也就是我们常说的第四次中东战争。

中东阿拉伯国家,包括沙特、伊拉克等等石油输出国,拉起手来集体对西方实施石油禁运,全球陷入石油短缺,油价短时间内翻了四倍,从3美元/桶变成了12美元,史称第一次石油危机。

1979年,又爆发了第二次石油危机,油价进一步飙升到了35美元/桶! 这可是十年前油价的十倍啊! 导致全球陷入通货膨胀,经济萎靡。

可是,这对委内瑞拉来说简直就是天降大饼,天降大大大饼。

这么连续两次石油危机,最大的受益人可能就是委内瑞拉了,又是石油输出国,又和中东没什么关系,而且离美国还那么近。

而且,委内瑞拉政府还在1976年完全国有化了本国的石油产业,成立了自己的国有石油公司: PDVSA, 负责石油的勘探、开采、生产、运输、精炼等等全套产业链。

这么一来一回,如果之前的油价对它来说是一座金山的话,那这回可真就是——泼天的富贵了。

图片截取自: 小Lin说

短短10年间,委内瑞拉的GDP翻了6倍。首都加拉加斯建起了南美最现代化的高速公路、摩天大楼和大学城。

国企飞速壮大,雇员人数增长到30万。

总统为了尽可能的创造更多的就业方式,电梯里、公共浴室里、办公室门口,不经意间那就站着一个服务员,那就是一个工作岗位,反正政府有钱。

而对应的,私营企业们进一步萎缩。但没有关系,大公司即使不赚钱,也都有政府的补助养活。委内瑞拉的货币“玻利瓦尔”,成为了世界上最强势货币之一,因为汇率非常坚挺,那时候委内瑞拉的中产,经常周末会飞去迈阿密购物。

只要油价保持在高位,委内瑞拉政府就有源源不断的资源;

只要油价保持在高位,每一个民众就可以躺平,享受高工资、高福利的生活;

只要油价保持在高位,就会有足够的鸡血帮助整个经济体站在世界之巅,任何经济问题都不叫事儿...

噩梦的开始 

资本撤离

好景不长,1980年代国际油价开始暴跌。本来委内瑞拉政府还寄希望这只是短暂的小插曲,虽然政府收入大幅下滑,但是并没有大力削减之前积累下来的冗余开支,而是选择大肆发债。想着等哪天油价起来了,咱立刻一个鲤鱼打挺,又是一个好汉!

可是,这才只是噩梦的开始。

为了应对高通胀,美国那边宣布加息,资本开始撤离拉美市场。1982年,墨西哥先顶不住了,宣布无法偿还外债,拉美债务危机爆发。

委内瑞拉也受到了巨大的波及,本来它一直维持着1美元兑4.3玻利瓦尔的固定汇率,随着资本恐慌性逃离,大家全都尽其所能把手里的玻利瓦尔换成美元,委内瑞拉绷不住了。

1983年2月18日,委内瑞拉总统宣布玻利瓦尔的汇率从1美元兑4.3玻利瓦尔,贬值到7.5玻利瓦尔,并开始实施外汇管制。这天也被称作委内瑞拉的黑色星期五。

于是,委内瑞拉所有人手上的钱的购买力几乎就砍半了。它又有大量的基本物资要靠进口,就这么一瞬间,买所有的东西的价格,都翻了一倍,这谁受得了,委内瑞拉迅速陷入经济危机。

本来它的石油公司PDVSA,还存了点石油基金,总统也直接都拿去填政府的窟窿了。

油价在1986年突然进一步崩盘,价格从当时的27美元,跌到了不到10美元,而且委内瑞拉政府更没有想到的是,油价之后将会在这个低位持续震荡将近二十年。

委内瑞拉的通货膨胀开始上升。政府尝试了价格管制、外汇管制等等各种方法都没用。

腐败太严重了,很多政策没法有效地实施下去。而且,这里面很多政策其实是会适得其反、反过来推升委内瑞拉物价的(下文会有详细分析)。

视频截取自: 小Lin说

"大调整"时期

政府发现各种管制政策都不好用,于是在1989年选上来一个总统叫佩雷斯,直接走了另一个极端:

干脆不管了,完全放开了,外汇、利率、价格,全都随着市场自由波动。政府也不补贴了,国企也都开始私有化。这段时期被称为是"大调整"。

众所周知,90年代那段时间,非常流行这种极度市场自由化,主要是美国在推广,不光是拉美、东南亚,包括后来俄罗斯、波兰的休克疗法,都是这风格,相信市场可以自己解决所有问题。

其实咱们从经济学理论的角度看,市场化、自由化的改革,是没什么大问题的,但问题就是,这些政策有点太激进了,突然一下全撒手了,短时间对经济的冲击太大;

更关键的是,这种放任自由竞争的前提条件,是市场应该具备基本的营商环境、法治环境,可是委内瑞拉当时是什么情况: 市场规则模糊、监管几乎没有、很多法律形同虚设,然后政府还突然一下不管了。

那些食品价格补贴、能源补贴、最低工资全都没了,本来经济就萎靡,这下国内的经济就更糟糕了,甚至多次出现抗议和骚乱。

委内瑞拉的货币开始加速下跌,我们刚才说1983年黑色星期五还是1美元兑7.5玻利瓦尔呢,到1993年,已经跌到1美元兑100玻利瓦尔。

1994年,又发生了重大的银行业危机,包括第二大银行(Banco Latino) 在内的超过一半银行,纷纷倒闭,政府、金融业严重的腐败问题,这下被完全暴露在光天化日之下,总统佩雷斯因贪污国家自有基金2.5亿玻利瓦尔,成为了第一个被最高法院罢免的总统,财政部长也被迫辞职,也宣告"大调整"时期的彻底失败。

潮水褪去了,大家才猛然间发现,原来几乎所有人都在裸泳。

政府还得自掏腰包,从本来就已经捉襟见肘的财政中救济银行业,委内瑞拉陷入到大规模经济危机。

这个金融危机的背景,很多人在分析的时候一笔带过,其实我认为这对委内瑞拉的打击,可能比之前我说的那些各种问题都要大、都要直接。

这个金融危机就像一记重拳一样,猛猛地打在了委内瑞拉的下巴上,让它当场休克。

视频截取自: 小Lin说

政治混乱

大家可能也从咱们刚才聊的字里行间感觉出来了,委内瑞拉的政治其实挺乱的。

它连国名都经常改:

  • 最开始1830年独立的时候叫委内瑞拉国(States of Venezuela, 1830 - 1856)

  • 后来改名叫委内瑞拉共和国(Republic of Venezuela, 1856 - 1864)

  • 改了还不到十年,看北边美国人家制度不错,就打了场仗,改名叫委内瑞拉合众国 (United States of Venezuela, 1864 - 1953)

  • 二战之后,又改回来了叫委内瑞拉共和国(Republic of Venezuela, 1953 - 1999)

之后你就看吧,还得改。

视频截取自: 小Lin说

虽然制度上,它基本一直是民主选举,但是这选举经常不作数,或者被严重操控。

政府内部也有很多股不同的力量在较量。所以作为每一任总统,他们其实屁股都坐得不踏实。

  • 又得平衡各个利益集团的利益分配;

  • 又要提心吊胆提防着别被政变、被罢免;

  • 又得想办法吸引大家的选票;

  • 当然也会想办法自己多捞点好处。

这会导致很多问题,但是我觉得长期来讲非常底层的一个问题,就是它的领导层无法完成长期投资、制定长期规则。

我就举个简单的例子,你说委内瑞拉的领导人能不清楚油价是在持续不断的波动,不会永远涨吗?

其实最简单的预防方式,就是像挪威那样,成立个国家基金,在油价高收入高的时候,存点钱,去买黄金、买外国国债,做点长期投资,以备困难时期做准备,这有什么难的?委内瑞拉政府能想不到吗?

其实,它不是没试过,但是这些总统慢慢的就发现,之前每次总统尝试存点钱,就只会成为接下来几任总统的零花钱,提款机。

它政权的剧烈更替,再加上严重的腐败,让任何长期投资都成为了不可能。

注意啊,这里我说的长期投资,不光是那种回报类的投资,也包括投资在完善制度、投资在反腐、投资在建立透明公平的机制等等。

这在委内瑞拉,很难。

一般历任总统能做的利民政策,就是最最直接的给大家补贴。这种短期见效快,能换来民意支持。

从这个角度来说,中东的沙特、卡塔尔、阿联酋,虽然是那种权利比较集中的君主制,虽然会有很多强权带来的问题,但是他们确实可以把眼光放得更远、更舍得长期投资。毕竟这不光是为了国家,也是为了自己的后半辈子,和自己的子孙投资。那些愿景计划,甚至可能都有点过于舍得长期投资了。

查韦斯时代

查韦斯简介

1980 - 1990年代,在低油价的环境下,委内瑞拉的GDP,15年都没有增长。

经济一直处在增长停滞、高通胀的环境下挣扎。大家越来越迫切的期望有重大改革出现。

在这样的历史背景下,1999年,委内瑞拉历史上最有名的总统,也是最具争议的一个领导人上台,他就是乌戈·查韦斯。

这个查韦斯本身有军事背景,是一个非常强权的政府。

他主张的是所谓"21世纪的社会主义",后来也成立了"委内瑞拉统一社会主义党"。查韦斯和古巴走得很近,和卡斯特罗的关系非常铁,卡斯特罗的好几次生日,他都亲自飞过去陪他庆祝好几天。

其实,查韦斯在1992年,就尝试过推翻当时的政权,虽然没有成功,但是获得了很大的民意支持。后来1997年参与选举,他就主张要进行大规模改革,改变现状,消除腐败。当时,对之前的腐败政府失望透顶的民众,也希望有这么一个强权的领导人来改变现状,于是查韦斯强势上台。直到他2013年癌症去世,一直担任委内瑞拉的总统。

图片截取自: 小Lin说

公有制改革

查韦斯一上台,先干什么?

对,先改国名!

从"委内瑞拉共和国",改成"委内瑞拉玻利瓦尔共和国"。

查韦斯要对国家进行一个彻底的改革,号称叫"玻利瓦尔革命"。

他们好像很喜欢用"玻利瓦尔"这个名字是吧,国名和货币都用这个起名。这个玻利瓦尔其实是之前19世纪的时候,帮助整个南美从西班牙的统治中独立出来的一个非常伟大的将军,所以在南美就有点是独立、爱国的象征。

查韦斯就觉得,委内瑞拉之所以之前一直这么混乱,主要是因为那些万恶的外国资本主义的侵蚀。他们把我们的石油资源换来的财富想办法成了自己的利润。通货膨胀也不是什么自然经济现象,就是这些资本主义敌对势力在搞鬼!这是他们的阴谋!

所以,他大刀阔斧的进行一系列公有制的改革。

凡是比较关键的命脉产业,比如银行、基础设施、运输、电力、通信等等,全都国有化。

增加对外资公司的税收,把大部分外资企业都吓跑了。

查韦斯2001年还通过了《土地法》,让国家可以征用土地;

鼓励基层民众成立小型合作社,给它们提供资金和技术支持,作为市场经济的替代模式。

查韦斯通过几次法案的颁布,成功让原来独立的中央银行,完全落到了政府的掌控之中,以后想要印多少钱就是政府说了算了。这也为它之后陷入恶性通胀埋下了伏笔。

图片截取自: 小Lin说

石油国再公有化

而查韦斯这么多公有化里,最最重要的就是石油。

虽然石油行业,1976年就已经国有化了,还建立了国家石油公司。

虽然理论上是国有,但因为委内瑞拉还非常依赖海外的技术和资金,欧美还是很有话语权的。一方面可以保留不小的蛋糕,另一方面也持续投入技术、投入人才,保证这个国家石油公司的运作较为顺畅和独立。它的石油公司甚至号称"国家中的国家"。

查韦斯觉得,我们国家的命脉石油公司竟然还要美国人、英国人说了算,还要分那么多钱给他们?! 这简直就是耻辱!

查韦斯就试图把一些自己信任的人安插到国家石油公司的董事会里,想要以此控制它,招致了PDVSA管理层和员工的强烈不满。

查韦斯也是直接硬刚,他当时每周都会上一个电视节目叫"你好,总统先生",4月7号他就嘴里叼了个哨子,一个一个念出了石油公司反对他的高管的名字,然后一吹哨子,大喊:"你被开除了!滚蛋!"

后来事情愈演愈烈,还导致了短暂的军事政变尝试废除查韦斯,但是被他压了下去。

2002年底,委内瑞拉国家石油公司的员工,进行了大规模罢工。委内瑞拉整个国家的石油,都几乎停产了,产量从每天300万桶,暴跌到了每天不到30万桶,相当于整个国家的发动机不转了。这次罢工保守估算,给委内瑞拉带来了100亿美元的经济损失,导致委内瑞拉2003年一季度的GDP下滑了27%。

但这些短期损失都还是轻的,更致命的是它带来的长期损失。

查韦斯的应对方式非常强硬:

你们不是罢工么?不是不干活么?好,你们以后也不用来了,全开掉!

一下子解雇了将近20000个员工,也许现在听感觉也没有那么多,但对于当时的委内瑞拉石油公司来说,就是它将近一半的员工,都直接开掉。

而且这还和一般的裁员不一样,裁员是挑好裁的裁,能裁的裁。可委内瑞拉石油公司,当时是挑上街的裁,甭管你手握什么关键技术、是什么关键岗位,只要参与罢工了,明天都不用来了。导致很多非常核心的技术骨干被裁掉。

这次动荡之后,查韦斯确实成功完全控制了国家石油公司,但是也付出了惨痛的代价。而包括ExxonMobil在内的很多美国石油巨头,就是在之后的一段时间内,要么资产被强制接管,要么不得不接收新的合同。

查韦斯这么一折腾,不光外部技术撤离,自己还开除了一大半技术骨干,导致委内瑞拉的石油技术倒退了十几年,无论是管理水平,还是技术能力都一蹶不振。

随着设备老化,技术流失,二十多年后的今天,委内瑞拉现在的开采能力,还不到罢工之前巅峰时期的一半。石油就放在那让他挖,他就是挖不出来。刚刨两下就开始喘了,得坐在那歇半天。

要知道美国墨西哥湾那块大量的炼油厂,都是针对委内瑞拉的重油设计的,这么一折腾,不光是短期少几桶油,而是接下来几十年,这些刚刚重金投资升级的炼油厂都会陷入"饥荒",只能找加拿大的重油去顶替。

由此可知,这回美国突袭委内瑞拉,肯定有不小的原因是为了它的石油,不光是因为它多,而是它都是符合美国精炼厂的重油。

图片截取自: 小Lin说

"石油的诅咒"

情况逐渐要变得复杂起来了啊。我们先支出来给大家铺垫一点基础知识。咱来看看委内瑞拉这种石油国家,为什么很难逃出所谓"石油的诅咒"啊,其实不是简单的,有钱就容易堕落这么简单...

拥有大量的自然资源:

  • -> 就会出口,换来大量美元;

  • -> 然后就会把大量美元换成本币,玻利瓦尔,导致本币持续升值;

  • -> 货币升值,自己国家生产的东西对别的国家来说就变贵了,就没有竞争力了,同时别的国家的东西对本国来说都很便宜;

  • -> 就会大大削弱委内瑞拉本国的农业和制造业,导致本国的制造业和农业逐渐退化。

时间长了,从整个国家的角度来看,委内瑞拉的经济模式,就慢慢变成一个劲儿的出口石油,出口商品中超过95%都是石油;而卖来的钱去进口买其它产品、必需品,国内超过80%的工业原料和60%的食品都依赖进口。本国自己的制造业、农业退化,服务业成为主要产业。

就就好像一个富二代,由于老天爸爸给的太多,自己根本没法不堕落。这种现象在经济学中有个专有名词,叫做"荷兰病",因为荷兰在1960年代出现过类似的现象而命名,不过我觉得其实应该叫"委内瑞拉病"。

其实这个现象本身如果能持续下去的话,也问题不大,就一直卖石油赚钱然后买东西呗。关键就是如果本国的工业化能力不断退化后,就相当于一个人丧失了免疫力,自己啥也生产不出来,一个风吹草动,经济就要崩盘。这就是80年代油价下跌,会对委内瑞拉的打击如此之大的原因。

你可能会觉得油价下跌,少赚点就少赚点呗,也不至于崩溃吧?! 其实是因为它非石油部门的能力都已经退化了。

这一切关键在于什么啊?就是汇率。

图片截取自: 小Lin说

外汇、价格管制

查韦斯把石油公司这么折腾一遍,海外投资人肯定对这个国家避之不及, 全都撤了。国内的民众也对本国的经济、本国的货币没有信心,拿到钱就想办法换出去成美元。

这就导致它的货币,玻利瓦尔汇率持续下跌,物价持续上涨。

面对这两大经典困难,查韦斯的应对方式真的非常的简单粗暴:

  • 外汇不是下跌么,应对方式就是不许下跌,直接设定官方汇率;

  • 物价不是上涨么,应对方式就是不许上涨,直接设定价格上限。

这种扭曲供需的方式,虽然确实一定程度上维持了委内瑞拉的购买力,但代价是:

  • 让本国生产力进一步退化;

  • 经济结构进一步扭曲;

  • 腐败和黑市进一步壮大;

  • 以及更多资本外逃、物资更加短缺。

此时的委内瑞拉,已经病入膏肓。

黄金年代 2.0

但是,事情却并没有迅速恶化,委内瑞拉人的生活反倒一点一点好起来了!

为什么啊?你猜猜是为什么啊?

因为油价,它又涨回来了!而且这回涨得更猛!

2000年初,全球经济迎来了一波上涨,石油需求量暴增,油价在七年间翻了六倍,委内瑞拉的金山又回来了。

它的石油收入在之后的十年里,从每年不足200亿美元飙涨到超过600亿美元,翻了超过三倍。

整个经济体在充裕的美元的注入下,又回到了70年代那个欣欣向荣的景象。

查韦斯并没有利用这个喘息的机会,建立储备基金,而是大力的花钱进行补贴,给大众提供几乎免费的电、几乎免费的水、几乎免费的石油、非常便宜的食品,和大量的住房补贴。

查韦斯还给穷人,建造了数千个免费医疗诊所。

当时的汽油价格比矿泉水还要便宜,100美元的汽油,甚至足够开车绕着地球跑好几圈的。政府部门越来越庞大,越来越臃肿,委内瑞拉的工作人口中有大约四分之一都在政府部门工作。

虽然经济结构越来越失衡,越来越多的基本物资要靠进口,但是没关系,反正油价在持续上涨,大家的手上又有钱了,人们的生活在查韦斯的领导下又变好了,

2003 - 2013年,整个国家的GDP在短短10年间翻了4倍多。

委内瑞拉正在一点一点消除贫困,城市化率达到了90%,推到了南美洲最高水平。照这个势头下去,马上就可以再一次跻身全球最富有的国家...

图片截取自: 小Lin说

消费狂潮

为了刺激大家贷款,查韦斯给利率设置了上限,激励大家多借钱,多花钱,多投资,别存钱了!

当时,设置信用卡最高利率是29%,普通商业贷款不到20%,你可能听着已经很高了,可实际上委内瑞拉的通胀大概在30% - 50%,也就是说贷款利率持续低于通货膨胀率,委内瑞拉的真实利率水平一直是负的,借了钱以后,实际上要还的钱是越来越少的,反过来存钱,就是越存越亏。

那大家自然都去借钱,而不存钱了。委内瑞拉逐渐形成了一股消费狂潮,大家拿到工资就去买买买,买车、买家电、出国旅游、买奢侈品。很多人买车都不是为了开,就是为了理财。只要能搞到汽车贷款就会毫不犹豫地买车。房地产泡沫就更不用说了。

这种实际负利率,让整个经济的齿轮疯狂加速,资金周转速度越来越快。

整容

当时兴起了一项消费就很有意思,就是——整容。

委内瑞拉成了美洲最爱整容的国家之一。很多女性会把整容列为成年礼的一个必不可少的步骤,有条件的家庭,很多都会给女儿准备钱做整容。

现在已经形成了一种社会认同,就是整容是通往更好的职业机会、更高的社会地位的一个"必经之路", 反正通胀那么厉害,存钱也存不下来,整容可是一个一辈子的长期投资。

众所周知,委内瑞拉是全球选美的强国,甚至可能是最强国。

全球选美的四大赛事,夺冠次数最多的国家就是委内瑞拉,也被号称为"美人之国"。委内瑞拉有一套完整的选美体系,不光有"委内瑞拉小姐"这种最高规格的比赛,几乎每个城市、每个社区甚至每个学校都会组织自己的选美比赛,有着这么一整套选美人才的筛选机制。

当然也兴起了配套的选美培训、美容、整容等等的行业。

图片截取自: 小Lin说

噩梦Pro

油价下跌

2013年,查韦斯因癌症去世。

他执政的14年里,油价先是持续攀升,然后处在高位震荡。他也用这些石油财富给委内瑞拉人的生活带来了直接的改善,一些经济底层的问题,比如经济结构的问题、腐败的问题、政府效率的问题,却还在石油红利的滋养下持续恶化。

而他的继任者,也是同样来自统一社会主义党的尼古拉斯·马杜罗,可就没有这么幸运了。几乎上刚一上台,屁股还没坐热呢,油价就开始掉头下跌。委内瑞拉的好日子到头了...

视频截取自: 小Lin说

物资短缺

80年代危机经历过的事儿,基本上又重来一遍,只不过这回,来得更加猛烈。

委内瑞拉自己的经济结构,和低效的国企,原本就无法支撑国内的需求,大部分必需品都是靠去海外进口。这下油价下跌,没钱了,买不起了。

五年内,委内瑞拉的进口额跌到了原来的六分之一。委内瑞拉陷入了严重的物资短缺。

到2015年,因为物资供应不足,同时政府还有价格管制,不让它涨价。所以很多食品、卫生纸,基本上一上架就被抢购一空。

很多超市都是用铁栅栏围住的,安排了持枪的安保人员巡逻,防止用过度的骚乱,甚至"零元购"的事发生。不知道的还以为这里面有什么宝贝呢,这么严格的安保。

后来超市门前的队实在太长了,太混乱了,政府开始要求大家去超市买东西也要限号: 身份证最后一位来决定哪天能买生活必需品,0和1尾号的星期一去超市,2和3的星期二去,以此类推。

为了避免有些人盗用别人的身份,甚至在超市门口加了指纹识别的机器。

2017年,物资短缺的高峰期,很多人靠捡垃圾中的食品为生。出于人道主义,哥伦比亚放开了边界,给委内瑞拉人提供一些食物和物资补给。

汽油短缺

但即便物资如此短缺,物价飙升,有一样东西委内瑞拉一直很便宜,甚至可以说是世界之最,就是汽油。不是石油啊,就是给汽车加的汽油。

这并不是因为委内瑞拉产油的成本有多低,委内瑞拉由于设备老化、人才不足,甚至都没什么石油精炼的能力,汽油都是靠进口的。这么便宜,单纯是因为政府持续砸重金进行补贴。上文也分析了,民众买到的汽油比矿泉水还便宜,几乎就是免费的。1美元就可以把油箱加满。

但是,天下没有免费的午餐,汽油跟不要钱一样,大家都抢着加油,付出的成本就从金钱,转化成了等待时间,就排队呗,那么多人每天就在那耗着。

在委内瑞拉,会看到很多地方的路边,一大长串的汽车在那排队,几乎一动不动。这不是堵车,他们其实就是在排队加油。在首都加拉加斯, 平均要等5-6个小时加油,这还算好的,很多其它地方要等上好几天,甚至一周。大家白天就在车里排队,然后等加油站关门了,就把车锁上回家睡觉,第二天接着来排队。

当然,那种市场化、按照国际油价收费的加油站也有,那些倒是不排队,但是绝大多数委内瑞拉民众还是习惯了免费汽油,还是会选择去排队。

试想一下,这可不是个别加油站、个别城市的问题,真的是一个全国性的现象。这得是多大的资源浪费,大家去超市也排队,加油也排队,全国每时每刻有无数人在排队。

而且,这么大力度的补贴又出现了走私的问题。很多人会把这些便宜的汽油,走私到边上的哥伦比亚和巴西转售,据估算每年价值超过100亿美元。导致它汽油本来就短缺,还被大量走私出国。

看到这你是不是想问,以前油价高的时候,政府钱多得流油,补贴就补贴吧,还可以理解,现在委内瑞拉经济都这样了,政府的财政赤字还那么严重,那就别补贴了啊,该多少钱就是多少钱,让市场自己调节呀。

因为马杜罗政府它不太敢。大家都已经适应了几乎不要钱的汽油,要是放开,汽油价格直接翻成百上千倍,很有可能引发民众强烈的不满、强力的抗议,马杜罗的政权本来就不稳,他只能硬着头皮持续补贴。

美国制裁

更麻烦的是,这回又多了一层打击,就是美国的制裁...

其实2006年开始,美国就对委内瑞拉的一些个人,包括查韦斯本人,加了一些小范围的制裁。

从2014年开始,美国宣称委内瑞拉政府,有侵害人权的问题、破坏民主的问题、操控选举的问题等等,对委内瑞拉加大制裁。逐渐从对个人的制裁,演变成了对整个国家的制裁。

尤其是特朗普第一个任期上台以后,他不承认马杜罗这个总统,这个政权。

美国拉着几十个其它国家,对委内瑞拉实施了非常强硬的全面经济制裁,这里面对委内瑞拉打击最大的,就是对它石油行业的制裁和融资交易的限制。

冻结国家石油公司的资产,禁止美国买它的石油;并且限制委内瑞拉石油公司和政府的一切融资活动。

这样一来,制裁石油行业,就让委内瑞拉政府赚不到钱了;

限制融资,就让他也借不到钱了。

一方面是美国制裁,另一方面它自己的开采能力也在大罢工之后严重下滑:委内瑞拉的石油产量在2015年之后暴跌了90%。

图片截取自: 小Lin说

恶性通货膨胀

这个时候的委内瑞拉:

  • 经济失衡,物资短缺,本来就导致了持续的通货膨胀;

  • 而那么多人需要花大量的时间排队买东西、排队加油,这么多劳动力成本浪费在排队上,进一步降低了全国的生产力,加剧了物资短缺,加剧了通货膨胀;

  • 同时,政府还进行价格管制、油价补贴、利率限制,这些看起来直接的利民政策,其实都会进一步推高通货膨胀;

  • 同时,由于石油的收入消失了,政府的债务越来越多,财政赤字的窟窿越来越大。2017年,委内瑞拉政府的外债 "选择性违约"。

马杜罗只得开启了它的备案,也是一个经济学家最不希望看到的一个备用方案: 他开动了印钞机。

我们之前在《外汇》那期聊到过,津巴布韦就是因为货币贬值速度太快了,"零"增加的速度太快,所以不得不持续性的推出新的货币单位。

委内瑞拉也差不多:

它之前的货币都叫玻利瓦尔,因为贬值太厉害,在2008年的时候去掉了三个0,推出了一个新货币,叫"强玻利瓦尔", BsF (Hard Bolivar,BsF)。

也就是说 1 强玻利瓦尔 = 1000 玻利瓦尔。

固定在 1 USD = 2.15 BsF

后来这个强玻利瓦尔逐渐贬值,官方汇率跌到了

1 USD = 10 BsF

你是不是感觉这个贬值速度也还好。其实这个1:10是官方汇率,当时的黑市汇率,其实已经到了1美元兑10000强玻利瓦尔。

由于黑市过于猖獗,官方汇率也不得不跟着大幅贬值。

2018年8月,官方汇率已经跌到了:

1 USD = 400万 BsF

这回货币又太不值钱了,于是它又抹掉了5个零,推出了新的货币单位: "主权玻利瓦尔", BsS (sovereign bolívar, BsS),等于100,000强玻利瓦尔。

所以1 美元就变成了40主权玻利瓦尔

视频截取自: 小Lin说

到2019年,委内瑞拉的通货膨胀率超过了300,000%,也就是今天的三万块钱,就相当于明年的1块钱。

它在2020年又推出了新的货币,"数字玻利瓦尔", BsD, 给"主权玻利瓦尔"又抹掉了六个0。

现在的汇率,大概是1美元兑325玻利瓦尔,这个玻利瓦尔就是"数字玻利瓦尔", 如果用2000年那时候那个最初版的玻利瓦尔的话,应该是325后面再加14个"0", 就是3.25亿亿玻利瓦尔。

你其实不需要什么复杂的经济学知识,也可以想象,当物价涨到这个程度的时候,整个经济就基本上完全瘫痪了。所有人拿着钱都烫手,就想着赶紧花出去,你也算不明白哪个便宜哪个贵了,见到卫生纸就赶紧买,看到能囤的就多囤一囤,什么投资,什么生产就别想了。

这个恶性通胀的漩涡,历史上一旦有国家走进去了,是很难刹住走出来的。

图片截取自: 小Lin说

美元化

不过呢,委内瑞拉的通货膨胀,在2020年神奇地降下来了! 是怎么回事儿?

其实一点也不神奇。就是委内瑞拉人选择完全放弃了自己的货币,什么硬玻利瓦尔、主权玻利瓦尔,你就算叫"超级无敌玻利瓦尔", 我也不信任你了。整个委内瑞拉都大规模的开始使用美元交易,整个国家开始美元化。你走进餐厅、路边摊、商店,大多都是用美元标价了。

虽然现在名义上,委内瑞拉的官方货币还是玻利瓦尔,其实这个数字玻利瓦尔并没有怎么流通起来。

也正是因为美元还不是官方货币,美元现金纸币在委内瑞拉非常稀有,银行ATM是提不出来美元的。尤其是零钱,非常稀缺。比如你吃顿饭花了13美元,你可别指望商家找你2块钱零钱,一般人就会再挑个什么2美元的菜点上,然后直接给商家15美元现金。

所以现在像Zelle、Paypal这些美国的、美元的支付软件在委内瑞拉非常普遍。也就是说大量的委内瑞拉的交易全都是在美国的银行间完成的,你说说,这委内瑞拉的银行、政府也非常无奈。

图片截取自: 小Lin说

移民

最近这十年中,超过八百万人逃离了委内瑞拉。超过了它四分之一的人口,几年中全跑了。

而且这些人包括了很多人才、有钱人、学生,能出国的全都出国。

本来那些腐败、经济结构等等的问题,都不是不能解决,可是这回人都跑了,可就真的是不可逆的损失了。这对委内瑞拉的长期打击可就是毁灭性的了。

很多人每个月的实际收入不足10美元,一个月,不到十美元。这是根本不能维持基本温饱的,他们大多靠着跑到国外的亲戚寄来的钱维持生计。

这里有不少人的长辈在 1950 - 1960 年代,满怀着希望移民到委内瑞拉,谁知道这些年在委内瑞拉经历了这么多起起伏伏,现在子女又不得不逃离了委内瑞拉。你说说这闹得...

这个移民潮也导致这两年,南美的哥伦比亚、巴西、秘鲁、阿根廷等等国家,接收了数十万的委内瑞拉移民。这长期结果不好说,但是短期内确实抢了其它国家很多人的工作,搞得整个南美都非常动荡,这个移民潮可以说是最近南美面临的一个重大危机之一。

2020年,整个国家的GDP跌到了十年前的15%, 甚至还不如1980年的水平。

不过看了上文的分析,大家也能看出来,十几年前它GDP那么高,也不是说那时候经济就真的一片大好,最近的经济崩溃,也并不只是这十几年的问题,并不只是马杜罗、查韦斯政府的问题,而是这一个世纪,一点一点积累的各种深层问题的一个集中爆发。

图片截取自: 小Lin说

噩梦ProMax

治安差

其实你看委内瑞拉的城市建设,硬件条件并不像很多非洲国家那种,就是穷,你能很明显看出来它是有钱过的。但是最近十年,政府没钱了嘛,基本上对很多公共秩序、公共福利的管理属于一个半撒手、半放羊的一个状态。

所以整体的治安非常糟糕。

从几年前开始,很多国家政府对官方都劝自己的公民,别去委内瑞拉旅游。

委内瑞拉首都有一个区域,叫Patare,佩塔雷,你看那墙还都刷的五颜六色的,挺漂亮的。但实际上,这是拉美最大的贫民窟之一,里面生活着超过两百万人,几座山的房子高密度的一个挨着一个,没有稳定的水电供应和下水系统。

白天看起来很平静,那是因为大家要么在睡觉,要么去城里打工了,一旦到了晚上,这里可以说是黑帮的天堂。

这也是全球犯罪率和谋杀率最高的地区之一,我看的就算是最大胆的自媒体人,也都得找资深的本地向导,几个人结伴,坐在车里才敢去这个区域。

即使出了贫民窟,加拉加斯的治安也不是很好。你只要一不小心,在不该在的角落转悠两圈,oops,你身上的钱就没了。

你在它的首都开车,会发现一到了晚上,所有的红绿灯都是摆设,根本没人看,大家都是看没车就直接闯红灯。为什么啊?并不是说委内瑞拉全民暴徒,就是要违法啊。主要是因为治安太差,前两年出现了很多起在等红灯的时候被抢劫甚至枪击的事件,导致大家都不敢逗留了,交警也干脆不管了,整个城市,整个国家的交通基本上就属于一个完全自由的状态。

包括地铁,乍一看修得比纽约地铁可强的太多了。这都是2000年初那会它有钱的时候建的。但是现在,政府并没有能力、没有资源来运营地铁,整个加拉加斯的地铁都是免费的,里面的是么自动售票、检票口都是摆设,自动扶梯都停了。地铁倒是还在运行,但是频率也不高,反正都免费,大家纯凭本事,你能挤上去就坐,里面也没空调。

停电

委内瑞拉靠着半个多世纪之前建造的水力发电站,支撑全国大部分电力需求,由于工程人才不足、维护不善、缺乏替代能源,三天两头就要停电。尤其是在2019年,发生了全国性超大规模停电,持续时间超过一周。这中间的供水、运输、交通、医疗都受到严重影响,造成至少43人死亡。

后来经过调查发现,国会对电力系统投资了1000亿美元,超过800亿都被挪用了,超过14个热电站根本无法运行。你可见政府内部的腐败程度。

乐观

我做了这么多国家经济的视频,我会慢慢感觉不能只看那些研究财报、经济数据,不能只看政府政策、政治制度。看多了可能会对这个国家人的生活有一些误区。其实可以看看生活在那的人拍的Vlog。

我看了很多视频,看他们讲述自己的生活,就有一个很深的感受: 他们的生活,从幸福指数、从心情的角度讲,可能并不像大家想象的那么惨、那么不幸。

咱们上文分析,委内瑞拉经济那么多问题确实都存在,委内瑞拉的经济确实可以说是一塌糊涂。但是这南美人吧,真的是非常乐观,非常想得开,非常会享受生活。

说到工资、物价、政府,他们也抱怨,但是一言不合就大笑,听见音乐就跳舞。周末就去看棒球。

首都加拉雷斯确实很乱,犯罪率很高,但并不是说大家就全都紧张兮兮、不敢出门,都还是该干嘛干嘛,该工作工作、该上学上学。看到那边有黑帮在做交易,你躲着点走就是了,看到红灯你也别停就是了。

逐渐恢复

最近几年,随着委内瑞拉的全面美元化,通胀问题消失。

政府这边财政极度紧张,不得不放弃过去那种大包大揽的福利主义,加油排队、超市限号等"魔幻经济现象"逐渐消失。

虽然商品又重新填满了超市货架,但市场化的价格导致委内瑞拉的商品价格,比对岸的迈阿密还要高,民众的实际工资还不到五十年前的水平。

黑帮要收保护费,警察也经常收"过路费", 整个国家陷入了丛林法则,有点半无政府状态的感觉。

抓走马杜罗后,美国更看重的可能是委内瑞拉的石油和政治,不太可能花太大力气,扭转委内瑞拉的经济结构、社会秩序,总体来说经济发展的不确定性极高,委内瑞拉基本上进入了休克疗法。

写在最后

一个经济体,在资源丰富、收入充足的时候,没能利用好石油资源,长期投资,而是滋养了政府的腐败,任由本国的生产力退化,加重了经济的不平衡,同时政府的价格管制、外汇管制、利率限制等等政策,饮鸩止渴,走向了恶性通胀。

这就好像一个心智还不成熟的小孩,它也会犯错误、也会迷茫,但是残酷的现实,正常情况下会立刻给他教训,这是一个自动的纠错机制。

可是,如果它上来就有天文数字的财富,那这个纠错机制就失灵了。小错误没法被及时纠正,小的经济失衡、小的腐败现象、小的价格扭曲,在源源不断财富流入的环境下,没有得到及时的反馈,就会越走越偏,离正道越走越远,等到他已经病入膏肓的时候,油价一旦暴跌,遭到反噬,进入恶性循环,之后再想要爬出来,就难了。

有时候钱太多,花的地方不对,可能比没钱更致命。

就像前委内瑞拉能源部长,也被称为OPEC之父所说的:"石油会给我们带来毁灭,对于委内瑞拉来说,石油不是黑黄金,它是魔鬼的排泄物。"

可能对于委内瑞拉来说,石油真的是一种诅咒吧。

图片截取自: 小Lin说

—— E N D ——

点击阅读原文可以来B站找小Lin玩呀~

阅读原文

跳转微信打开

寻找四位伙伴

2026年1月23日 14:14

原创 孟岩 2026-01-23 14:14 浙江

期待你的加入,我们一起创造

2025 年 9 月,有知有行正式成为一家基金销售公司。

这意味着一个非常具体、也非常重要的变化:

我们开始直接承接用户的资金交易。

「四笔钱」、「心理账户」不再只是理念与框架,而是被融入到每一个产品页面、每一次真实发生的交易、每一次服务细节之中。

我们有很多让自己兴奋的事情想去实现,也因此,我想通过这篇文章,寻找四位新伙伴,加入有知有行。

在这个 AI 正在进入、重塑、甚至取代很多工作的当下,有知有行当然也在全力拥抱 AI。 但另一方面,我们比以往任何时候都更相信「人」的价值。

AI 可以处理海量的信息、快速生成文本和代码,但它无法替代人的好奇心与品味,无法模拟对风险的真实感知、对细微情感的共情,更无法拥有那种在看似并非最优的路径中,依然愿意承担责任、做出选择的勇气。

如果你正是这样的人,或许一个更重要的问题是:有知有行,能为你提供一个怎样的环境。

我喜欢一句话:「人,是环境的反应器。」

有知有行希望提供的,就是那个能让「美好」发生的环境。

我们不设 KPI、没有 OKR,也不以规模和收入作为考核标准。我们期待能围绕用户的真实需求,去创造价值,去打磨出那些让我们自己会感到骄傲的作品。

我们重视数据,但更重视数据背后的内容、产品、世界与人。用户不是贡献收入的数字,伙伴也不是完成任务的工具。

我们践行「自由与责任」的文化。这意味着你拥有极大的空间去探索,但同时,也意味着你需要面对真实而具体的责任。这里没有无微不至的指令,你需要自己判断、取舍,面对不确定性。

因此,它极其依赖每一位伙伴的成年人心态——那种发自内心的自驱与坚韧。正是这些品质,帮助有知有行在过去的不确定中一次次穿越周期,也支撑着我们不断创造。

我们希望「如其所是」。尊重这个世界、事情、人本真的样子,你不用带着面具来上班,我们也希望能每个人可以放松、专注、做自己。

如果这份工作,是你所向往的,欢迎来信(hr@youzhiyouxing.com)跟我们聊聊。

谢谢你的时间,也欢迎你将这篇文章转发给你认为合适的人。

跳转微信打开

硅谷王川的公众号文章目录 (2026年一月)

2026年1月21日 11:41

硅谷王川 2026-01-21 11:41 美国

硅谷王川的公众号文章目录

本目录最近一次更新是 2026年1月20日。

有兴趣加入投资俱乐部的朋友,请仔细阅读下面的连接

王川: 长期主义的实践为什么这么难

RTFM - 关于投资俱乐部的使用说明 ( 第二版)

俱乐部名额有限,每个季度最多只接受三人加入,目前排期时间已经到 2026年下半年。申请者必须有现任会员的介绍,恕不接受直接申请。

我的网站已经上线,地址是 http://chuan.us/   公众号的历史文章和以前微博,推特上的发言纪录都在上面存档。以后公众号的原创文章,一些最新消息,也会在网站上,和微博,推特同时发布。

点击下面连接可以直接看到从 2015年初以来的两百多篇原创文章。

往期文章连接目录:(可直接点击下面的连接)

王川:每天睡到自然醒你就赢了 – 美国电信泡沫之回顾

王川:摆脱卡点的解法大多在别处

王川:从九十亿美元对冲基金破产的教训看风险管理

王川:论强制函数 (一)

王川:大家都是普通人 (五) 安重诲

王川:大家都是普通人 (四) 任圜

王川: 大家都是普通人 (三) 康延孝

王川:大家都是普通人(二)郭崇韬

王川:大家都是普通人 (一)李振

王川: 为什么利润翻一倍但股价可能翻九倍

王川:躺平者最终能赢 (一)

王川: 只有生存狂才无需偏执

王川: 论情绪记忆 (一)

王川:论气急败坏, 恼羞成怒之投资大法

王川: 从思科的财务报告历史, 来看英伟达的估值

王川: 长期主义的实践为什么这么难

王川:为什么人们守不住四年三倍的资产?

王川: 从 chatGPT 看人工智能的投资机会和风险

王川:关于 chatGPT 的随想 (一)

王川: 2022年岁末看美联储加息和通货膨胀

王川: 从权力和垄断的演化机制,看投资(一)

王川: 论熊市投资者的自我修养

王川: 论兴趣和世界第九大奇迹 (一)

王川: 从长期国债的悖论到胆固醇的悖论(三)

王川: 论做题家和出题家 (一)

王川:  从长期国债的悖论到胆固醇的悖论 (中)

王川: 从长期国债的悖论到胆固醇的悖论(上)

王川:论投资高成长垄断型资产的八个误区

王川:在元宇宙留下些永恒的印记 (2021年十月)

王川: 幸福来自效率的全面复合增长

王川: 三十二个有用的思维模型

王川:随感合集 - 回报递增 /时间压力 /聪明和智慧 /认知和自信

王川: 从间歇性断食,看躺平的正确姿势 (一)

王川:从刘邦的自吹自擂看区块链

王川:为什么优质 NFT 潜力远大于实体收藏品(二)

王川:为什么优质 NFT 潜力远大于实体收藏品 (一)

王川:入门以太坊的 RTFM

王川:以太坊的费用,为什么这么高?

王川: 为什么你买了腾讯亚马逊特斯拉比特币, 还是很难发大财

王川:去中心化的流动性黑洞, 和区块链第一法则

王川: 关于 GPT-3 的随想 (一)

王川:活下来就好,及时出场就好

王川: 一年读五百本书,让你每天高潮迭起

王川:宁要高维度抽象化的草,不要低维度具象化的苗

王川: 实力决定意图,工具决定价值

王川:为什么读书少会犯大错误(一)

王川:不思考临界值的决策机制是愚蠢的

王川: 为什么摩尔定律一直没死, 但人们还会继续预测摩尔定律要死

王川: 出钱最多者的视角,才是上帝视角

王川: 用摩尔定律武装自己

王川:抛弃对世界的一厢情愿 (一)

王川:创新扩散的理论模型和误区

王川:从商业密度看为什么要坚决拒绝大部分线下活动

王川:论决策机制和纠错成本

王川: 理解别人错误观点背后的原因更重要

王川:谈谈构建个人信息基础设施

王川: 下个十年, 来自软件定义世界的挑战

王川: 重要的东西, 往往是看不见的

王川:脑联网即将带来的智能大核爆

王川:向智能合约进军的号角已吹响

王川:从品牌和应用场景的思维模型看比特币

王川:Uber 上市会引爆硅谷的泡沫破灭吗?

王川:为什么思维模型是最重要的财富 (一)

王川: 为什么宝马可能在2022年或之前破产重组

王川: 论信息与整合

王川:再论选择权

王川: 成功的关键 = 网络网络再网络

王川: 2018年岁末, 七点随感

王川:从算力演变看比特币现金(BCH)的边缘化

王川:三十年前油价大跌后的最大赢家是谁?

王川:2024, 石油工业的我靠时刻

王川:从有限游戏和无限游戏看连续性

王川:从编程技术的变迁看程序员的不连续性

王川:为什么特斯拉是做空者的最爱?

王川:美好未来, 注定并不连续(上)

王川: 与不可预测的未来分一杯羹 (一)

王川:不要打扰别人心中的故事

王川:输入信息狭隘, 近乎精神病 (一)

王川:关于技术本质,财富本质和自我意识本质的夸夸其谈之一

王川:开局的结尾 - 纪念特斯拉私有化, 和汽车工业的我靠时刻

王川:做一个独特而稀缺的人

王川:关于涌现的随想 (一)

王川:你的选择比四年前更多了吗?

王川: 你如何在纷杂的世界中寻找“特立独行的正确”?

王川:为什么你要像爱马仕和香奈儿一样坚定捍卫个人品牌价值

王川:闪电网络要涌现了吗?

王川:财富取决于认可者愿支付的最高价

王川:论指数增长的反直觉性

王川: 给年轻人的十点职场建议

王川:论投资和涌现 (一)

王川:抽象者劳心,被抽象化者劳力 (一)

王川:很少有人因吃喝玩乐而破产

王川:自说自话的人是可耻的

王川:做一个大规模并联者

王川:论数量就是质量

王川:软件定义财富 (一) -- 从特斯拉 Roadster 谈起

王川:关于区块链投资的七个猜测

<硅谷财经圈> 视频第二十季: 区块链和正反馈循环

王川:如何做一个超级连接者

王川:我们正进入一个可以从世界七十亿人民每人身上赚一分钱的伟大时代

王川: 从乔布斯和分析师的最后一次对话,看系统性思维

王川:论写作的六大好处和一个坏处

王川:从“邻近可能性”看创新的秘诀

王川: 从组件的角度看正反馈循环和区块链产业

王川:比数字目标更重要的是扩展性和正反馈循环

王川:好莱坞会被 Netflix 吞噬吗?

王川:论意外好运气 serendipity (一)

中科院穷硕士如何四年内变身为全球第十的比特币大矿主

王川:论特斯拉可能破产的二十个原因

王川:为什么大部分求职者的管理之道荒唐且低级

王川:从选择权看“心灵自由”和“经济自由” (一)

王川:为什么大多数商务社交活动是”彩票型机会主义“

王川:论“非常挑剔”和“非常自由”

王川: 论 1% 和 99%

王川: 为什么特斯拉可以预防忧郁症

王川:从交易的“干柴烈火度” 看扩展性和正反馈循环(二)

王川: 再论区块链和“正反馈循环”

王川:论"正反馈循环" 和 “远离平衡态的耗散结构” (一)

王川:论“扩展性” (一)

王川: 论"目标导向"和"过程导向"

推荐傅渥成同学的新书: “演生” (Emergence)

王川:论弱关系的重要性 - 反脆弱的随想 (四)

王川:无处不在的不对称性 -- 反脆弱的随想(三)

王川: 从叔本华的"天才论"看知识的广度之重要性

王川: 区块链技术的终局是什么?(一)

王川:比特币支付费用为什么这么高?

王川:  适应度地形和模拟退火 - 范式转移的随想 (五)

<硅谷财经圈> 视频第十九季: 比特币- 数字货币的软件平台

王川: 反脆弱的随想 (二)- 机会成本和选择权

王川: 论移动屁股和改变脑袋的艺术 -- 范式转移的随想 (四)

王川: 范式转移的随想 (三)

王川:  范式转移的随想 (二)

王川: 反脆弱的随想 (一)

王川: 范式转移的随想 (一)

王川: 关于区块链的随想 (三)

王川: 关于区块链的随想 (二)

王川: 关于区块链的随想 (一)

王川: 最大的问题是解决正确的问题 - 论第一性原理的理论和实践 (六)

王川: 论第一性原理的理论和实践 (五) - SpaceX如何开辟新市场

王川: 论第一性原理的理论和实践 (四) - SpaceX 如何克服各种困难

王川: 论第一性原理的理论和实践 (三) - 从 SpaceX 谈起

王川: 打比方的误区 - 论第一性原则的理论和实践 (二)

王川: 论第一性原理的理论和实践 (一)从特斯拉的崛起谈起

<硅谷财经圈> 视频第十八季: 论强者益强 (抄袭的进化优势,兰切斯特方程)

王川投资第四法则:波爱为王

<硅谷财经圈> 视频第十二季: 增速为王

王川投资第三法则: 增速为王

巴菲特水牛城历险记和简单粗暴的王川投资第一法则

牛逼的王川投资第二法则: 为什么你要卖掉所有的能源投资

王川: 从波色*爱因斯坦凝聚态,看强者益强的最高境界 (四)

王川: 论兰切斯特方程在商业竞争中的应用 (三)

王川: 从兰切斯特方程, 看强者益强和如何以弱胜强 (二)

王川: 从抄袭的进化优势, 看强者益强 (一)

王川: 论摸着石头过河的艺术 - 从巴拿马运河的选址到渗流理论

<硅谷财经圈> 视频第十七季: 外表丰满,内在骨感的美国风险资本业

王川: 外表丰满, 内在骨感的美国风险资本业

<硅谷财经圈> 视频第十六季: 美国汽车工业和电力公司的我靠时刻

王川:  我和苹果公司, 一个不得不说的故事

王川: 2020, 美国电力公司的我靠时刻 (三)

王川: 2018, 汽车工业的我靠时刻 (二)

王川: 从海明威运动定律,看技术革命的"我靠"时刻 (一)

王川:小议复杂系统里的不要和要

王川: 论投资的十大矛盾 (一) - 简单和复杂的矛盾

王川:论投资的十大矛盾 (二)- 策略和结果的矛盾

王川: 论投资的十大矛盾 (三) - 经验的重要和错误套用经验的矛盾

王川: 论"自动车就是房地产"

王川: 从美国的汽车安全管理历史看自动驾驶的未来

王川: 关于特斯拉的十三个 FUD (恐惧,不确定和疑虑) 的反驳 (下)

王川: 关于特斯拉的十三个 FUD (恐惧,不确定和疑虑) 的反驳 (中)

王川: 关于特斯拉的十三个 FUD (恐惧,不确定和疑虑) 的反驳 (上)

<硅谷财经圈> 视频第七季: 为什么传统汽车厂商大多很快会倒闭?

王川: 为什么传统汽车厂商大多很快会倒闭?

<硅谷财经圈> 视频节目第六季: 无人驾驶技术的现状和未来

王川:论无人驾驶车投资布局的六大要点

王川: 特斯拉推出能量包,躺枪的却是核电站?

王川:2017年, 特斯拉将敲响石油工业的丧钟

王川: 为什么石油在2025年之前会永久性跌破20美元一桶,而一去不复返

<硅谷财经圈> 视频节目第三季: 特斯拉的能量包和Model 3

除非你和瑞士行长睡,否则不要炒外汇

<硅谷财经圈> 视频第十四季: 摩尔定律还能走多远

王川:  摩尔定律还能走多远? (六) - 有钱能使鬼推摩(尔定律)

王川: 摩尔定律还能走多远? (五) -- 这都是为了钱

王川: 摩尔定律还能走多远? (四) -- 并行计算的威力

王川: 摩尔定律还能走多远? (三) - CPU 的内存瓶颈

王川: 摩尔定律还能走多远? (二)

王川: 摩尔定律还能走多远? (一)

<硅谷财经圈> 视频第十季: 亚马逊的云服务将吞噬美国的IT产业吗?

王川:亚马逊的云服务将吞噬美国的 IT 产业吗?(下)

王川: 亚马逊的云服务将吞噬美国的 IT 产业吗? (中)

王川: 亚马逊的云服务将吞噬美国的 IT 产业吗? (上)

王川: 被误读的亚马逊帝国 -   只剩下一颗小石头才能阻止贝索斯了

<硅谷财经圈> 视频第九季: 集装箱的革命 / 软件吞噬世界

王川: 2016, 我的商业计划书

王川:集装箱震撼世界

王川:为什么软件正在吞噬世界 (一)

王川:  为什么天使投资平均回报一年26%的说法完全不靠谱? 论 W 教授的样本偏差

<硅谷财经圈> 视频节目第五季: 劫贫济富的美国信用卡

王川: 劫贫济富的信用卡让美国的互联网金融裹足不前

王川:  有些事,往回看四十年就清楚了

王川:用研究房产的精神去研究股票  - 为什么我还是更喜欢股票

王川:苦命房东的辛酸历史 – 为什么美国的黄世仁反而成了弱势群体

王川: 为什么大多数人靠房地产发财,可我还是更喜欢股票  (一)

王川: 太极站桩是精神抖擞的灵丹妙药 – 再谈如何定量化地提高自己

王川: 为什么日本今年的新生儿有一半将活到 108 岁?

你也可以活到109岁—王川老师教你三招让你健康长寿

王川:每天四分钟,练出六块肌的方法论

王川:减肥其实很简单–只需十六美元和一点定力

王川: Netflix 的前世今生 (下)-- 你不了解的"纸牌屋"后面的故事

王川: Netflix 的前世今生 — 一个硅谷创新者的坎坷历程 ( 上)

王川: 域名大亨叶云的传奇  -- 为什么投资不只是买股票

王川: 只有主动分享,才能实现理想 -- 一个理工屌丝男的第二次忏悔

王川:投资不只是买股票 – 一个理工屌丝男的忏悔

王川: 优步崛起的祭品 – 出租车大亨弗老师的陨落

王川:  Uber 帝国的疯狂崛起

王川:四千亿个理由告诉你,视野比勤奋更重要,长期持有才是王道

王川:瓦老师黑莓走麦城 – 再论价值投资的陷阱

一个陌生老头的来信 – 加拿大的"巴菲特" Prem Watsa 瓦老师的盛世危言

王川:一个不陌生老头的来信 -- 为什么巴菲特的核心竞争力不是选股票

王川:我的伯克利商学院之奇遇  – 扒一下金融工程硕士班的内幕  (下)

王川:我的伯克利商学院之奇遇  – 扒一下金融工程硕士班的内幕  (中)

王川:我的伯克利商学院之奇遇  – 扒一下金融硕士班的内幕  (上)

王川:为什么分析宏观经济大多是浪费时间 – 从希腊赖账谈起

王川:如何避免成为投资上的机会主义者?(一)

王川:投资与做人 - 李嘉诚的故事

王川:投资的几个太极招式 -- 从 "斜行拗步" 到 "掩手肱拳"

王川:杀毒软件大王迈克菲的亡命天涯之旅,以及为什么他和张学友同命相怜

王川: 关于胡雪岩覆灭的三个细节,以及投资的顶层设计

克林顿的女婿的烦恼,以及乔布斯的老婆的前老板的最后一搏

小鲜肉在价值投资中常遇的陷阱 -- 为什么你现在不要买便宜的IBM股票

大数据的内线交易 - 从第一资本的两位华人数据分析师被起诉谈起

让你的投资"下盘稳固"

王川:成长投资才是王道  (上)

关于投资: 用自己选择的方式战斗

关于投资 - 在自己选择的时间战斗

关于投资 - 我只在自己选择的战场战斗

王川: 杠杆是万恶之源

限定自己能力的边界

听得见炮火的地方最精彩

王川:  有了想法你就写

王川:为什么“退休以后就如何如何的计划”完全不靠谱?

为什么焦躁易怒的吃货容易早死 ? -- 赚钱这事,不可入戏太深 (四)

王川: Narrative, 三观和雅浦岛上的石头 - 赚钱这事,不可入戏太深  (三 )

王川: 赚钱这事,不可入戏太深 (二) -- 从德川家康的故事谈起

王川:赚钱这事,不可入戏太深 (一)

王川: 深度学习有多深?(二十五) 从突围看宠辱不惊

王川:深度学习有多深?(二十四) 乔布斯和 Deepmind 的突围

王川:深度学习有多深?(二十三) 经历的回放

王川:深度学习有多深?(二十二) 发散的大脑

王川:深度学习有多深?(二十一) 双陆棋和神经网络

王川: 深度学习有多深? (二十) - 多巴胺的诱惑

王川: 深度学习有多深? (十九) -- 维度的诅咒和蒙特-卡洛模拟

王川: 深度学习有多深? (十八) -- 从贪婪算法和动态规划说起

王川: 深度学习有多深? (十七) -- 衡量GPU的计算能力

王川: 深度学习有多深? (十六) -- 再论计算速度的蛮力

王川: 深度学习有多深? (十五) -- 自然语言的困惑

王川: 深度学习有多深? (十四) 循环神经网络和言情小说

王川: 深度学习有多深? 学了究竟有几分? (十三)

王川: 深度学习有多深? 学了究竟有几分? (十二)

王川: 深度学习有多深? 学了究竟有几分? (十一)

王川: 深度学习有多深? 学了究竟有几分? (十)

王川: 深度学习有多深? 学了究竟有几分? (九)

王川: 深度学习有多深? 学了究竟有几分? (八)

王川: 深度学习有多深? 学了究竟有几分? (六)

王川: 深度学习有多深? 学了究竟有几分? (五)

王川: 深度学习有多深? 学了究竟有几分? (四)

王川: 深度学习有多深? 学了究竟有几分 (三)

王川: 深度学习有多深, 学了究竟有几分? (二)

王川: 深度学习有多深? 学了究竟有几分?  (一)

跳转微信打开

从0到1:有赞AI客服的实践路径与落地思考

2026年1月13日 15:18

原创 有赞共享技术 2026-01-13 15:18 浙江

本文将从研发视角出发,与大家一同回顾 AI 客服 0到 1 的历程。主要聚焦于AI客服系统从0到1实践的核心要点,剖析落地的关键步骤,以及过程中的一些思考。

01 前言

从行业趋势来看,由大模型驱动的智能客服系统,正在对传统客服工具进行深度变革。

  • 在线客服的工作有着较高的重复性,降本增效一直是客服工具提供给商家的最重要价值之一。

  • 基于大模型的智能客服,产品能力和用户体验得到提升,同时搭建和运维成本大幅下降。

  • AI Agent的应用使智能客服产品的成本更低,效率更高。

有赞是一家提供电商SaaS服务的平台,商家对于客服系统存在较大需求。在大模型刚刚兴起之时,我们便开始关注该领域。自25年年初起,我们在这一领域投入了大量精力。本次将从研发视角出发,与大家一同回顾这一从0到1的历程。主要聚焦于AI客服系统从0到1实践的核心要点,剖析落地的关键步骤,以及过程中的一些思考。

02 智能体开发平台和工程化代码

AI客服系统的首个版本,是孵化于有赞内部的一场“黑客马拉松”,为了赶工期,在决策选择智能体化开发平台还是工程化代码之间,我们选择了前者。有赞内部独立部署了智能体开发平台-Dify,Dify 在迭代效率和工具集成上具有显著优势,帮助我们迅速完成了 PMF(产品市场契合度)验证。

然而,随着业务量的增长,我们发现Dify这类智能体开发平台在生产环境面临以下挑战:

  • 性能瓶颈:观测到简单的 Python 代码节点,执行耗时有时高达 40ms至100ms。

  • 检索实时性:知识检索组件性能太差,在客服这种对实时性要求极高的场景下基本无法接受。

  • 运维规范:在发布流程管理和版本管理等方面,目前尚未建立起一套完整的规范。

因此,我们推荐的落地方案是:

  • 验证期:利用Dify快速搭建MVP,验证商业模式和用户需求,此时速度是第一优先级。

  • 成长期:采用Dify+工程化混合架构,将核心的、高并发的和复杂的流程放在自研的工程化系统里,非核心流程保留在平台中。我们早期就把核心的知识召回检索放到自研系统中。

  • 成熟期:当性能、可定制程度、稳定性等方面,完全无法满足需求时,走完全工程化的道路。利用工具(如 Spring AI Alibaba Studio)支持将 Dify 上设计好的应用逻辑,直接导出为标准的 Spring AI 工程代码。

03 模型的选择

模型是AI客服的大脑,选一个合适的模型至关重要。在此过程中,我们积累的经验主要包括以下几点:

  • 选对模型非常关键,花好几天去优化Prompt,可能换一个模型就能直接解决问题。

  • 评估模型的能力很重要。刚开始,我们主要靠人工来验证,后来慢慢开始使用 langfuse 评测工具。

  • 越到后期越不想轻易更换模型,因为效果评估和提示词调整都需要成本,且结果的好坏存在极大不确定性。

  • 模型输出的内容越少,响应速度就越快,成本也越低。尽量减少模型返回的数据,如果能用常量,就别用 json。

3.1 选择过程

不同场景对模型选择的侧重点不同,基于AI客服的业务场景,我们模型选择的迭代历程如下:

04 Workflow和Agent选型

项目初期,除了要决定使用Dify还是工程化代码,开发模式也需要在Workflow和Agent中做出选择。我们认为Agent是具有高度自主性的智能体,结果的确定性、性能等都不占优势,所以我们选了比较保守的做法。先按照Workflow的方式,搭建稳定的流程,来追求确定的、能控制的结果。现在再看,当初选工作流程这种方式应该没错。从工作流程入手,逐步引入并解决每一个遇到的问题,同时兼顾效果、成本和可控制程度。

05 工作流设计与迭代

5.1、支持售前问题咨询

在早期版本中,我们用当下效果较好且熟悉的模型,把几乎所有事情都交给这个模型去做,不考虑单个节点的复杂拆解,比如意图识别节点,它还负责问题改写、重复问题和负面情绪识别,然后快速完成 1.0 版本并上线。

工作流v1

5.2、降低成本

1.0版本上线后,紧接着需要提高AI承接率并降低成本。在降低成本方面,除压缩提示词、知识分块和召回策略优化外,我们还将意图识别所用的GPT-4.1切换为Qwen模型,并对意图识别节点进行了拆分。此外,使用Qwen模型后,我们发现Dify的记忆机制对其较为敏感,导致幻觉现象加剧。因此,自行维护一个全局变量作为历史对话信息,并将该信息拼到重复问题、负面情绪和问题改写与意图识别节点的System提示词中。

工作流v2

5.3、提升AI承接率

为提升AI承接率,一方面补充知识来源并提高知识质量,另一方面开始承接售后问题咨询。此时面临的首要决策是,售前和售后采用共用流程还是分开处理。基于业务特性分析,售前与售后问题的回复风格存在显著差异(售前主动,售后严谨),且所需知识也有所不同,同时考虑到单节点复杂度以及调整提示词所带来的影响,因此选择了分开处理。

工作流v2

5.4、过程总结

我们采用的是意图识别和分发策略,这是一种较为保守的做法,宁可让AI不回答问题,也不能让它答错。这样一来,AI承接率到了一定阶段就会遇到瓶颈。如果我们想有所提升,就得拓展场景。

同时,我们当前的流程也并非完美。如意图识别节点的职责并不单一,问题改写与意图识别仍共用一个节点。此外,还有一个售后问题分类节点,其功能与意图识别能力存在部分重叠。不过,工作流的设计应是一个渐进式的演进过程。随着业务的发展和复杂度的提升,流程也将逐步优化,例如:

  • 拆分意图识别和问题改写节点,进一步降低单节点的复杂度。

  • 深入优化意图识别节点,如完善业务规则、增加意图澄清和闲聊意图等功能。

06 上下文工程

有效的上下文管理对于AI系统至关重要,信息过载会导致AI出现失忆、重复或胡言乱语的情况,即使模型支持大窗口也不应随意填充信息。在AI客服的迭代过程中,我们在上下文优化方面迈出了第一步,开始做一系列尝试与验证。主要聚焦于信息获取、筛选提纯以及信息组装方面。

6.1、信息获取

信息的获取不仅是数量的堆叠,更是维度的扩展。我们构建了从静态到动态、从文本到视觉的全方位信息获取。

  • 多模态知识提取:借助多模态能力,提前对商品信息进行提取切片并入库。

  • 实时动态注入:区分静态知识与实时信息,动态信息不预存,对话时通过接口实时检索注入上下文。

  • 历史对话回溯:从历史高频问答中提取QA对并进行分类,以此补充文档中缺失的“隐性知识”。

6.2、筛选提纯

随着信息源增多,全量加载信息会导致模型由于扰而产生“幻觉”。我们通过一套路由和过滤机制,确保上下文的“信噪比”。

  • 基于入口场景定向检索

    • 商品详情页入口:定向检索该商品的相关信息,而非全店通用知识。

    • 售前/售后路由:根据意图分类,售前侧重引导性、商品参数知识;售后侧重严谨性、订单与物流政策知识。

  • 语义相关性过滤

    • 提升知识质量:依据当前问题与知识片段的相关性,过滤无关信息。

    • 引入权重加权计算:如商品知识在首页 / 详情页咨询的权重不同,采纳与否以相似度 × 权重的最终值为准。

6.3、信息组装

早期,我们把知识片段拼接成文本字符串,将其作为上下文信息提供给模型。随着业务持续迭代,我们发现即便对信息进行了筛选和提纯,依旧无法完全规避知识重叠、冲突以及信息过载的情况,进而导致线上出现Badcase反馈。因此,我们尝试采用结构化的方式组装信息,同时结合提示词来定义知识的优先级,以减少模型产生幻觉的情况。

在该阶段,我们的上下文结构大致如下,我们发现采用这种方式能够显著控制模型,减少幻觉问题的出现。

    <知识库>
      <商品信息>
        <商品名称>知识片段x</商品名称>
        <商品详情>知识片段x</商品详情>
      </商品信息>
      <物流政策信息>
          知识片段x
      </物流政策信息>
      <xxxx>知识片段x</xxxx>
    </知识库>

    07 知识工程

    7.1、商品知识

    商品知识主要包括两部分:预学商品信息和实时商品信息查询。这主要是为了让用户进线咨询商品相关信息时,模型能依据这些知识给出正确回答。

    预学商品信息

    预学习商品信息主要包含商品主图、商品规格以及商品详情。在图片信息提取方面,未采用传统的 OCR 方案,而是借助模型的多模态能力进行提取。该方式的优势在于能够处理结构化信息,就像具备常识的“图片解读者”,还可过滤冗余信息与图片中的无效内容。

    然而,使用模型提取知识也存在一些缺点。例如,商品详情存在错误或包含误导性信息,模型的回答可能会出错。如下图,商品规格中并无紫色的车,但商品详情的图片里却有,这致使模型回答错误。

    badcase

    对于这个问题,我们后面采用知识优先级的方法,来降低模型输出错误的情况。

    实时商品信息查询

    商品详情的相关静态信息将预先写入向量数据库。不过,商品状态、库存以及预售商品的物流等动态信息,均采用实时查询方式获取,并会在特定流程中将这些信息拼接到上下文中。

    7.2、历史对话知识

    为了补充知识,我们还从历史对话里学习,筛选高频的问答,以此提高AI承接率。不过,历史对话学习我们持续推进了很久,直到后期才有点进展。回顾整个过程,主要原因如下:

    • 刚开始用工程化代码对接 AIGC 服务,效果没达到预期,调试起来还很麻烦。

    • 历史对话信息数量庞大,难以确定有效知识的提取方法,且提取后还需进行去重处理。

    • 难以对知识质量进行判断,无法辨别对错,并且此过程的效率极为低下。

    后期,我们看到了一些效果,主要的实现路径有:

    • 我们把工程化代码对接AIGC 服务切到了 Dify,这样便于调试和迭代,而且产品也能更好地融合进去。

    • 将历史对话数据按照咨询维度提供给模型进行分析,随后利用现有的RAG能力对重复问题进行去重,同时对提取的QA对进行分类。

    • 历史对话知识,会进行单独召回,且提高分数和精准匹配,以此来减少线上Badcase产生。

    7.3 文档知识

    文档知识主要由商家在后台上传。技术上,通过优化文本切片的字符数(chunk_size)和重叠字符数(chunk_overlap),以在“上下文完整性”与“信息密度”之间的寻找动态平衡。其中,chunk_size 决定了信息承载量,chunk_overlap 则用于缓解边界断裂问题、保持语义连贯。经过多次测试与调整,目前我们设定的 chunk_size 为 600,chunk_overlap 为 100。

    08 评测和反馈优化

    8.1、为什么要评测

    Agent的开发测试与传统软件开发存在根本性差异。传统软件测试通常针对固定目标,流程标准化且结果可复现。而Agent的评测,则需应对其自身的不确定性、开放性与场景多样性等核心挑战。因此,AI项目中如模型更换、提示词调整或功能迭代时,我们是无法完全沿用传统的测试方法与标准。

    8.2、评测怎么落地

    我们认为一个有效的评测体系应涵盖几个关键要素:评测对象、评测数据集、评估指标,以及反馈优化机制。随后,对这些关键要素进行逐步细化,并推动其落地实施。

    • 评测对象

      可从以下角度切入:

      • 业务场景:覆盖不同入口进入咨询的路径,例如商品详情页、首页等。

      • 流程覆盖:包括端到端的全流程评测,以及单节点能力评估,如意图识别准确性。

      • 知识评测:不同业务场景对知识的需求各异,可对文档知识、商品知识等知识的质量进行评估。

    • 评估指标

    AI客服,确立评估指标是评测过程中最具挑战的一环。由于行业特性、商户需求与商品类目的差异,单纯依赖人工判断回复正确性难以全面覆盖。因此,我们还会依据历史对话数据,运用评估器来判断内容的相似度,以进行综合评估。

    • 评测数据集

    项目上线前,我们从历史对话中提取内容,并人工构造一部分,形成一小批测试集。项目上线后,我们会依据线上实际流量情况,筛选出Goodcase和Badcase,并将其作为数据集保存。

    • 反馈优化

    除了在单次评测后进行效果优化,我们还会对线上流量进行实时监控巡检,构建“问题识别 -> 根因分析 -> 优化迭代”的数据闭环,达成从Badcase到模型迭代的良性循环。

    8.3、过程总结

    AI评测至关重要,其本身是也是一个持续优化的过程。同时,还需要多个角色协同合作。基于实践下来,我们觉得产品和研发要做好把控好整个流程,重点关注指标和效果反馈。测试人员应将精力投入到评测的基础建设以及用例集方面,尽可能提升“评测 -> 优化 -> 再评测”这一循环的效率。

    09 协作与项目管理

    经过一段时间的体验,深切地感受到AI项目和传统软件研发有很大不同,主要表现在

    • Prompt、Contenxt和业务逻辑高度耦合,导致职责边界表得模糊。

      • 协作不再是“交付接口”,而是“共同迭代 Prompt + 逻辑 + 数据”。

    • Agent/Workflow 架构的灵活性带来责任分散 ,同时智能体开发平台(如Dify)的兴起加速了产品MVP的验证过程。

    • 大家对新事物的了解程度不一样,都是边干边学,而且项目结果有很大的不确定性。

    我们尝试去做的

    • 建立 AI 原生协作流程:比如 Prompt 评审机制、评估指标对齐、产研协作。

    • 文档化决策:比如记录选择 Workflow 而非 Agent 的原因、增加特定流程的考量因素等,即注重过程记录。

    10 总结与展望

    从最初“黑客马拉松”式的灵感碰撞,到如今步入稳定运行、持续进化的新阶段,有赞AI客服的从0到1,不仅是一次技术栈的升级,更是一场研发模式与思维方式的深度变革。

    未来,我们将重点聚焦在以下方向:

    • 从“单一职责”到“智能协同”:持续迭代进化工作流,探索并引入更具自主性的智能体(Agent)能力,以应对更复杂的交互场景。

    • 深挖多维知识潜力:将投入更多资源优化历史对话的自动化清洗、问答(QA)转化以及商品学习等,从而使沉淀的海量数据切实成为AI进化的驱动力。

    • 构建更敏捷的AI原生协作体系:通过建立 Prompt 评审机制和评估指标对齐,打破产研边界,实现提示词、逻辑与数据的共同迭代 。

    AI 浪潮下,智能客服的演进没有终点。我们将继续秉持“宁可不答,不能答错”的严谨态度,不断拓宽AI的应用边界,为商家提供更高效、更具温度的智能服务体验。

    阅读原文

    跳转微信打开

    2025【技术原创文章】大汇总|内含福利

    2026年1月12日 18:02

    原创 人才发展中心 2026-01-12 18:02 北京

    时光荏苒,Qunar技术沙龙陪伴大家又走过一年技术探索的征程。这一年,我们向大家分享了近二十篇高质量的技术文章,覆盖AI应用实践、数据库、中间件、系统/架构优化和运维方面等领域。

    在这一年的旅程中,感谢每一位读者的真诚相伴,你们每一次的阅读与反馈都让我们备受鼓舞。

    在此辞旧迎新之际,小编特地为大家汇总了2025年的技术文章,向大家呈现这一年来所探索的“技术地图”。(点击文章标题即可阅读哦)

    //

    AI应用实践

    作者:姚佳梅

    概要:去哪儿网结合AI与D2C技术,实现前端代码自动生成并显著提升开发效率。

    作者:李杰

    概要:OpenAI Agents SDK详解:多智能体协作与可视化追踪,轻松构建可靠AI应用。

    作者:王松

    概要:基于Multi-Agent智能体架构,去哪儿网实现白盒漏洞AI自动化审核,准确率高达97.36%。

    作者:陈力

    概要:深度优化提示词五步法,让机票客服AI精准理解用户意图,告别答非所问!

    作者:王朋朋

    概要:从单智能体到多智能体协作:用LangGraph4j实战Supervisor模式,构建企业级智能体系统!

    去哪儿网端智能架构设计和实践

    作者:陈军

    概要:端侧AI毫秒级决策:去哪儿网实战揭秘如何用智能架构精准预测用户流失。

    //

    数据库

    如何实现 Redis 高并发缓存?架构设计、实战案例与优化策略全解析

    作者:冷正磊

    概要:Redis高并发缓存如何设计?架构师带你揭秘热Key、雪崩等核心难题的实战解决方案!

    去哪儿StarRocks实践

    作者:任志民

    概要:去哪儿网如何用StarRocks统一OLAP架构?带你了解高并发查询从5.7秒优化至2.4秒的实战路径!

    数据库监控的进化之路:去哪儿网的指标采集与智能告警实践

    作者:钱芳园

    概要:去哪儿网数据库监控升级:智能告警与自愈系统实现精准故障定位与自动化运维。

    数据库巡检进入智能时代:异常检测算法的落地实践

    作者:杨赞

    概要:去哪儿网数据库巡检迈入智能时代:三大算法精准识别数据库异常趋势,让隐患无所遁形!

    //

    中间件

    去哪儿 KAFKA 再度优化-提升服务上限35%

    作者:王克礼&余东

    概要:通过优化filebeat攒批策略,提高了压缩比例,降低kafka集群35%总流量,有效应对流量高峰。

    //

    系统/架构优化

    双向驱动与反馈模型:构建实时准确的酒店报价缓存系统

    作者:谢欢

    概要:双向驱动+智能决策:高并发酒店报价缓存系统的实时精准之道。

    去哪儿营销实践-魔方营销画布

    作者:施黎明

    概要:可视化营销画布:拖拽式配置+多阶段执行,让复杂营销活动1小时快速上线。

    去哪儿酒店搜索排序模型的演进

    作者:杨旭

    概要:去哪儿网如何通过LambdaDNN与多目标模型迭代,持续优化酒店搜索排序效果?

    //

    运维

    去哪儿网一次JVM OOM问题的深度解码与治理实践

    作者:闫宏英

    概要:深度解码JVM OOM:无界队列引发内存泄漏,有界队列+降级开关根治隐患。

    去哪儿高峰期资源保障之智能扩缩容

    作者:刘丹

    概要:去哪儿网如何通过智能扩缩容系统,精准预测流量高峰并自动保障资源稳定?

    以上就是Qunar技术沙龙2025年的精华文章,感谢大家一直以来的支持与陪伴,愿这次汇总能给每位读者以新的灵感与思考。

    2026年,Qunar技术沙龙会继续陪伴大家在技术领域深耕,也欢迎各位小驼踊跃投稿,为大家分享更多一线实战经验与前沿思考!

    祝大家在新的一年里心有所愿,行有所成!

    ( 新年好礼)

    HAPPY NEW YEAR

    值此新年之际,小编也为各位读者准备了新年福利!

    月野钛行杯

    月野运动包

    参与方法:关注“Qunar技术沙龙”公众号,私信回复“2026新年好礼”,系统将抽取10位幸运读者送上新年礼物~

    温馨提醒:“2026新年好礼”活动截止日期为2026年1月19日18点(抽完即止)。中奖后请详细填写收件地址,我们将尽快寄出~

    阅读原文

    跳转微信打开

    1端开发6端复用:去哪儿RN转QTaro实战经验分享

    2026年1月8日 18:02

    原创 刘亮亮 2026-01-08 18:02 北京

    e7aea0b2-cb9f-4322-b3ce-66271860cbe5.png

    文章概览

    • 项目背景及目标

    • 技术选型

    • 项目筹备

    • 迁移实战

    • 项目复盘

    • 结语

    保障数据情况

    作者介绍:

    刘亮亮,2019年加入去哪儿旅行火车票团队,火车票前端技术委员会成员,主要负责火车票/汽车/船票营销和辅营相关业务开发。

    一、项目背景及目标

    随着公司业务持续拓展,多端实现相同功能的需求日益凸显。与此同时,多端独立开发的弊端逐渐显现:

    1. 人力成本上升,开发人员需掌握多种技术栈,学习成本高、负担重;

    2. 维护成本增加,问题修复与迭代升级周期延长,效率降低。

    为解决上述问题,火车票大前端团队启动“统一前端技术栈”项目,旨在通过一套代码实现多端复用。

    项目目标:

    1. 实现一套React Native(RN)代码在iOS、Android、Harmony、支付宝小程序、微信小程序及H5共6端复用;

    2. 转换工具的代码复用度>80%

    二、技术选型

    1. 考量因素

    • 当前火车票前端需求以RN开发为主,需将RN项目高效转化为多端应用,提升产品体验一致性。

    • QTaro是大前端中心基础框架团队基于Taro打造的多端解决方案,支持小程序、H5与RN项目同步开发。其在原生Taro生态基础上,提供了公司内部多端开发工具、业务扩展库及开发规范,能有效降低业务前端开发成本。QTaro还提供RN代码转换、运行时支持及项目发布能力,与火车票项目诉求高度契合。

    • 尽可能保留原有RN开发习惯,降低团队学习成本。

    整体方案:依托QTaro的跨平台能力,联合基础框架团队打通QTaro与QRN,基于QTaro实现业务跨端落地,最终将QRN运行于多端,从而降低学习成本、提升开发效率、减少人力投入。

    2. 方案挑战

    • 组件与属性差异大:涉及RN/QRN/第三方库组件与API约82处,CSS 属性差异30余处,如何抹平差异实现无缝衔接是关键。

    • 业务逻辑层多端差异:页面路由、登录、支付等功能需各端独立实现。

    • 多端性能优化:转换后代码在各端的性能表现需持续优化。

    • 请求接口统一:如何实现各端网络请求接口的统一封装。

    三、项目筹备

    项目分两期推进:

    • 一期目标:完成订单详情页从RN到QTaro的转换,并上线微信小程序版本。选取该页是因为其UI组件丰富、交互相对简单,适合作为技术验证切入点。

    • 二期目标:完成火车票所有RN项目的转换并全端上线。

    四、迁移实战

    1.转换工具设计

    1.1 整体流程

    1.1.1 方案选型

    • 方案一: RN转多端。以RN项目为开发起点,隐藏中间转换项目,保持RN开发习惯,实现RN→多端单向转换,学习与开发成本最低。

      • RN转换成QTaro中间项目

      • 中间项目转多端(WX小程序/H5/ALI小程序)的方式,是RN单向转换,最小的开发成本就可实现RN代码一拖六

    • 方案二: QTaro转多端。以QTaro中间项目为起点,实现QTaro→6端转换,转换工具实现复杂,且需遵循RN样式约束,开发成本较高。

      综合评估后,选择方案一:RN转多端。兼顾开发效率、开发成本、学习成本,以及减少对当前RN项目的影响。

      • 从QTaro中间项目作为开发起点,转RN。必须按照规范《 React Native 端开发前注意》开发,涉及6端的转换, 转换工具实现复杂;

      • 按照QTaro的RN规范开发,本质是以RN的样式管理约束。在样式上统一多端,木桶效应,短板对齐(向最弱的RN对齐);

      • 在灵活的QTaro项目下开发,还要施加RN的样式约束,不如直接以RN项目开发更顺畅;

      • QTaro->RN可能存在诸多问题,对当前RN项目影响大(线上出故障的概率变高)而且增加维护成本。

    1.1.2 中间项目说明

    • 中间项目是临时&隐藏项目,  位置在当前项目.taroCache/project目录下。开发者不需要关心.taroCache,可以认为它不存在。

    • 中间项目符合QTaro框架规范的要求。

    • 开发者使用rn2QTaro cli命令行进行操作,内部调用Taro命令对中间项目进行构建。

    • 经过Taro build的处理之后,中间项目将会生成目标平台产物。

    1.1.3 一套代码6端复用的思路

    • RN项目->转换工具->QTaro中间项目->ALI小程序/WX小程序/H5  3端

    • RN项目->Metro->IOS/Adr/Harmony  3端

    1.2 转换工具流程图

    转换流程说明:

    1.2.1 初始化中间项目

    1. rn2QTaro拉取模板项目。模板项目是最小化的QTaro Js项目,承载转换后的JS代码。

    2. 根据当前项目中rn2QTaro.config.js配置项,安装中间项目的依赖文件以及RN多端库。

    1.2.2 转换过程

    1. 转换工具遍历项目所有JS文件,根据配置项,将RN/QRN等相关库映射为替换库。

    2. 删除RN项目中所有propTypes。

    1.3 RN库映射多端库

    1.3.1 架构图说明

    1. 转换工具根据配置文件,把项目中使用的RN库映射为对应的多端库。

    2. 多端库通过QTaro的MultiPlatformPlugin引用对应平台实现的组件和API。

    1.3.2 架构亮点

    1. 多端库的代码结构设计,利用QTaro已有的多端能力(MultiPlatformPlugin)进行多平台切换,简单高效。

    2. 通过封装QTaro抽象层的组件和API构建的RN等效多端库,可以随QTaro的扩展而动态支持更多平台。

    1.4 抹平组件属性差异

    1.4.1 方案选择

    方案分析:

    • RN和其他端相同功能的组件,例如: View, Text等,  默认属性差异大, 且style属性多为动态赋值,用babel处理非常复杂。例如: 为CSS样式width属性添加'PX'单位。期望将width: 20转义为width: "20PX",但实际项目多是动态赋值:

    • babel转义难以完成。

    • 选用运行时方案,仅需封装各端的组件和API,修改接口或属性向RN对齐,即可完成。

    • 在RN项目中,多采用import进行引用,而import语句本身是静态的,在转义阶段就已确定,因此import路径的替换必须放在转义时进行。

    方案确认:

    1. 通过babel AST完成RN库映射为多端库。

    2. 在运行时抹平各组件CSS样式差异,抹平样式模块封装在基类组件中。

    1.4.2 行内样式 & 样式文件

    RN使用JS对象来定义样式,并通过StyleSheet.create方法来创建样式表。

      //styles.js
      const styles = StyleSheet.create({
        container: {
          flex: 1,
          backgroundColor: '#F5FCFF',
        }
      });


      //App.js
      <Viewstyle={styles.container}>
      </View>

      当RN转QTaro,使用react开发时,同样支持使用JS对象定义样式。保持RN原有的CSS-in-JS样式是比较简单的处理方式。

      另一个问题是react中没有StyleSheet.create方法。

      解决方法2种:

      1. babel AST转为

        //styles.js
        //babel转义: 把StyleSheet.create的入参,直接赋值给styles
        const styles = {
          container: {
            flex: 1,
            backgroundColor: '#F5FCFF',
          }
        };


        //App.js
        <Viewstyle={styles.container}>
        </View>

        2. 自己实现StyleSheet.create

          const StyleSheet = {
              create(styles) {
                  const result = {};
                  Object.keys(styles).forEach(key => {
                      result[key] = styles[key]
                  });
                  return result;
              }
          };

          1.4.3 行内样式style兼容

            //RN中style支持样式数组,QTaro中不支持
            <Viewstyle={[styles.container,extraStyle]}>
            </View>

            解决方法:

            1. 自己实现StyleSheet.flatten,递归地展平数组中的每个样式对象,并将它们合并成一个单一的样式对象。

            2. 样式处理

            3. 方式1: babel 转义

              //RN中style支持样式数组,QTaro中不支持
              <Viewstyle={StyleSheet.flatten([styles.container,extraStyle])}>
              </View>

              方式2: 在兼容组件的入口,调用StyleSheet.flatten转为单一样式对象

              1.4.4 更多样式问题

              1. 尺寸单位 

              RN中许多样式属性是不带单位的。因为RN的样式系统是基于弹性布局(Flexbox)设计的,它在不同的平台(iOS 和 Android)上会自动进行适配。 

              但是在QTaro中,建议使用px、%作为尺寸单位,其默认会根据平台对单位进行转换,不希望做默认转换需要设置为"PX"。 

              我们评估RN代码转QTaro,大多数需求场景设置"PX"较为合理,实际项目测试的结果也符合预期。 

              常见的width, height, margin, bottom等,约有60多个。
              可参考文档: 《Layout Props · React Native》

              2. 阴影

                //RN代码 shadow样式
                StyleSheet.create({
                    myView: {
                        shadowRadius: 5,
                        shadowOpacity: 0.5,
                        shadowOffset: {x: 2, y: 2},
                        shadowColor: 'gray'
                    }
                })
                //转为 react boxShadow样式
                StyleSheet.create({
                    myView: {
                        boxShadow: `2PX 2PX 5PX 0PX gray`
                    }
                })

                3. 动画 

                将RN的transform属性转换为Web的transform属性。 

                rn支持的转换:

                1. rotate系列:rotate, rotateX, rotateY, rotateZ

                2. scale系列:scale, scaleX, scaleY,scaleZ

                3. translate系列:translate, translateX, translateY, translateZ

                4. skew系列:skew, skewX, skewY

                  //RN的 transform
                  {
                          transform: [  
                              { rotateZ: '-60deg' },  
                              { translateY: -8 },  
                              { translateY: 4 }  
                          ]
                  }


                  //react的 transform
                  {  
                       transform: 'rotateZ(-60deg) translateY(-8PX) translateY(4PX)'  
                  } 

                  4. 样式替换 

                  例如: RN的marginStart需要替换为marginLeft, marginHorizontal需要替换为marginLeft, marginRight。

                    //RN属性
                    {
                            marginHorizontal: 10
                    }


                    //转换后代码
                    {
                        marginLeft: 10PX,
                        marginRight: 10PX
                    }

                    5. 默认样式差异

                    • display:

                      • RN: 组件的display属性是flex,所有的布局都是基于Flexbox。

                      • CSS: 组件的display属性是block,类似于HTML中的div元素。

                    • flex和flexDirection:

                      • RN: 在View上默认display: flex和 column。子组件垂直排列

                      • CSS: 如果设置为flex布局,默认值是row。子元素水平排列

                    • box-sizing:

                      • RN: 默认值为border-box且只支持这种

                      • CSS: 默认值是content-box

                    • 更多默认样式差异可参考:

                    2. 实现RN多端库

                    实现UI组件及API库,替换RN/QRN/第三方RN库中对应的UI组件及API。RN多端库是抹平多端差异的核心库,  具有通用性,适用于各RN项目。

                    2.1 已实现多端库

                    还包括qunar-react-native, react-native-keyboard-aware-scroll-view, react-native-render-html, react-native-WebView等共14个RN多端库, 不再详细列举。

                    RN标准库中组件和API实现已覆盖80%(因平台差异, 无法实现组件占位留空)。

                    火车票项目中组件和API覆盖86%,和平台关联较大的部分组件(截屏、QP包管理、日历、通知等)已被降级处理。

                    2.2 组件实例接口差异

                    RN中组件节点的实例方法与QTaro组件库存在差异 

                    常见的有:

                    1. this.viewRef.current.measureLayout测量视图布局

                    2. this.qVideoRef.current.play/pause/seek视频播放等操作

                    3. this.textInputRef.current.blur/isFocused判断焦点操作

                    通过自定义组件实例的外部接口,确保多端库组件实例方法与RN组件接口一致。

                    下面以View组件为例,添加可供外部调用的方法measureLayout,和RN View接口保持一致。

                    3. 业务代码多端适配方案

                    RN转QTaro框架, 不仅要适配RN/QRN/三方RN组件,还需处理平台相关的业务逻辑差异。

                    深入分析每个差异功能后,发现业务逻辑差异是因使用RN原生插件引起,以NativeModules为切入点可以做到隐藏差异。

                    主要差异功能:登录、支付、页面路由、网络请求

                    以Network为例,说明业务代码的多端适配图

                    3.1 架构说明

                    以NativeModules为切入点,业务开发同学不需要关心平台差异,同时可以对NativeModules扩展,后续支持更多平台。

                    3.2 NativeModules多平台切换

                    @taro/NativeModules实现了一套和火车业务RN原生插件接口一致的类。

                    • RN平台通过@taro/NativeModules/index.js引用react-native的 NativeModules

                    • WX平台通过

                      @taro/NativeModules/index.weapp.js引入weapp多端库实现。

                    以接口请求Network.js为例说明:

                    • 多端适配前

                      //RN插件 NativeModules.TRNQunarNetwork 发送请求  
                      import { NativeModules } from 'react-native';

                      • 多端适配后

                        //路径替换,引用多端文件  
                        import NativeModules from '@taro/NativeModules';

                        • RN平台@taro/NativeModules/index.js

                          //RN平台直接导出 react-native 的 NativeModules。外部通过 NativeModules.TRNQunarNetwork 获取原生请求插件  
                          import { NativeModules } from 'react-native';  
                          export default NativeModules;
                          • WX平台

                            @taro/NativeModules/index.weapp.js

                            //微信小程序平台导出自定义 NativeModules, 对外接口和RN平台保持一致。外部通过 NativeModules.TRNQunarNetwork 获取WX平台请求接口  
                            const NativeModules = {    
                              TRNQunarNetwork,//封装了WX端实现类  
                            }   
                            export default NativeModules; 

                            3.3 方案总结

                            该方案进一步封装了业务逻辑的多端差异,把NativeModules作为多平台切换的入口点,在各个平台封装一组与原生RN插件等效的功能类(例如 TRNQunarNetwork, TRNNavigator),并确保功能类对外接口在各平台完全一致。

                            可以完美和react-native的NativeModules数据结构契合,做到各端平滑切换。涉及业务代码的多平台差异被隐藏在NativeModules中,后续产品需求开发时,开发同学仅需聚焦到业务逻辑即可。

                            4. 项目的难点

                            4.1 RN转微信小程序严重超Size问题

                            4.1.1 背景

                            小程序总包剩余空间不足, 产品需求开发已严重受限。

                            RN转QTaro项目面临的最大难题是要解决Size问题,如果不能上线微信小程序,多端复用也就失去意义。

                            4.1.2 解决方案

                            把所有的RN页面利用QTaro框架转为H5,通过WebView方式加载。

                            WebView加载方式选择:

                            4.1.2.1 MPA面临的问题

                            1. 不能共享内存实例对象:  global上注册了很多功能类和数据类,包括共享的ABTest数据,QConfig等。这些数据在各H5页面间不同步。

                            2. 事件订阅和通知无效: 页面通过EventCenter注册事件订阅,监听某个页面的数据变化。页面无法监听其他页面触发的事件。

                            解决方法 : 难以修复。火车项目页面>100个,MPA下修复共享实例问题,需要改动的代码量巨大,将会严重阻塞项目进度。

                            4.1.2.2 SPA面临的问题

                            1. 多个RN项目是单独打包出多个H5产物。同一个H5产物,页面之间可以共享对象实例,但不同的H5产物之间仍无法共享数据。

                            解决方法:多个RN项目合并打包,打出一个H5产物。

                            4.1.2.3 MPA和SPA共同面临的问题

                              1. 修改WebView的hash方式传参,H5页面被重新reLaunch,页面栈丢失。

                              解决方法:同域名可以通过local storage传参,跨域下通过后端接口共享数据。

                              2. 小程序和H5登录态不同步问题

                              解决方法:外部登录态通过URL传入WebView,保存在WebView的cookie中。

                              3. 首次资源下载问题过大

                              解决方法:通过webpack文件分割优化后,首次下载资源1.7M,后续页面下载平均200K。

                              综合考虑以上因素,选择SPA方案能够更好地解决项目中的问题。SPA在内存对象共享、页面流畅度以及资源利用效率等方面具有优势,且能解决项目中面临的关键问题。

                              五、项目复盘

                              5.1 项目的成果

                              5.1.1 转换工具代码复用度87%

                              针对所有涉及的RN项目,分别获取起始和结束时的git commit hash(版本提交哈希值),然后进行git diff操作,计算得出两次提交之间代码行数的变化量与总代码行数的比值为13%。

                              粗略估计转换工具可以节省RN转换整体工作量的 75%。

                              5.1.2 一套代码多端复用

                              UI样式效果微信小程序H5对比Adr-RN:

                              UI样式和功能向RN端看齐, 减少用户多端切换时的学习成本,保证用户各端功能体验一致。

                              5.1.3 节约人力成本>50%

                              以3端为例:

                              • 接入QTaro方案,节省(300%-160%)/300% =47%

                              • 业务差异封装后,  节省(300%-100%)/300% =67%

                              • 覆盖的端越多,每端成本越小

                              以业务线投入4人到非RN端开发计算,统一多端后,年化节约人力 4*235pd( 每人每年pd数 ) = 940pd。

                              5.1.4 突破小程序Size限制

                              通过加载单页面H5,解决了RN转WX小程序严重超Size的问题。

                              转H5后,车次列表页TTI-P90对比如下:

                              安卓手机,微信原生和微信H5对比

                              IOS手机,微信原生和微信H5对比

                              结论:

                              在IOS/Adr系统上,H5的TTI-P90基本优于微信小程序原生代码。

                              在解决微信小程序Size问题上,目前取得了阶段性的成功。火车票前端正在深入分析原因,尝试通过加载流程优化,资源预加载等策略进一步提升用户体验。

                              5.2 不足与展望

                              5.2.1 组件兼容性

                              例如: RN部分组件/API在平台兼容性方面存在问题,其中较为棘手的是Animated、PanResponder等与动画手势相关的组件。

                              H5多端库动画问题, 可以参考开源库 https://github.com/necolas/react-native-web进一步完善。

                              WX多端库动画问题:

                              • WX动画是通过API createAnimation实现,  而RN的Animated由3-4个API配合使,考虑到调用方式以及动画与组件的关联,完全模拟较为复杂。

                              • wx.createAnimation依赖于小程序的JS运行环境,受限于小程序的性能和资源分配,尤其是在低端设备上,容易出现卡顿。

                              解决思路:可以使用CSS动画实现。但CSS不能动态调整动画参数,不适合作为通用的多端库组件,因此需要在平衡动画流畅性和通行性上做取舍

                              5.2.2 转换工具覆盖度

                              多端库组件和API,目前主要适配火车RN的项目,未来可扩展支持更多RN生态组件。

                              5.2.3 样式边缘情况

                              组件适配的边缘情况的处理不够完善。在抹平组件属性差异的过程中,个别属性差异可能导致特定设备或浏览器上显示异常,需持续测试与完善。

                              六、结语

                              本项目提供了一套将RN项目转换为QTaro框架的完整解决方案,涵盖转换工具、多端兼容库与业务差异封装,显著提升开发效率与多端一致性。在迁移过程中,团队积累了丰富的跨端适配经验,也深刻认识到协作与沟通在复杂项目中的关键作用。

                              未来,火车票前端将持续跟进QTaro框架演进,进一步优化性能与体验,为业务赋能提供更强支撑。

                              阅读原文

                              跳转微信打开

                              全球大模型第一股的上市访谈:敢问路在何方?

                              2026年1月8日 10:11

                              张小珺 x 张鹏 2026-01-08 10:11 浙江

                              Break a leg(摔断一条腿),意味着,祝你好运。

                              访谈:张小珺 x 张鹏

                              上市前夕,智谱CEO张鹏在一次出差途中摔伤了右腿。到达访谈地点时,他拄着一副拐杖。

                              当时,智谱确切的上市日期尚未明朗。它与MiniMax之间围绕“全球大模型第一股”的竞争仍在继续,结果并未尘埃落定。张鹏提到一句西方俚语:Break a leg(摔断一条腿),它通常意味着祝你好运。

                              几天之后,结果揭晓。

                              智谱确认于2026年1月8日(也就是今天),登陆港交所,成为中国首家上市的大模型公司,这也意味着它将是“全球大模型第一股”。

                              就在这个意味深长的历史时刻,我与张鹏做了一场3小时长谈。

                              如果一百年后,智谱出现在人工智能的历史书中,你希望它以怎样的方式被写下?

                              “AGI的先行者。”张鹏想了想,说,“一个开路的人。”

                              以下为本次访谈的节选内容。

                              完整版请观看视频播客或收听音频节目。

                              01 

                              谈上市

                              “我觉得祝大家好运吧”


                              张小珺:我想了想,智谱有可能会成为不仅是中国,而且是全世界第一个IPO的大模型公司,动作比OpenAI快。

                              为什么AGI还没有实现,你们这些公司都纷纷上市了?

                              张鹏:确实这里面有好多原因。实现AGI我从来不认为非常简单,也不是非常短期就能实现的目标——是一个马拉松,一个长跑。你一定要坚持下去。

                              在不同阶段,用不同方式去度过这一段。比如马拉松起步时,你为了要摆脱拥挤的起步阶段,需要加一点速跑到第一集团去;中间有一段时间大家都坚持不住,你要去补给站拿一些补给,把体力保持住,不断做消耗和摄入能量之间的平衡——在不同的阶段有不同的方式去运转整个体系。

                              在我们第一天公司成立的规划里,大概也就是6年、7年这个时间,就要去面临IPO。

                              张小珺:什么时候开始正式启动上市计划的?

                              张鹏:如果按照倒推三年业绩期,2022年、2023年就开始了——包括我们要怎么去做商业化,怎么去做收入,成本投入怎么控制,团队怎么发展,这些同步进行。

                              张小珺:在你看来,不仅是你们,这一波AI公司的上市,对于AGI来说它会是一个怎样的路标?

                              张鹏:从资本市场的角度,你在一级市场都算没有离开学校,还是在学习、培养、成长的阶段。到二级市场之后,是更接近市场的阶段。

                              对行业也是里程碑,这就证明了,这件事并不是一个镜中花、水中月。它是真的能走到产业级的事情。

                              张小珺:有没有一部分原因是,投资人在今天这个时间点也希望能够离场,希望能够落袋为安。

                              张鹏:我不排除有人这么想。但我觉得像我们很多投资人还是跟我们一样,保持着同样的信念和想法——想要大家一起走下去,取得更大的成功。

                              并不是说简单的上完市我们就退掉,落袋为安,挣了钱就OK。

                              张小珺:最近大家会把你们跟MiniMax放在一起来讨论,因为他们也在争夺所谓“中国大模型第一股”。

                              (访谈当天,谁是大模型第一股的形势,还未明朗。)

                              张鹏:因为时间最接近嘛。我看网上分析,很多还是很中肯的。这两家各有各的特点,各有各的发展路径。

                              当然我也不评价MiniMax怎么样,至少从我们内心来讲,智谱所怀揣的理想和想法还有后面的动因,在我们的招股书或者简单的几十页东西里,很难看得很清楚。

                              我最近也花了一些时间跟很多朋友聊,希望让大家能了解智谱背后,做这些事情背后的一些想法,不要对我们产生一些不必要的片面的认知。

                              张小珺:你有什么想对MiniMax CEO闫俊杰说的吗?

                              张鹏:我跟闫老师说话,最近稍微少一点;之前还挺多。

                              张小珺:最近为什么变少了?

                              张鹏:碰面的机会比较少。

                              张小珺:你有什么想对他说的吗?

                              张鹏:我觉得祝大家好运吧。

                              张小珺:你怎么看OpenAI也可能要上市?

                              张鹏:听说它也在准备,OpenAI可能是另外一个故事,在美国那个大环境底下,叫“高风险”、“高投入”、“高回报”——“三高”。

                              张小珺:你们呢?

                              张鹏:我们相对更符合中国的情况,在高风险或者叫高科技的领域里面,追求稳定性、可控性、可预期的模式。

                              张小珺:怎么应对上市后的技术投入、算力投入和二级市场的资本压力——上市之后,会不会反而让你们变成一家平庸的公司?

                              张鹏:我觉得不会。这也是我刚才说,为什么我们希望通过你这档节目,更多让大家知道智谱到底是在想什么、在做什么。很多事情起源于人和人之间的认知的差距和互相的不理解。

                              张小珺:你觉得被误解的是什么?

                              张鹏:可能有一些人认为:你看他们就是做项目外包的,是个to G的公司,围着政府转的——我觉得不是这样。里面有很多深层因素在里边。

                              从表象上看,中国前10大互联网企业里,有9个是我们的客户,都是我们很重要的客户。我们有60%是企业客户,政府这块它只占到20%,很少,其实不大。

                              你要说我们是一个to B的公司,这个可能我认。to G并不是我们很真正占大头的东西。

                              我们一直说,我们是服务企业,因为企业才是整个社会里边生产利益最集中的地方,转化效率最高的地方。一个生产力变革级别的技术,你当然是要找到这样的地方去落地。

                              这是最straight forward(直截了当)的逻辑,也是我们这些做工科、做理科出身的人,很容易想到的事情。

                              02

                              谈创业

                              “不过你说对了”


                              张小珺:我觉得你还没有很好的准备,就做了CEO,随后被推进了一个大浪之中。过去三年,你是什么感觉?

                              张鹏:你怎么知道我没有做好准备?

                              ……

                              不过你说对了。

                              张小珺:为什么清华让你们几个人来开始创立(智谱这家公司)?是谁让你们创业的?

                              张鹏:这个不是别人要我们怎么做,就是我们自己想做。

                              我当时在实验室里做工作的时候,负责的就是工程转化。教授们带着学生们做研究,做完研究的东西,他可能发Paper,我要去Deliver给这个我的企业的客户。

                              企业客户的要求肯定不只是说一篇Paper或者Prototype(原型)的代码,他需要是一个System、一个Product。我就带着一帮人在做这些事。

                              张小珺:清华一直有这个工程转化的职位?

                              张鹏:我们系一直有,我们实验室尤甚。这是我们的传统。

                              从我的导师建立这个实验室开始,就非常重视这个。他提了一个概念叫,P2P——Paper to Project,或者Parper to Product。就是你的Paper研究成果,一定要转换成实际能用的产品或者系统。

                              2017年我们就尝试着在学校这个体制底下,怎么把这个商业化转化的路径走通。

                              那个时候,学校里体制内人员去开公司这个事,是不允许的。

                              张小珺:之前没有先例吗?

                              张鹏:有。但大家不是正式的官方渠道。你一个老师在外面开一个公司,好像没人举报你什么的,也就过去了。但严格来讲,这个事情需要跟学校去报备、批准的。

                              张小珺:没有想过,我先悄悄地做,被发现了再说?

                              张鹏:这个总会留下一些首尾嘛。这是我们这帮人的执念——走正规途径。

                              契机是到2018年,国家,包括教育部,包括几个部委吧,联合给了一个意见,允许这个科研院所的在职人员用已有的研究成果,做科技成果转化。

                              相当于,开了一扇窗户——大家看到了,唉,外面还可以有这么一条路——但它并不是开了一个很敞开、很大的一个门说,你随便走吧,它也没有那么方便。我们就拿这个东西跟学校谈,说:怎么办?我想办,怎么办?

                              学校其实也想干这个事。那个《办法》是2018年的1月出来的。研究这个细节,走通整个流程,公司注册到2019年的6月。一年半时间。

                              我们是首先吃螃蟹的人。

                              张小珺:一开始去融资,跟投资人当时讲这个事的时候他们兴奋吗?

                              张鹏:投资人听不懂,他们完全听不懂——这是什么东西?你们怎么挣钱?怎么把这个东西商业化了?投资人问的都是这个。

                              我印象特别深刻。有个投资人,哇,线上聊,说:这个东西你们能变成钱吗?现在你看这个大环境这么差,经济这么差,要不你们把估值降一半怎么样?

                              ChatGPT火起来就帮了我们一个很大的忙。大家再也不用质疑说你这个东西到底是啥。

                              我们就对他说:ChatGPT你懂吧?你看过吧?知道吧?——我们做的这个事情就是往这去。

                              03

                              谈对照

                              “他能干得很漂亮,但就是没有太多情绪价值”


                              张小珺:我听过一个评论是讲智谱的。智谱一直不算是这市场上最明星的项目,不是关注度最高的一个。你们有技术、有视野,但看起来会有点Boring。

                              他给我一个描述说,“就像水泥一样”——没那么有趣,但稳定性好。这个评论对你来说是中肯的吗?

                              张鹏:我觉得算中肯吧,就像大家评价清华理工男一样,就是Boring。

                              都很聪明,也很能干。正经用途你让他干什么事情,他能干得很漂亮。但是,就是没有太多的情绪价值。

                              张小珺:Kimi相对你们来说是不是更酷一点,同样是清华理工男。

                              张鹏:对,这是我佩服植麟(的地方),他很会抓住普通人的眼球,知道怎么去推广,怎么去理解普通人的需求和想法。我们可能在这方面做得没有那么的好,也跟我们的定位有关系。

                              张小珺:你们是什么时候决定不深入涉足to C的——这应该是个很重要的决定?

                              张鹏:我们倒不是说我们决定不深入去做to C,其实也做,我们发展出智谱清言APP,然后ChatGLM的云端版本,现在也仍然在做。

                              只是我们会选择说,不是押注在唯一的选择上。我们会同时看我们三四种模式,看哪种模式更能走得通。

                              张小珺:你们为智谱清言投过流吗?

                              张鹏:投过呀。这没什么好否认的,肯定投过。

                              张小珺:多久发现这场仗打不赢?

                              张鹏:有一段时间了吧。后来发现,中国的C端市场,付费意愿还是太差,大家不太愿意能付钱。

                              我们还是挣了点钱的,在清言上。

                              张小珺:没有想过要参与豆包、Kimi他们竞争?

                              张鹏:那不是我们的风格。

                              张小珺:to C比to B对于投资人来说,永远还是更有吸引力一些。

                              张鹏:我不太理解这个吸引力从哪来,后来我自己猜测了一个原因是在于:这个数字模型比较好算。一个用户值多少钱,比较简单。

                              但to B它太复杂了,你说一个客户值多少钱这个事情,千奇百怪,而且各种各样的因素都有。想要把这个事情算得很明白,比较困难。

                              张小珺:我现在回想起来,2023年印象很深的第一件事是,老王发了一个英雄帖,随后王小川也入局了。

                              你当时看到这些非常成功的企业家二次创业,来抢你们已经深耕好几年的市场,你当时在想些什么?会担心在商业上竞争不过他们吗?

                              张鹏:我们做了那么长时间,对这件事认知还是比较深的。虽然ChatGPT火了,但它要走的路还挺长,没那么快、那么容易。

                              (王)小川,因为那个时候他也在这里面嘛(办公室在一栋楼里),很近,我们经常到楼底下碰面。

                              他有个习惯,经常思考的时候,下去在我们的科技园底下,有一个开放的广场的长凳。他会盘着腿坐在那想问题。拿一个iPad,在那想问题。我有时候下去买咖啡什么碰到他,会聊两句。

                              张小珺:接着2024年,这个市场的主角似乎发生了变化,变成了杨植麟、闫俊杰。你会怎么看杨植麟当时?

                              张鹏:植麟,接触还算有几次,毕竟是我们实验室出去的。在学校,他是一个学霸类型的人。后来开始做Kimi,我觉得他应该能成。

                              张小珺:同门师兄弟,到了商业环境开始竞争,是一种什么感觉?

                              张鹏:清华的人有这个特质,大家都比较属于这种工科男,比较理性。

                              大家在一起的时候也聊得很开心,聊师兄弟,也都很说得开。但在商言商,碰到了,该怎么样就怎么样。各自有一套规则,各自有一套沟通方式。

                              张小珺:如何看待Minimax闫俊杰?

                              张鹏:他也是个非常聪明的人——第一个,找对了方向,第二个找对了市场——在这个基础之上,他非常明白自己想要什么。

                              张小珺:想要什么?

                              张鹏:我觉得他可能,就是奔着商业化这个事情去的。

                              你看他做的很多事情,不管是Talkie也好,还是语音、多模态这些,都是朝着这个方向去的。消费、娱乐、大家的精神价值、情绪价值,这个方向去的。他非常明确。

                              04

                              谈泡沫

                              “假设它是一个Bubble,我们上市能救AI吗?”


                              张小珺:我和一个AI 1.0时代的创始人聊天,他说:现在大模型公司上市本质是在“逃生”。

                              一部分市场的观点是,大家会觉得2026年AI的Bubble(泡沫)有可能会破,对2026年的预期不够乐观。所以2025年底、2026年初,能上就赶快上,这也许是一个有利的窗口期。

                              张鹏:第一,假设它是一个Bubble,我们上市能救我们吗?或者说,能救AI吗?

                              张小珺:能救投资人的钱包。

                              张鹏:那不是救我,对不对?

                              是不是Bubble跟上不上市没什么必然关系,你混淆这两件事,我是不太认同。逻辑上它没有必然的关系。

                              第二,它是不是Bubble最近也讨论比较多,我很习惯跟大家聊这种天的时候就会反问一句:你怎么定义Bubble?什么叫Bubble?

                              张小珺:任何周期都有泡沫,当我们在开始讨论的时候,担忧的是,像以前周期中大崩盘的情况。

                              张鹏:它崩盘是因为什么?投资过热嘛。投入这些东西得不到相应的这种收益。

                              好,那最近的泡沫是什么?

                              张小珺:互联网。

                              张鹏:所有人都会告诉你,最近的泡沫就是互联网那波泡沫。但是你看,就算互联网泡沫破了,它留下了什么?

                              现在大家用的、享受的很多东西,都是那个泡沫的时代留下的东西。你为什么要担心Bubble?

                              张小珺:担心自己刚好是被戳破的那个。

                              张鹏:说白了还是担心自己兜里的钱!

                              说白了还是:我能不能及时收回我投资的收益;并不是真正担心说,我投进去没有产生实际的东西,产生实际的生产力,或者留下真正有价值的东西。

                              那好。你说到这个角度,这个问题就容易解了。投资这个角度,你觉得美国够吗?你觉得中国够吗?——如果投资都不够的话,那凭什么叫Bubble呢?

                              张小珺:觉得不够的原因是因为,现在离AGI还很远。

                              张鹏:那既然它离AGI很远,我们要不要追求AGI?

                              张小珺:AGI不在现有的技术范式下能达到,有没有可能?

                              张鹏:那我们如果不投资,它会自然发生吗?

                              张小珺:它不会。

                              张鹏:那不就完了吗?

                              历史的大势就是这样。我问你的这些问题,逻辑都是一环一环相扣的,你就回答这些问题就知道了,你担心这个事是没有意义的。

                              它必然某个时间段会有Bubble,没问题,只是泡沫大小而已。那我就问你大小嘛,你说投资够吗?其实很多人也认为不够。

                              我不敢说美国那边够不够,反正中国肯定是不够的。

                              张小珺:中国(比美国)少很多。

                              张鹏:少非常多,是美国的几十分之一。而且很多这种投入都投到了什么?基础设施。反正就撒胡椒面撒下去了。它并不是集中像美国那样,在那几家脑袋上。所以,这个情况也不太一样。

                              你要说有Bubble,我相信,在资本市场角度,美国那个事情可能是有Bubble,但在中国这事不存在。

                              它是远远不够的。

                              张小珺:我理解你刚才是从历史的大势的角度来看,那如果是从公司的视角呢——朱啸虎此前一直说,大模型六小龙可能到最后连上一代的AI四小龙都不如。

                              你们出来创业是为了追求第二代AI范式,那么,从一个上市公司的角度,第二代AI公司和第一代AI公司,它们有什么本质区别?

                              张鹏:我无意反驳他这个观点,但我觉得他这个结论下的有点早。因为上一代的AI四小龙,还健在。有些还健在。

                              我们还很早期。你要从2023年开始算,现在才3年;你要再往前推一点,从我们公司成立2019年开始算,也才6年多。

                              这么早就盖棺定论吗?还太早。

                              他说的是个预测。我们就等着时间来证明就完了。

                              05

                              谈希冀

                              “一个开路的人”


                              张小珺:最近上市背后,有什么有意思的故事没有?

                              张鹏:我想想,我去参加了一下摩尔线程的敲钟仪式。我们跟摩尔合作时间还挺长,他们也邀请我过去,我跟他们说,我来学习一下,看看这个敲钟。

                              确实大家都很不容易,这一波,非常非常的不容易。各自有各自面临的难题,能走到这一步,可以说都是英雄。

                              张小珺:上市时敲钟(锣)手感好像挺神奇的,你准备重重地敲还是轻轻地敲?准备用什么力度?

                              张鹏:现场去看一下那个钟(锣)有多大——开玩笑、开玩笑。

                              张小珺:智谱首席科学家唐杰老师是一个什么样的人?

                              张鹏:唐老师是一个绝顶聪明,但是,是非常有执行力、很热情的一个人。一旦他想清楚一件事情,他会特别的push,特别的有passion去干这件事情,而且非常专注。

                              张小珺:他现在最push的是啥?

                              张鹏:拼命的push我们团队把模型的能力持续往上拱。当然上市的事他也很关心。

                              你看为什么我们要讲从2016年开始那个故事?其实就想给大家传递一个信息:智谱不是单纯就是想成立个公司去挣钱。本愿还是在于,我们要去探索AGI到底是什么。

                              只不过我们觉得在成立一家公司,在产业里面去做这件事情,更符合当下人工智能发展的需求。而不是简单的只是做研究,也不是简单去挣钱。

                              张小珺:做一家实现了AGI的公司和做一家利润很高的公司,这两个二选一,你选哪个?

                              张鹏:当然实现AGI的公司。这个不用想的。

                              张小珺:智谱,哪怕实现了AGI,挂了也可以吗?

                              张鹏:说这个话太不吉利……

                              当然我们不希望挂掉。而且我相信如果我们能够实现AGI,我们不会挂掉,我们也会是一个很伟大的公司。这两者并不是对立的。

                              张小珺:你觉得智谱如果做成什么样,你是不满意的?往后看5年。

                              张鹏:只赚钱,没有技术的产出或者说对行业的贡献,我就肯定不满意。

                              张小珺:100年后,如果智谱出现在人工智能的历史书上,你希望它被怎样撰写?

                              张鹏:从我个人角度,我希望在智谱注脚里有这么一句话:智谱是AGI历史上一个先行者。

                              你看我们做这个事非常早,包括很多技术上的突破,很多时候我们都是在吃螃蟹。

                              张小珺:早对你们来说重要的。

                              为什什么不是创新者,而是先行者?

                              张鹏:先行者一般就是创新者。

                              就是,一个开路的人。

                              (完)

                              本集节目由语言即世界 x 新浪财经联合呈现

                              免责声明:内容仅代表嘉宾观点,不做任何投资建议

                              观看视频


                              收听播客


                              推荐阅读


                              阅读原文

                              跳转微信打开

                              AI 实践:Code Insight 代码搜索定位的实践分享

                              2026年1月6日 17:54

                              有赞技术中台 2026-01-06 17:54 浙江

                              代码检索领域,本文结合团队半年实战,解析向量检索(RAG)与AST静态分析两大技术路径。分享了代码问答、TraceAI 排障、测试用例生成的应用场景。

                              Code Insight 代码搜索定位的实践分享

                              代码索引是为了帮助我们提高代码搜索和导航效率的技术。常见的使用场景:

                              1. IDE 中代码跳转,当点击跳转到实现时,IDE 会在索引中找到对应变量类的对应文件和行数,执行跳转动作。

                              2. 开发者可能想询问代码中某个具体的业务实现代码在哪个模块/文件中。

                              3. 非开发者:如产品/技术支持等同学可能希望在不借助开发者中介的情况下,对代码的某块业务实现有较准确的了解。

                              在AI编码工具普及的今天,"代码索引"已成为支撑研发流程的核心能力。无论是IDE中的快速跳转,还是AI助手的精准问答,都离不开高效的代码索引技术。本文将结合团队近半年的项目实践,探讨从语义检索到结构化分析的技术路径。

                              01 初识代码索引

                              提到代码索引,开发者们并不陌生。当我们在IntelliJ IDEA或VSCode中看到底部"Indexing..."的提示时,正是工具在后台构建代码索引。这些索引如同代码库的"智能地图",支撑着各类开发工具的运行。

                              indexing
                              indexing

                              1.1 从常用工具看索引:每天都在用的技术

                              不同开发工具采用的索引策略各有差异,这也反映出代码索引技术的多样性:

                              • IDE工具:跳转、补全、引用分析等核心功能,都依赖代码索引的提前建立;

                              index2
                              index2
                              • Cursor:聊天栏右侧提示可见其会使用 grep 等文本匹配方式,而系统配置中"Vector Index"选项表明还融合了向量索引能力;

                              cursorcursor2

                              • Claude Code:坚持采用grep纯文本匹配机制,而不考虑引入RAG方案。这也引发了社区关于两种技术路线的争议。

                              claude
                              claude

                              1.2 代码索引的核心定义

                              本质上,代码索引是通过特定技术快速定位目标代码的能力,它为庞大的代码库建立了高度智能的"目录"与"词典"。目前主流的实现方案包括向量嵌入索引、AST索引、ES全文索引等,本文将重点聚焦前两种在AI时代更常见的技术方案。

                              1.3 为何要在公司内部自建代码索引

                              在AI应用爆发的背景下,作为公司提供底层技术支撑的团队部门,我们对代码索引的需求主要来自三个方面:

                              1. 支撑AI编码场景:AI编程、agent模式问题定位等相关工具需依赖精准的代码索引获取上下文,关联代码的准确性直接决定大模型输出质量;

                              2. 保障代码安全:避免将包含密钥、密码等敏感信息的代码发送至外部大模型,通过自建索引实现敏感数据前置扫描;

                              3. 降低使用成本:第三方AI编程工具单次问答成本可达数美元,而自研方案成本可控制在几毛钱人民币,落地得当可大幅降低长期投入。

                              02 实现方案:从语义检索到结构分析

                              团队在实践中重点探索了两种方案:基于向量嵌入的RAG方案和基于抽象语法树(AST)的方案。前者擅长语义理解,后者专注结构化分析,二者形成互补。下文将先探讨应用 RAG 方案。

                              2.1 方案一:基于向量嵌入的RAG方案

                              引入向量嵌入索引技术的核心目标,是构建支持语义理解的代码定位能力,结合大模型打造智能代码问答系统。

                              2.1.1 RAG的核心原理

                              RAG的核心逻辑是"先检索再生成":在大模型回答问题前,先从外部知识库(代码库)中检索最相关的信息,将这些信息与问题一同交给大模型,从而提升回答的准确性。业界绝大多数RAG实践均采用向量检索,因此下文以RAG代指。

                              一个完整的RAG流程包含分块(Chunking)、嵌入(Embedding)、检索(Retrieval)三个步骤。

                              2.1.2 分块——平衡精度与上下文

                              分块是将代码或文本切分为更小处理单元的过程,直接决定后续检索质量。块过大易包含无关信息,块过小则会丢失上下文,常见分块方式有三类:

                              • 固定大小分块:设定固定token数量(如512个),以滑动窗口方式切割,相邻块保留重叠区域(如50个token)。实现简单、计算高效,但可能破坏语义边界,适合项目初期快速验证;

                              • 语义分块:对句子向量化后计算余弦相似度,当相似度低于阈值时进行切割,能保证块内语义连贯,分块质量更高,但实现复杂度增加;

                              • 场景化分块:Markdown、PDF等采用章节分块,代码则按语法边界分块,需结合语法树解析,同时控制块大小避免过长。

                              项目初期我们采用固定大小分块方案,在实现成本与效果间取得了平衡。

                              2.1.3 嵌入——语义的向量化转换

                              嵌入是将人类可理解的代码符号,转换为计算机可处理的多维向量的过程。在高维空间中,语义相近的代码片段,其向量距离也会更近。例如"用户登录验证"与"userAuthentication"的向量会呈现强关联性。

                              嵌入说明
                              嵌入说明

                              这个转换过程由专门的嵌入模型完成,转换后的数据会连同原始文本、来源文件、行号等元数据,一同存储到向量数据库中,为后续检索做准备。

                              2.1.4 检索——精准定位相关代码

                              当用户提出问题(如"系统如何处理用户登录?")时,检索流程会按以下逻辑执行:

                              1. 问题嵌入:使用相同嵌入模型将用户问题转换为向量;

                              2. 相似度搜索:在向量数据库中查找与"问题向量"最接近的K个代码块向量(K通常设为5-10);

                              3. 相似度度量:常用余弦相似度(关注向量方向差异)而非欧氏距离(关注绝对距离),更贴合语义关联需求;

                              4. 高效搜索:采用HNSW等算法构建分层图结构,通过"顶层粗搜+底层精搜"提升检索效率,适配百万级或以上向量规模。

                              HNSW
                              HNSW

                              2.1.5 工程实现

                              在实际落地中,我们围绕框架、模型等方面选型了一套实践方案:

                              • 框架选型:对比LangChain与LlamaIndex后,选择后者作为基础框架。因其基于RAG概念做了轻量化封装,同时对接多类大模型/嵌入模型厂商,调试更便捷;

                              • 模型选择:通过设计内部业务逻辑测试集,横向对比国内外嵌入模型,最终选出相关代码召回率达95%的模型;大语言模型方面选用的是成本综合较低的deepseek-v3,效果也还不错。

                              • 安全保障:所有代码片段在发送给模型前,均通过敏感信息扫描工具脱敏,避免密钥泄露;

                              • 上下文策略:优先将召回的完整文件发送给大模型,超出上下文限制时再采用分次查询汇总,默认控制召回Top 5文件覆盖核心需求。

                              2.1.6 RAG全流程梳理

                              从全局视角看,RAG实现分为索引构建与查询两个阶段,形成完整的数据流转链路:

                              • 索引阶段:原始代码 → 安全扫描与脱敏 → 分块 → 嵌入 → 存储到向量数据库;

                              • 查询阶段:用户提问 → 问题预处理 → 问题嵌入 → 向量检索 → 召回Top K代码块/文件 → 组织Prompt上下文 → 提交大模型生成答案。

                              RAG完整流程
                              RAG完整流程

                              2.2 方案二:基于AST的结构化索引方案

                              RAG方案在语义理解上表现出色,但在处理结构化信息时存在明显短板,这促使我们开始探索基于抽象语法树(AST)的索引方案。

                              2.2.1 RAG的技术瓶颈

                              在实践中发现,向量索引工具擅长特定业务问题找回少数关联文件进行分析,但对于涉及多文件(超出上下文长度),跨仓库等场景难以发挥效果。难以捕捉调用关系、继承关系等长链条结构;无法完成"代码改动影响范围分析""调用链图谱生成"等跨大量文件、仓库的程序分析任务。于是我们把目光放回了语法结构分析的老鼻祖:静态分析。具体来说是抽象语法树解析、字节码解析等技术,下面从语法解析角度简要介绍。

                              2.2.2 AST+符号表:构建代码的结构化认知

                              以下面的源码为例:

                                ounter(line
                                let answer = 6 * 7;

                                计算机理解这段代码分为两步:

                                • 第一步:词法分析

                                编译器/解释器会先把代码字符串“切碎”,变成一个个有意义的“单词”(称为 Token)。[ let, answer, =, 6, *, 7, ; ]

                                • 第二步:语法分析

                                然后,它会根据编程语言的语法规则,把这些 Token 组合成一棵结构化的树。这就是 AST。 一个简化版的 AST 结构可能长这样:(不同的解析器生成的 AST 节点类型可能略有不同)

                                  Program
                                    |
                                    └── VariableDeclaration (kind: 'let')
                                          |
                                          └── VariableDeclarator
                                                |-- id: Identifier (name: 'answer')
                                                └── init: BinaryExpression (operator: '*')
                                                      |-- left: NumericLiteral (value: 6)
                                                      └── right: NumericLiteral (value: 7)

                                  简而言之,AST 代表的是程序的骨架结构,而如果需要采集分析代码中的资产,我们还需要建立符号表。

                                  • AST的核心作用:将代码语句转换为树形结构,明确"哪里调用了某个函数",但无法定位函数定义位置与参数信息;

                                  • 符号表的价值:如同代码标识符的"注册表",在遍历AST时记录变量、函数、类的名称、类型、作用域、定义位置等信息。

                                  二者结合可构建程序调用关系图谱,实现精准的影响范围分析。例如当method 3修改后,能快速定位method 3→method 5→method 1的影响链路,其中method 1为Dubbo API。

                                  调用关系图谱
                                  调用关系图谱

                                  03 落地实践:代码索引的应用场景

                                  无论是RAG还是AST方案,最终价值都体现在业务落地中。目前我们已将代码索引能力集成到部分开发流程中,下面介绍几个应用场景。

                                  3.1 智能代码问答:提升业务理解效率

                                  该功能基于内部 OPS 平台的应用视角提供,核心是通过AI快速查询并总结应用的业务逻辑,下面是几类常见使用场景:

                                  • 前端接口与后端Dubbo接口的快速匹配,无需手动查询代码仓库,查问题再也不用从前端到后端拉一串人了;

                                  • 自动总结并绘制业务流程图,助力新人快速上手掌握陌生业务;

                                  • 较低的问答成本,作为 cursor 的日常平替。

                                  代码问答示例
                                  代码问答示例

                                  3.2 TraceAI问题定位:加速故障排查

                                  项目目标是结合大模型 Agent 的工具调用能力和规划能力,让 Agent 将代码问答能力与链路追踪(Trace)日志结合,自主进行线上问题定位。

                                  traceai
                                  traceai

                                  3.3 智能测试用例生成:适配代码改动

                                  基于AST解析得到代码改动关联的接口,自动生成对应的测试用例建议。该功能可推导出受影响的API接口,结合大模型对改动点的理解,确保测试覆盖核心改动点,提升测试效率与准确性。

                                  测试用例生成示例
                                  测试用例生成示例

                                  04 实践心得与业界对比

                                  在推进代码索引项目的过程中,团队积累了一些经验,也对比了一些业界方案,下面是一些心得分享。

                                  4.1 实践心得

                                  • 数据质量决定上限:遵循"GIGO"的机器学习原则,高质量的代码索引是AI编码辅助的前提,直接影响最终输出效果;

                                  • 拥抱不确定性:大模型存在固有随机性,相同问题与上下文可能产生不同输出,需通过多次运行汇总等工程手段弥补;我们对 AI 产出的预期也不能像程序运行那样去追求确定性。

                                  • 重视问题拆解:对于复杂任务,需将问题拆分至足够小的规模,通过大模型解决小问题后再组合成果。

                                  4.2 业界主流方案对比

                                  工具名称

                                  核心索引方案

                                  特点与优劣

                                  参考资料

                                  Cursor

                                  RAG方案

                                  基于Merkle Tree实现快速增量更新,分块引入语义化策略,检索精准度较高

                                  https://cursor.com/cn/docs/context/codebase-indexing

                                  ClaudeCode

                                  纯代码匹配方案

                                  实现简单,但易出现Token消耗多、上下文冗余的问题

                                  https://juejin.cn/post/7559836484209229843

                                  Aider

                                  repo-map方案

                                  早期方案有启发价值,但对大仓库处理能力不足,效果稳定性欠佳

                                  https://aider.chat/docs/repomap.html

                                  关于是否采用RAG,我们的感觉是:RAG方案前期索引成本高,但语义理解准、Token消耗少;纯文本匹配方案实现简单,但依赖大模型上下文能力,长期成本高。但是随着token成本长期的下降也许成本不再是关键因素。

                                  05 未来展望:从能用走向好用

                                  当前代码索引能力已在内部发挥价值,未来我们将继续探索以下方向,进一步释放技术价值:

                                  • 跨仓库分析能力:突破单仓库限制,适配微服务架构下多服务协同的业务场景,实现跨服务代码关联分析;

                                  • 问题定位Agent落地:将TraceAI等能力融入日常运维开发流程,降低平均故障修复时间,转化为实际业务收益;

                                  • 业务文档自动生成:基于代码与AST分析,自动生成并更新API文档、业务流程图等,减少文档维护成本。

                                  代码索引技术现在还在快速演进,我们实际做下来最深的感受是:各种技术擅长的方向不一样,取长补短融合后可能会有更好的效果,比如 RAG 和静态分析技术两种,前者擅长搞定“找相似逻辑”这类语义理解需求,比如问“用户登录在哪处理”;后者则专注解决调用链、改动影响范围这种需要精准分析的问题。把两者结合起来,才能覆盖开发的更多场景。接下来我们也会继续打磨这两种技术的融合方案,把代码理解做得更准、更高效,真正帮大家省下查代码、捋逻辑的功夫。

                                  阅读原文

                                  跳转微信打开

                                  2025 转转技术团队精选文章汇总

                                  2025年12月31日 15:07

                                  原创 转转技术团队 2025-12-31 15:07 北京

                                  在 2026 年春节将至之际,我们从中精选了一批年度文章:既有架构与性能的硬核实战,也有前端、移动端、测试与效率工具的体系化沉淀。希望这份精选文章能成为你回顾与进阶的捷径:少踩坑、少走弯路,多一点确定性与灵感。

                                  时光翻篇,技术却从不按下暂停键。回望 2025 年,转转技术团队把“能跑”进一步做到“跑得稳、跑得快、跑得省”。从线上稳定性建设到高并发秒杀,从亿级流量开放平台的架构演进到亿级核心表的字段扩展,我们在真实业务压力下打磨系统韧性;从“慢 SQL”治理到统一缓存 Easy-cache、从 MyBatis-Plus 的踩坑复盘到深度实战指南,我们用工程方法把效率与规范沉淀成可复用的能力。与此同时,AI 也不再只是概念:LLM 在主搜向量召回场景落地,让“理解用户意图”真正进入生产系统;在研发协作上,从日志插件到 Cursor 提效,再到自动化走查、压测巡检、双库同步工具与 AI 规则驱动测试,我们让工具链和流程一起进化,把时间还给创造。

                                  在过去的这⼀年⾥,转转研发中⼼三个公众号《转转技术》、《⼤转转FE》和《转转QA》共计发表百余篇技术⽂章,涉及各个部⻔的⼀线实践经验。在 2026 年春节将至之际,我们从中精选了一批年度文章:既有架构与性能的硬核实战,也有前端、移动端、测试与效率工具的体系化沉淀。希望这份精选文章能成为你回顾与进阶的捷径:少踩坑、少走弯路,多一点确定性与灵感。

                                  愿你在阅读的每一篇,都能找到可直接落地的方案与可迁移的方法论;也欢迎把它分享给同样关心工程实践与 AI 落地的朋友,一起交流、共同成长。新的一年,我们继续在技术与生活的交汇处,把复杂问题拆解成清晰路径,把用户体验做得更好。

                                  祝大家新年快乐,阖家幸福,身体健康,工作顺利!


                                  01 要想线上事故少,系统稳定性建设得搞好

                                  系统的稳定性建设是一个庞大的话题,其贯穿了产品研发整个流程:需求阶段、研发阶段、测试阶段、上线阶段、运维阶段。从系统规模上看,小到单个系统,大到一个域的系统集,再大到支撑整个公司全业务的系统全集,都离不开系统稳定性建设。大家日常工作中可能会有一些关于系统稳定性的疑惑,比如经典三问“是什么、为什么、怎么做”,本文从一个后端研发的视角,来和大家聊一聊系统稳定性建设的总结与思考。(阅读原文)


                                  02 高并发下秒杀系统的设计

                                  在电商这片红海,秒杀活动无疑是屡试不爽的流量密码、销量利器。然而,在应对其并发请求时,其中的设计门道暗藏玄机。并发量小,数据库单表便能一夫当关,稳保活动无虞;一旦碰上爆款引爆流量,并发呈井喷式增长,单表瞬间独木难支,此时,一套高并发 “抗压” 组合拳必不可少。接下来,咱们就一起深挖业界那些屡建奇功的妙招,直击高并发痛点,重点解析其中两大 “硬核” 方案,助你轻松拿捏秒杀场景的技术难点。(阅读原文)


                                  03 打造亿级流量开放平台的架构演进与工程实战

                                  开放平台不是简单的API接口聚合,它是一个需要承载高流量、高并发的系统,是边界清晰的“操作系统”,也是具备持续演进能力的产品级架构体系。真正有生命力的开放平台,一定是 “稳定、扩展、安全、生态” 兼备的长期主义架构产物。本文将结合工程实战,从整体架构拆解到底层技术演进,逐步解构如何打造高性能、高可用、可持续演进的亿级流量开放平台系统。(阅读原文)


                                  04 亿级核心表如何优雅扩展字段?中台团队实战经验揭秘

                                  亿级数据的核心表新增一个字段,远不止一句简单的“ALTER TABLE”,锁表风险、页分裂、索引性能衰减……每一个问题都可能引发线上事故。如何在不影响业务的前提下,只需简单的配置,即可实现字段的动态扩展?本文将带你揭秘中台团队的实战解决方案。(阅读原文)


                                  05 加Log就卡?不加Log就瞎?”——这个插件治好了我的精神内耗

                                  本文提出的优化方案突破传统日志分级思维的桎梏,创新性地提出双轨制日志管理体系:将日志划分为功能型与诊断型两类,前者确保核心业务脉络的持续可见,后者实现按需动态管控。通过编译期字节码增强技术,我们实现代码行级别的精准控制,配合IDE插件的可视化操作,使开发人员能够像调试断点般自由启停日志输出。这种"外科手术式"的日志管理,既避免了传统方案"一刀切"的弊端,又赋予系统在高负载场景下的弹性适应能力。(阅读原文)


                                  06 Easy-cache:统一缓存解决方案,让开发人员告别重复的缓存代码

                                  本文介绍 Easy-cache 统一缓存解决方案,旨在让业务开发“只写注解、不写缓存逻辑”。它基于 Spring AOP 提供注解式读写缓存能力,默认采用 Redis 集群 + 本地二级缓存的多级架构,并通过健康度监控实现动态升降级与容错。为解决一致性与击穿等问题,方案使用 Redis-Hash + Lua 脚本原子操作实现分布式锁与“标记删除/弹性过期”,在可控不一致窗口(默认 1.5s)内保障最终一致,必要时可切换实时一致;同时通过 Lua 预加载与 EVALSHA 降低高并发下的网络开销。(阅读原文)


                                  07 "慢SQL"治理的几点思考

                                  本文围绕“慢SQL治理”做阶段性复盘:从一次线上慢查询告警切入,解释 MySQL 优化器如何基于 IO/CPU 成本选择执行计划。指出“加了索引也不生效”的常见原因(区分度、数据分布与回表代价),并提醒关注表统计信息与内存/页碎片对性能的影响。同时结合案例总结前缀索引在唯一约束下的坑、索引合并的适用场景,以及磁盘负载、长事务等“SQL本身没问题但仍变慢”的系统性因素,为排查与治理提供思路。(阅读原文)


                                  08 MyBatis-Plus踩坑血泪史:那些年我们踩过的坑!

                                  本文以生产事故为线索,总结 MyBatis-Plus 在高并发、容器/K8s 等真实环境里最易“暴雷”的坑:雪花ID重复、批量插入乱序、枚举落库不按 code、连续大写导致驼峰映射错位、批量写入自动填充失效、复杂 JSON/Map/List 字段写入丢失或格式异常,并给出可落地的排查与修复思路(如显式配置 workerId/改用自增或外部ID、控制批处理刷新/自定义批量SQL、@EnumValue、@TableField 明确映射、批量前手动填充、统一序列化或结构拆分)。(阅读原文)


                                  09 MyBatis-Plus 深度指南:从基础到实战,让 DAO 层开发效率起飞

                                  本文是一份 MyBatis-Plus 的“从能用到用好”实战指南:先用“零侵入增强”的视角解释其价值——在保留 MyBatis 灵活性的同时,把单表 CRUD、条件构造等能力工具化,并通过拦截器/插件补齐安全与规范(分页、全表更新/删除拦截、乐观锁、多租户等)。进一步给出工程化落地方案:在微服务/RPC 场景用自定义 QueryCondition 替代 QueryWrapper,配套 Builder 实现类型安全的查询、排序、分页与字段选择,并增加全表扫描/全表更新拦截,形成可复用的 DAO 分层架构。(阅读原文)


                                  10 LLM在转转主搜向量召回的应用

                                  本文介绍 LLM 在转转主搜“向量召回”中的落地实践,聚焦多品类(N 品类)因黑话/隐性术语导致的“少无结果 query”问题:传统 ES 文本硬匹配难以理解如“小痰盂”等圈内表达。团队选择“不造大模型”,走“中小型领域模型 + 极小任务模型”的敏捷路线,采用“离线训练—在线推理”架构:离线用私域支付日志约 30 万条 query-商品对做 Post Training 与 LoRA 注入业务知识;再用硬负样本+对比学习(InfoNCE)提升向量区分度;最后通过知识蒸馏把 qwen2.5-7B 能力迁移到 BERT,将模型体积压缩到约 1/60、显著提升推理速度,并在线上提升召回全面性与筛选精准度。(阅读原文)


                                  11 转转前端覆盖率优化方案

                                  通过创新性引入NYC工具链,彻底解决了Vue多版本混编场景下的代码覆盖率失真难题!方案突破传统插桩技术局限,实现三大升级:

                                  精准解析:基于AST的源码行号映射,攻克Vue2/3混合项目、装饰器语法等复杂场景的覆盖率误报问题;

                                  智能合并:独创跨Commit覆盖率数据继承算法,确保增量代码统计连续性;

                                  性能飞跃:通过Clover格式解析优化,将报告生成速度提升300%。(转转前端覆盖率优化方案)


                                  12 188工时压到149!揭秘我们如何用Cursor让前端效率狂飙

                                  通过Cursor实现前端开发效率飙升21%,188工时压至149工时!揭秘五大核心场景:1)原型图秒变路由代码,命名规范自动生成;2)UI设计稿精准转DOM,接口字段智能匹配;3)Mock数据与TS类型一键生成;4)复杂组件AI智能拆分,主文件严控800行;5)动效逻辑深度优化。经验表明:AI最擅长结构化任务(提效60%),而复杂业务逻辑仍需人工把控。(188工时压到149!揭秘我们如何用Cursor让前端效率狂飙)


                                  13 RN技术在转转的落地与实践 (前端篇)

                                  从Webview技术栈转向React Native的探索,通过混合开发模式实现了高效迁移与性能提升。文章详细介绍了工程架构选择(Expo CLI+自定义脚本)、组件库适配(基于react-native-elements二次开发)、多包拆分策略(基础包+业务包)及热更新方案。创新性利用AI辅助Vue2到RN的代码转换,通过精准提示词工程和组件映射知识库提升迁移效率。实践数据显示RN页面加载时间从2137ms降至842ms,业务转化率提升4%,兼具热更新能力与原生体验。(RN技术在转转的落地与实践 (前端篇))


                                  14 转转UI自动化走查方案探索

                                  创新性地通过结构化数据比对(而非传统图像识别)破解UI走查效率难题!该方案将Figma设计稿JSON与前端DOM树归一化为同构数据,独创节点间距算法处理CSS margin折叠、行高等复杂场景,实现像素级精准比对。核心突破在于:1)AST解析解决Vue2/3混编覆盖率失真;2)动态调校px2rem误差;3)智能合并padding提升比对稳定性。实践数据显示走查效率提升300%,异常标注耗时从3小时压缩至30分钟。这不仅是一套工具,更重新定义了"设计-开发"协作范式——让主观的UI还原度变得可量化、可追溯,推动团队在规范层面达成共识。(转转UI自动化走查方案探索)


                                  15 Android图片编辑器的自研之路:从需求痛点到技术突破

                                  团队针对仓内质检场景的特殊需求,自主研发了一套高效精准的图片编辑器,彻底解决了传统方案无法满足的四大痛点:多图批量编辑、旋转后框线保持、撤销重做功能和自定义标注需求。基于Android原生API构建的编辑引擎,创新性地采用命令模式管理操作历史,结合Matrix变换实现精确的坐标系转换,并通过状态管理机制支持多图无缝切换。(Android图片编辑器的自研之路:从需求痛点到技术突破)


                                  16 测试工程师的「武器库」:这8款效率神器让你告别无效加班

                                  在软件研发这条高速运转的流水线上,测试工程师往往站在最靠近“质量风险”的位置。一边要保障功能正确、系统稳定,一边还要应对接口调试、抓包分析、数据校验、日志排查等大量重复却不可或缺的工作。时间被切碎、精力被消耗,无效加班也就成了不少测试同学的日常写照。

                                  但问题的根源,往往不在于工作不努力,而在于工具是否趁手、方法是否高效。选对工具,很多原本耗时耗力的操作,其实可以被大幅压缩,甚至“一键完成”。这篇文章,正是基于真实测试场景,系统整理了一份测试工程师的「效率武器库」——从浏览器插件、抓包工具,到 IDE 插件与日常辅助工具,帮助你减少机械劳动,把时间和精力真正留给分析、判断和质量本身,告别无意义的加班。(测试工程师的「武器库」:这8款效率神器让你告别无效加班)


                                  17 例行压测巡检-设计&实践

                                  在服务规模不断扩大、系统复杂度持续提升的背景下,单纯依赖人工经验和被动响应的质量保障方式,已经难以支撑业务的稳定运行。压测是否执行、结果是否有效、问题是否被及时发现,往往依赖人工巡查与事后补救,不仅效率低,也容易留下隐患。

                                  基于此,我们设计并落地了「例行压测巡检」这一主动式、自动化的服务质量保障能力。它不再等问题暴露后再处理,而是通过自动巡检、智能分析和精准通知,持续感知服务健康状态,将风险前移、将执行自动化。该项目旨在构建一套可扩展、可复用的智能化质量保障体系,推动服务稳定性从“人为保障”向“系统保障”演进,为业务持续增长提供可靠底座。(例行压测巡检-设计&amp;实践)


                                  18 告别人工搬运!TiDB/MySQL双库同步工具如何为业务提效100%?

                                  你是否也经历过这样的时刻:测试执行被迫中断,只因为线上和线下一个不起眼的配置不一致?一次看似简单的问题排查,跨 QA、PM、RD 多方沟通,最终发现只是“少配了一项”,却轻易消耗了 1–2 个小时的测试时间。

                                  这篇文章正是从这些真实而高频的卡点出发,拆解配置不一致给测试效率、产品质量和系统安全带来的连锁影响。我们逐步意识到,问题不在某一次配置失误,而在“数据如何在不同环境间被可靠同步”这件事本身。于是我们探索并落地了一套更通用、更安全的数据同步能力。目标只有一个:数据同步不是复制粘贴,而是业务流程的隐形引擎,让配置和数据不再成为测试的隐形阻力。(告别人工搬运!TiDB/MySQL双库同步工具如何为业务提效100%?)


                                  19 从"人工催办"到"AI 规则驱动":我们如何解放测试团队的生产力

                                  很多测试同学在承担测试工作的同时,还被动接过了项目管理的职责,逐渐变成了项目里的“人工待办清单”。我们靠记忆去记节点、靠人工去催进度,结果是:真正该投入在深度测试、质量分析和风险识别上的精力,被流程管理一点点消耗掉。

                                  这篇文章正是从这一真实困境出发,讲述我们如何意识到“问题不在个人能力,而在管理方式本身”,并尝试用一种更轻量、更贴合日常协作习惯的方式,把项目管理从“人肉记忆”交还给规则和工具。通过让规则在项目群中主动提醒、主动校验、主动推动事情发生,我们希望减少无效消耗,让测试回归测试,把时间和精力用在真正有价值的质量工作上。(从&quot;人工催办&quot;到&quot;AI 规则驱动&quot;:我们如何解放测试团队的生产力)

                                  想了解更多转转公司的业务实践,欢迎点击关注下方公众号:

                                  跳转微信打开

                                  回收团队基于Cursor集成MCP的智能代码修复提示词生成实践

                                  2025年12月26日 18:20

                                  原创 刘雅斌 2025-12-26 18:20 北京

                                  一、痛点

                                  痛点一:为什么我的Token消耗的这么快

                                  Token的消耗量通常受到下面两个因素的影响

                                  • 输入和输出的Token数量:输入的Token越多,输出的Token也会相应增加,因为模型会基于输入的上下文进行内容生成。

                                  • 任务复杂性:更复杂的任务通常需要消耗更多的Token,而多模态的Agent往往消耗的Token会更高。

                                  为什么模糊的提示词会增加Token的消耗量?

                                  • 模糊的提示词可能包含大量与输出不相关的内容,增加输入的Token量。

                                  • 模糊的提示词通常缺乏具体细节或明确约束,导致模型无法直接理解用户意图。为了覆盖可能的解释,模型倾向于生成更长、更全面的响应,以避免遗漏关键信息,从而增加输出token数量。

                                  • 模糊的提示词往往无法精准地生成用户想要的内容。用户可能因输出不符合预期而多次修改提示,形成无效交互循环,无形中浪费Token。

                                  痛点二:AI修复代码为什么总是"差点意思"?

                                  一般都是拿到Sonar 扫描结果复制粘贴, 让AI修复后,一个一个改, 又太慢, 太多问题要么修复不准确,要么把好的代码也改坏了,还有就是问题 太多, 上下文超限修改失败

                                  举个真实的例子:Sonar报告:ActivityServiceImpl.java 第120行存在空指针风险

                                  我的提示词(第一版):

                                  请修复以下问题:第120行存在空指针风险
                                  代码:
                                  [粘贴整个ActivityServiceImpl.java文件,可能是几千行]

                                  AI的回复:

                                  • 情况1:"这个文件太长了,请提供更具体的代码片段"

                                  • 情况2:修复了空指针,但把旁边的业务逻辑也改了

                                  • 情况3:"Token超出限制,无法处理"

                                  问题根源在哪?

                                  1. 上下文冗余:超大文件代码中,真正相关的可能只有20行

                                  2. 缺乏规范引导:没告诉AI要遵循什么编码规范

                                  3. 信息不准确:没有精确指出问题在哪个方法、什么结构中

                                  4. 没有示例:AI缺乏类似问题的修复参考

                                  二、转机:Cursor结合MCP打造自动化修复流程

                                  关键问题在于:如何将Sonar扫描结果转换为AI能高效理解的结构化提示词。

                                  于是,我利用MCP(Model Context Protocol)协议为Cursor开发了一套智能提示词生成系统。

                                  什么是MCP?

                                  MCP(Model Context Protocol)是一个开放协议,Cursor支持这个协议,允许我们通过Python等语言编写自定义工具,直接集成到Cursor的AI助手中。简单说就是:让AI拥有调用你自己编写的工具的能力。

                                  我的方案架构

                                  三、核心方案:六步智能提示词生成法

                                  这套方案的核心思想是:让AI精确理解问题,而不是让AI去猜测问题。

                                  整个系统基于以下6个步骤构建:

                                  第一步:问题类型识别

                                  classIssueTypeClassifier:
                                  """将Sonar规则映射到问题类型"""
                                      RULE_MAPPING = {
                                  # 空指针问题
                                  "java:S2259": "NullPointer",
                                  "java:S2637": "NullPointer",
                                  # 资源泄露
                                  "java:S2095": "ResourceLeak",
                                  "java:S2093": "ResourceLeak",
                                  # 安全漏洞
                                  "java:S3649": "SQLInjection",
                                  "java:S2076": "CommandInjection",
                                  # 代码规范
                                  "java:S117": "NamingConvention",
                                  "java:S1192": "DuplicateString",
                                      }
                                      @staticmethod
                                  defclassify(rule_key: str) -> str:
                                  """根据规则ID分类问题类型"""
                                  return IssueTypeClassifier.RULE_MAPPING.get(
                                              rule_key, 
                                  "General"
                                          )

                                  第二步:AST代码结构解析

                                  什么是AST?

                                  AST(Abstract Syntax Tree,抽象语法树)是将代码理解成树形结构的技术。

                                  当Sonar告诉你"第120行有空指针问题",我们需要知道:

                                  • 第120行在哪个方法里?

                                  • 这个方法从哪行开始,到哪行结束?

                                  • 方法的完整信息(方法名、参数、返回值)

                                  AST解析 = 像编译器一样理解代码结构

                                  想象代码是一个家族,AST就是家谱树:

                                  ClassDeclaration: ActivityServiceImpl(类)
                                   │
                                   ├─ FieldDeclaration: activityFacadeHelper(成员变量)
                                   │
                                   ├─ MethodDeclaration: queryActivityListWithNewImei(方法)
                                   │   ├─ position: line 106
                                   │   ├─ parameters: [Long orderId, String newMachineUuid]
                                   │   ├─ return_type: OrderAllowActivityMiVO
                                   │   └─ body: {...}  ← 第120行在这里
                                   │
                                   └─ MethodDeclaration: editActivityListWithNewImei(另一个方法)

                                  使用javalang进行AST解析

                                  javalang是一个纯Python库,用Python重新实现了Java语法解析器,不需要安装Java环境。

                                  import javalang
                                  classJavaCodeParser:
                                  """Java代码结构解析器 - 使用AST精确解析"""
                                      @staticmethod
                                  defextract_method_context(file_path: str, line_number: int) -> Optional[Dict]:
                                  """使用javalang进行AST解析,精确定位方法"""
                                  with open(file_path, 'r', encoding='utf-8') as f:
                                              code = f.read()
                                  # 1. 解析Java代码,生成AST(语法树)
                                          tree = javalang.parse.parse(code)
                                  # 2. 遍历AST,查找包含目标行的方法节点
                                  for path, node in tree.filter(javalang.tree.MethodDeclaration):
                                              method_start = node.position.line
                                              method_end = calculate_method_end(node)  # 计算方法结束位置
                                  # 3. 检查目标行是否在此方法范围内
                                  if method_start <= line_number <= method_end:
                                  return {
                                  'class_name': extract_class_name(path),
                                  'method_name': node.name,              # 方法名
                                  'start_line': method_start,            # 方法开始行
                                  'end_line': method_end,                # 方法结束行
                                  'modifiers': node.modifiers,           # ['public', 'static']
                                  'return_type': node.return_type.name,  # 返回值类型
                                  'parameters': [p.name for p in node.parameters],  # 参数列表
                                                  }
                                  returnNone

                                  AST解析的价值:

                                  1. 精确定位:直接知道第120行在queryActivityListWithNewImei方法内,而不是editActivityListWithNewIme方法

                                  2. 完整信息:获取方法名、参数类型、返回值等元信息

                                  3. 语法理解:像编译器一样理解Java语法,不会被注释、字符串、Lambda表达式干扰

                                  4. 高准确率:准确率可达99%+

                                  javalang的特点:

                                  • 纯Python库,只需pip install javalang

                                  • 不需要安装JDK或Java环境

                                  • 提供完整的Java语法树节点

                                  • 支持Java 8+的语法特性

                                  第三步:智能上下文提取

                                  classContextExtractor:
                                  """根据问题类型智能提取代码上下文"""
                                  # 不同问题类型的提取策略配置
                                      EXTRACTION_RULES = {
                                  "NullPointer": {
                                  "range": "full_method",           # 提取完整方法
                                  "max_lines": 150,
                                  "include_imports": True,           # 包含import语句
                                  "include_class_declaration": True, # 包含类声明
                                          },
                                  "ResourceLeak": {
                                  "range": "full_method",
                                  "max_lines": 100,
                                  "include_imports": True,
                                  "include_class_declaration": True,
                                          },
                                  "SQLInjection": {
                                  "range": "full_method",
                                  "max_lines": 120,
                                  "include_imports": False,
                                  "include_class_declaration": True,
                                          },
                                  "NamingConvention": {
                                  "range": "surrounding",            # 只提取周围代码
                                  "max_lines": 30,
                                  "include_imports": False,
                                  "include_class_declaration": False,
                                          },
                                  "General": {
                                  "range": "surrounding",
                                  "max_lines": 50,
                                  "include_imports": False,
                                  "include_class_declaration": False,
                                          },
                                      }
                                      @staticmethod
                                  defextract(file_path: str, line_number: int, issue_type: str) -> str:
                                  """智能提取代码上下文"""
                                          rules = ContextExtractor.EXTRACTION_RULES.get(
                                              issue_type,
                                              ContextExtractor.EXTRACTION_RULES["General"]
                                          )
                                  try:
                                  with open(file_path, 'r', encoding='utf-8') as f:
                                                  lines = f.readlines()
                                              context_lines = []
                                  # 1. 提取package和imports(如果需要)
                                  if rules.get("include_imports"):
                                  for line in lines[:50]:
                                  if line.strip().startswith(('package ', 'import ')):
                                                          context_lines.append(line)
                                  elif line.strip() andnot line.strip().startswith('//'):
                                  break
                                  if context_lines:
                                                      context_lines.append('\n')
                                  # 2. 提取方法或周围代码
                                  if rules["range"] == "full_method":
                                                  method_info = JavaCodeParser.extract_method_context(file_path, line_number)
                                  if method_info:
                                                      start = method_info['start_line'] - 1
                                                      end = method_info['end_line']
                                  # 如果需要类声明,向上查找
                                  if rules.get("include_class_declaration"):
                                  for i in range(start, -1, -1):
                                  if'class 'in lines[i]:
                                                                  context_lines.append(lines[i])
                                                                  context_lines.append('    // ... 其他成员 ...\n\n')
                                  break
                                                      context_lines.extend(lines[start:end])
                                  else:
                                  # 回退到周围代码
                                                      start = max(0, line_number - 25)
                                                      end = min(len(lines), line_number + 25)
                                                      context_lines.extend(lines[start:end])
                                  else:
                                  # 提取周围代码
                                                  max_lines = rules["max_lines"]
                                                  start = max(0, line_number - max_lines // 2)
                                                  end = min(len(lines), line_number + max_lines // 2)
                                                  context_lines.extend(lines[start:end])
                                  # 3. 限制总行数
                                  if len(context_lines) > rules["max_lines"]:
                                                  context_lines = context_lines[:rules["max_lines"]]
                                                  context_lines.append('\n// ... 后续代码省略 ...\n')
                                  return''.join(context_lines)
                                  except Exception as e:
                                              logging.error(f"提取失败: {e}")
                                  returnf"// 无法读取文件: {file_path}"

                                  核心策略:

                                  • 差异化提取:空指针问题提取150行含imports,命名规范只提取30行

                                  • 智能回退:AST解析失败时自动回退到简单提取

                                  • Token控制:通过max_lines限制,避免上下文过长

                                  第四步:分层模板体系

                                  classPromptTemplateEngine:
                                  """分层的提示词模板引擎"""
                                  # Java语言规范
                                      JAVA_STANDARDS = """
                                  请遵循以下Java开发规范:
                                  1. 遵循阿里巴巴Java开发手册的编码规范
                                  2. 所有可能为null的参数必须进行防御性检查
                                  3. 资源(文件流、数据库连接等)必须使用try-with-resources自动管理
                                  4. 异常必须妥善处理,不得吞掉异常
                                  5. 方法复杂度不得过高,保持代码可读性
                                  6. 变量和方法命名要清晰、符合驼峰命名规范
                                  """
                                  # 问题类型特定模板
                                      ISSUE_TEMPLATES = {
                                  "NullPointer": {
                                  "task": "修复以下代码中的空指针风险问题",
                                  "requirements": """
                                  修复要求:
                                  1. 在方法开始处对可能为null的参数进行检查
                                  2. 如果参数为null,抛出IllegalArgumentException异常,并提供清晰的错误信息
                                  3. 保持原有业务逻辑不变
                                  4. 不要修改方法签名
                                  5. 确保修复后不影响其他正常调用
                                  """
                                          },
                                  "ResourceLeak": {
                                  "task": "修复以下代码中的资源泄露问题",
                                  "requirements": """
                                  修复要求:
                                  1. 使用try-with-resources语句包裹需要关闭的资源
                                  2. 确保在任何情况下(正常或异常)资源都能正确释放
                                  3. 保持原有异常处理方式
                                  4. 保持方法签名不变
                                  """
                                          },
                                  "SQLInjection": {
                                  "task": "修复以下代码中的SQL注入安全漏洞",
                                  "requirements": """
                                  修复要求:
                                  1. 必须使用参数化查询(PreparedStatement)替代字符串拼接
                                  2. 使用占位符(?)和参数绑定传递用户输入
                                  3. 不得使用字符串拼接或格式化方式构建SQL语句
                                  4. 保持查询逻辑不变
                                  """
                                          },
                                      }
                                      @staticmethod
                                  defgenerate(issue_type: str, issue_data: dict, code_context: str, examples: str = "") -> str:
                                  """生成最终提示词"""
                                          template = PromptTemplateEngine.ISSUE_TEMPLATES.get(
                                              issue_type,
                                              {"task": "修复以下代码问题", "requirements": "保持代码风格与项目一致"}
                                          )
                                  # 组装提示词
                                          prompt = f"""你是一位精通Java开发的资深工程师。
                                  任务:{template['task']}
                                  编码规范:{PromptTemplateEngine.JAVA_STANDARDS.strip()}
                                  """
                                  # 添加示例(如果有)
                                  if examples:
                                              prompt += f"\n{examples}\n"
                                  # 添加问题详情
                                          prompt += f"""
                                  问题详情:
                                  - 规则ID: {issue_data.get('rule', 'Unknown')}
                                  - 问题类型: {issue_type}
                                  - 严重级别: {issue_data.get('severity', 'MAJOR')}
                                  - 问题描述: {issue_data.get('message', '')}
                                  - 问题位置: 第{issue_data.get('line', 0)}行
                                  待修复代码:
                                  ```java
                                  {code_context}
                                  ``` {data-source-line="360"}
                                  {template['requirements'].strip()}
                                  输出格式:
                                  - 仅输出修复后的完整方法代码
                                  - 使用```java```格式包裹代码
                                  - 不要输出多余的解释文字
                                  - 确保代码可以直接替换原有方法
                                  """
                                  return prompt

                                  模板设计:

                                  • 三层结构:角色设定 + 编码规范 + 问题类型特定要求

                                  • 灵活扩展:新增问题类型只需添加模板配置

                                  • 规范注入:自动注入阿里巴巴Java开发手册规范

                                  第五步:Few-shot示例库

                                  classExampleRepository:
                                  """问题修复示例库 - 提供修复前后的对比案例"""
                                      EXAMPLES = {
                                  "NullPointer": """
                                  参考示例:
                                  示例1 - 空指针防御性检查:
                                  修复前:
                                  ```java
                                  public String getUserEmail(User user) {
                                      return user.getEmail();
                                  }
                                  ``` {data-source-line="395"}
                                  修复后:
                                  ```java
                                  public String getUserEmail(User user) {
                                      if (user == null) {
                                          throw new IllegalArgumentException("用户对象不能为空");
                                      }
                                      return user.getEmail();
                                  }
                                  ``` {data-source-line="404"}
                                  示例2 - 多参数空值检查:
                                  修复前:
                                  ```java
                                  public void processOrder(Order order, User user) {
                                      order.setUser(user);
                                      order.setStatus("processed");
                                  }
                                  ``` {data-source-line="413"}
                                  修复后:
                                  ```java
                                  public void processOrder(Order order, User user) {
                                      if (order == null) {
                                          throw new IllegalArgumentException("订单对象不能为空");
                                      }
                                      if (user == null) {
                                          throw new IllegalArgumentException("用户对象不能为空");
                                      }
                                      order.setUser(user);
                                      order.setStatus("processed");
                                  }
                                  ``` {data-source-line="426"}
                                  """
                                  ,
                                  "ResourceLeak": """
                                  参考示例:
                                  示例 - 使用try-with-resources:
                                  修复前:
                                  ```java
                                  public String readFile(String path) throws IOException {
                                      FileInputStream fis = new FileInputStream(path);
                                      byte[] buffer = new byte[1024];
                                      int length = fis.read(buffer);
                                      return new String(buffer, 0, length);
                                  }
                                  ``` {data-source-line="440"}
                                  修复后:
                                  ```java
                                  public String readFile(String path) throws IOException {
                                      try (FileInputStream fis = new FileInputStream(path)) {
                                          byte[] buffer = new byte[1024];
                                          int length = fis.read(buffer);
                                          return new String(buffer, 0, length);
                                      }
                                  }
                                  ``` {data-source-line="450"}
                                  """
                                  ,
                                  "SQLInjection": """
                                  参考示例:
                                  示例 - 使用PreparedStatement:
                                  修复前:
                                  ```java
                                  public User findUserByName(String name) {
                                      String sql = "SELECT * FROM users WHERE name = '" + name + "'";
                                      return jdbcTemplate.queryForObject(sql, User.class);
                                  }
                                  ``` {data-source-line="462"}
                                  修复后:
                                  ```java
                                  public User findUserByName(String name) {
                                      String sql = "SELECT * FROM users WHERE name = ?";
                                      return jdbcTemplate.queryForObject(sql, User.class, name);
                                  }
                                  ``` {data-source-line="469"}
                                  """
                                  ,
                                      }
                                      @staticmethod
                                  defget_examples(issue_type: str) -> str:
                                  """获取相关示例"""
                                  return ExampleRepository.EXAMPLES.get(issue_type, "")

                                  示例库价值:

                                  • Few-shot学习:让AI通过案例学习修复模式

                                  • 格式统一:修复前/后对比,清晰明了

                                  • 易于扩展:新增示例只需添加字符串配置

                                  第六步:整合到MCP服务

                                  现在,将所有组件整合到MCP服务中:

                                  from mcp.server import FastMCP
                                  import httpx
                                  import logging
                                  import os
                                  mcp = FastMCP("intelligent-code-fix")
                                  classIntelligentPromptGenerator:
                                  """智能提示词生成器 - 整合6步生成法的核心类"""
                                      @staticmethod
                                  defgenerate_for_issue(issue: dict, base_dir: str) -> dict:
                                  """为单个issue生成智能提示词"""
                                  try:
                                  # 1. 提取issue信息
                                              rule_key = issue.get('rule', '')
                                              component = issue.get('component', '')
                                              file_path = component.split(':', 1)[1] if':'in component else component
                                              full_path = os.path.join(base_dir, file_path)
                                              line_number = issue.get('line', 0)
                                              message = issue.get('message', '')
                                              severity = issue.get('severity', 'MAJOR')
                                  # 2. 问题类型识别
                                              issue_type = IssueTypeClassifier.classify(rule_key)
                                              logging.info(f"处理问题: {file_path}:{line_number} - {issue_type}")
                                  # 3. 提取代码上下文
                                              code_context = ContextExtractor.extract(full_path, line_number, issue_type)
                                  # 4. 获取示例
                                              examples = ExampleRepository.get_examples(issue_type)
                                  # 5. 生成提示词
                                              issue_data = {
                                  'rule': rule_key,
                                  'severity': severity,
                                  'message': message,
                                  'line': line_number,
                                              }
                                              prompt = PromptTemplateEngine.generate(
                                                  issue_type=issue_type,
                                                  issue_data=issue_data,
                                                  code_context=code_context,
                                                  examples=examples
                                              )
                                  # 6. 计算元数据
                                              token_estimate = len(prompt) // 4# 粗略估算
                                  return {
                                  'success': True,
                                  'prompt': prompt,
                                  'metadata': {
                                  'file': file_path,
                                  'line': line_number,
                                  'issue_type': issue_type,
                                  'rule': rule_key,
                                  'severity': severity,
                                  'token_estimate': token_estimate,
                                                  }
                                              }
                                  except Exception as e:
                                              logging.error(f"生成提示词失败: {e}")
                                  return {
                                  'success': False,
                                  'error': str(e),
                                  'file': file_path,
                                  'line': line_number,
                                              }
                                  @mcp.tool("auto-fix-sonar-issues")
                                  asyncdefauto_fix_sonar_issues(
                                      project_name: str,
                                      cookie: str,
                                      base_dir: str,
                                      branch: str = None,
                                      page_size: int = 10,
                                      page_num: int = 1,
                                      is_new_code_period: bool = False
                                  )
                                   -> str:
                                  """智能修复Sonar扫描问题 - 核心MCP工具"""
                                  # 获取Sonar问题列表
                                  asyncwith httpx.AsyncClient() as client:
                                          params = {
                                  "components": project_name,
                                  "ps": page_size,
                                  "p": page_num,
                                          }
                                  if branch:
                                              params["branch"] = branch
                                  if is_new_code_period:
                                              params["inNewCodePeriod"] = "true"
                                          response = await client.get(
                                  "https://sonar.zhuanspirit.com/api/issues/search",
                                              params=params,
                                              headers={"Cookie": cookie},
                                              timeout=10.0
                                          )
                                          data = response.json()
                                          issues = data.get('issues', [])
                                          total = data.get('total', 0)
                                  # 为每个issue生成智能提示词
                                      results = []
                                      success_count = 0
                                  for idx, issue in enumerate(issues, 1):
                                          result = IntelligentPromptGenerator.generate_for_issue(issue, base_dir)
                                  if result['success']:
                                              success_count += 1
                                              metadata = result['metadata']
                                              results.append(f"""
                                  {'='*80}
                                  ## Issue {idx}: {metadata['file']} (第{metadata['line']}行)
                                  **问题类型**: {metadata['issue_type']}
                                  **严重级别**: {metadata['severity']}
                                  **预估Token**: {metadata['token_estimate']}
                                  ### 生成的智能提示词:
                                  {result['prompt']}
                                  {'='*80}
                                  """
                                  )
                                  # 组装最终输出
                                  returnf"""
                                  # 智能代码修复提示词生成完成
                                  ## 统计信息
                                  - **项目**: {project_name}
                                  - **总问题数**: {total}
                                  - **本批次**: {len(issues)} 个
                                  - **成功生成**: {success_count} 个
                                  ## 智能提示词列表
                                  {"".join(results)}
                                  ---
                                  由智能提示词生成引擎提供支持
                                  """
                                  if __name__ == "__main__":
                                      mcp.run("stdio")

                                  整合要点:

                                  • 错误处理:每个issue独立处理,单个失败不影响其他

                                  • 元数据追踪:记录文件、行号、问题类型、Token估算

                                  • 结构化输出:Markdown格式,便于Cursor展示

                                  安装依赖包

                                  在使用MCP服务之前,需要先安装必要的Python依赖包。创建requirements.txt文件:

                                  # 智能代码修复MCP服务依赖包
                                  # MCP框架 - 用于构建MCP服务
                                  mcp>=0.9.0
                                  # HTTP客户端 - 用于调用Sonar API
                                  httpx>=0.27.0
                                  # Java AST解析器 - 精确解析Java代码结构(强烈推荐)
                                  # 优势:准确率99%+,不受注释、字符串、Lambda影响
                                  # 注意:这是纯Python库,不需要Java环境
                                  javalang>=0.13.0

                                  安装命令:

                                  pip install -r requirements.txt

                                  依赖说明:

                                  • mcp:MCP协议框架,让Python脚本能够被Cursor识别和调用

                                  • httpx:现代化HTTP客户端,用于调用Sonar API获取扫描结果

                                  • javalang:纯Python的Java AST解析器,用于精准定位代码结构,无需安装Java环境

                                  配置MCP(让Cursor识别你的服务)

                                  %这里改成你本地的路径% 在 ~/.cursor/mcp.json 中添加:

                                  {
                                  "mcpServers": {
                                  "intelligent-code-fix": {
                                  "command": "python",
                                  "args": ["/Users/Desktop/cursor/intelligent-code-fix.py"],
                                  "env": {}
                                      }
                                    }
                                  }

                                  配置说明:

                                  • intelligent-code-fix:MCP服务名称,在Cursor中通过@intelligent-code-fix调用

                                  • command: Python解释器命令

                                  • args: Python脚本的绝对路径(请修改为你的实际路径)

                                  • 修改配置后需要重启Cursor生效

                                  四、使用体验:在Cursor中一键修复

                                  配置好MCP后,在Cursor中的使用非常简单

                                  步骤1:在Cursor聊天窗口调用MCP工具

                                  使用 auto-fix-sonar-issues 工具修复Sonar问题
                                  参数:
                                  - project_name: hunter_partner_recycle_core
                                  - cookie: sso_uid=xxx; ticket=xxx; aid=xxx
                                  - base_dir: /Users/xxx/projects/hunter/src/main/java
                                  - branch: feature-3278-163 (可选)
                                  - page_size: 10

                                  步骤2:MCP服务自动处理

                                  系统自动完成:

                                  1. 调用Sonar API获取问题列表

                                  2. 为每个问题智能生成提示词

                                  3. 返回结构化的修复建议

                                  步骤3:AI生成修复后的代码

                                  已生成10个问题的修复建议:
                                  Issue 1: ActivityServiceImpl.java 空指针修复
                                  修复后代码:
                                  [完整的修复代码]
                                  Issue 2: FileUtil.java 资源泄露修复
                                  修复后代码:
                                  [完整的修复代码]

                                  步骤4:一键应用修复

                                  直接在Cursor中review并应用修复

                                  改进效果:

                                  1. 成本降低70% :精准提取上下文,token使用量大幅减少

                                  2. 准确率提升30%:结构化提示词+示例引导,AI理解更准确

                                  3. 效率提升3倍:自动化流程,无需人工干预

                                  4. 质量可控:分层模板确保代码符合团队规范

                                  5. 易于扩展:新增问题类型只需添加配置

                                  五、写在最后

                                  真正有效的AI辅助开发,不是简单地把代码扔给AI,而是要做好:

                                  • 问题的精准识别:知道是什么类型的问题

                                  • 上下文的智能提取:给AI最相关的代码,而不是全部代码

                                  • 规范的有效注入:让AI知道要遵循什么标准

                                  • 经验的系统沉淀:用示例库让AI学习最佳实践

                                  这套方案不仅适用于Sonar,也可以推广到其他代码扫描工具(ESLint、Checkstyle等)。核心思想都是:将非结构化的扫描结果转换为结构化的AI提示词。

                                  希望这篇文章能给大家带来启发。如果大家也在探索AI辅助开发,欢迎交流!

                                  关于作者,刘雅斌,侠客汇Java开发工程师。

                                  想了解更多转转公司的业务实践,欢迎点击关注下方公众号:

                                  跳转微信打开

                                  ❌