至顶网CIO与应用频道 10月23日 北京消息:给《高可用架构》写的一篇序,书正在京东预售,可以扫文后的二维码查看,正文如下:
《高可用架构》居然成书了,厚厚的一本,让人赞叹。从TimYang建立这个社群开始,我就一直参与其中,然而一切发生得如此之快,如此之自然,也是出乎意料。我想,这也是侠少约我写序的原因之一吧。
这里面有太多熟悉的朋友,确切地说,我跟他们中的大多数人都是很好的朋友。他们都乐于将自己的所知所学分享给社区,而我也每每从他们那里学到各种技术。
你可能会惊讶于本书内容的跨度之大,从业务系统到数据库,从容器到安全,从社区建设到行业观察,包罗万象。同时,讲解内容又实实在在,没有很多空话,偶有没说清楚的地方,肯定会有问答环节来补充说明。因为都是群内听讲的人提问,所以问答也非常契合主题。
这就保证了本书在特定章节上,比大多数同类书要讲得透彻、明白,适合初级人员阅读。同时,又对中高级技术人员有更大的价值。我们经常说架构师对技术的把握要有深度,也要有广度。广度从何而来,只能是读万卷书,阅千套系统积累而来。本书无疑是一个很好的素材源泉。
具体的内容我不在此赘述,相信大家仔细阅读后会收获颇丰。这里我还是介绍一下背后的这群人——这个由分享者和听众共同组成的大群体,这个称为高可用架构群的组织。
我经常讲,高可用架构这些群,像极了《一代宗师》里的金楼。因为你仔细看,技术圈就是互联网时代的武林。大家聚在这里,是因为在自己的领域里有所建树,都身怀绝技面对这个世界。所以我们会看到骄傲和拼搏,也会看到争论。因为很多人也都想着,功夫是一横一竖,站着的才有资格说话,错的,躺下。
但是幸运的是,他们找到了一种方式,来平息这种内心的躁动,就是通过在群里进行分享和答疑来进行“比武”。你说你的方式可行,就来分享吧。只要你的话我能懂,只要你的回答能使我满意,我便服气。而且慢慢地,大家也都认可了这种方式,技术领域之宽广,并非一个人可以统领。而承认一个人在某一个领域比你强并不丢人,更并不意味着你不可以在另外的领域独领风骚。
随着时间的流逝,这种技术驱动的交流也慢慢发酵成了真正的友情。金楼戏里让我感动的一幕。叶问比武前,金楼里的各位师傅都出来帮忙。三姐说,八卦手黑,小心。账房说,形意拳霸道,千万别轻敌。勇哥说,追风赶月别留情,你一定得响啊。
因为过去的这些坦诚交往,那些原本会被视为对手的人,在你遇到困难的时候,可以坚定地站在你身后。而当你遇到各种行业上的新事件,也会在群里表达自己真实的声音,期待从群里接收来自各方的诤言。
一群所学为一人学,一人可顶一群人。
这种健康的氛围,在技术圈里也愈发变得可贵。现在互联网在迅猛发展,很多新的技术被发明和引入了进来,碰撞和争论在所难免。但有一些圈子却变得特别吵闹,为了一个框架,为了一个语言就可以争到头破血流,发出各种攻击和谩骂,甚至堵上事业和人品,想想实在是让人遗憾。
高可用架构的这群人,他们都是工作在各个公司的一线技术管理人员,掌握着业界先进的工程技术。但其实他们也很普通,跟你一样,每天都在默默得工作和学习。不一样的是,他们可以聚在一起,输出这样优质的内容。
他们对技术的追求,他们共同的性格特质,也许更值得你体会。如果看完本书,你能够在技术理念有进一步的思考,那肯定是比看一本书本身收获更大的。
“其实天下之大,又何止南北?勉强求全等于固步自封,在你眼中这块饼是一个武林,对我来讲是一个世界。所谓大成若缺,有缺憾才能有进步,真管用的话,南拳又何止北传呐?”
我在叶先生出生的佛山旁边,广州,脑海中不断回响这段话。
好文章,需要你的鼓励
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。