2026-09-08
来源: engineering.atspotify.com
42
实验平台只要展示“B 胜过 A 的概率”，就算采用了贝叶斯 A/B 测试吗？不一定。Spotify Engineering 这次澄清的核心，正是不要仅凭结果页面上的概率指标，就给整套实验方法贴上“贝叶斯”标签。 来源摘要没有披露 Spotify 内部方法的完整实现，因此本文不推测其具体统计模型，而是借这个问题拆清楚：什么条件才能让一项 A/B 测试称为...
2026-09-04
来源: engineering.atspotify.com
23
AI 编码代理消耗的 Token，并不全花在推理上。它经常需要反复扫描仓库、搜索服务名称、读取配置、定位负责人，再从大量输出里拼出真正有用的上下文。来源案例指出，将 Spotify Backstage Portal 作为统一入口后，Claude Code 的 Token 用量减少了 90%。这个数字来自特定环境，未必能直接复现，但背后的优化方向很明确：...
2026-09-04
来源: engineering.atspotify.com
38
AI 编程代理看起来一直在“思考”，但实际工作中，大量 Token 消耗在读取文件、扫描目录、查看日志和反复获取相同上下文上。来源文章报告称，Spotify Portal 将 Claude Code 的 Token 使用量降低了 90%；其关键观察是：代理的大部分工作不是推理，而是 I/O。 这个数字是作者在特定环境中的结果，不能直接视为所有项目的通用...
2026-07-28
来源: engineering.atspotify.com
31
数据湖擅长以较低成本保存海量历史数据，却不天然适合在线服务中的点查询：当请求只需要某个用户、歌曲或订单的一条记录时，扫描大量对象存储文件的延迟和成本都难以接受。Spotify 这类需要同时处理庞大数据规模与低延迟在线请求的公司，面临的核心问题就是：如何在保留数据湖存储优势的同时，快速定位一条具体记录。 一种实用思路是在数据湖与在线服务之间增加索引层。索...
2026-07-21
来源: engineering.atspotify.com
48
过去两个月，Spotify 的播客创作者连续遭遇可靠性问题，涉及内容摄取与播客视频。来源摘要没有披露具体故障时间线、根因或修复细节，因此不能据此判断是哪一个服务失效。不过，这类事故暴露了一个普遍难题：创作者看到的是“节目没有正常上线”，平台内部经历的却可能是接收、解析、转码、发布和播放等多个阶段的局部失败。 内容摄取系统通常不是一次请求完成全部工作。一...
2026-07-15
来源: engineering.atspotify.com
59
Spotify 希望让 AI 像电子邮件一样直观，并成为员工日常工作中不可缺少的工具。要实现这个目标，难点不只是接入一个大模型，而是让大量团队能够稳定、安全、可观测地使用不同模型。Spotify Engineering 介绍的方向，是通过 Kong AI Gateway 为生成式 AI 流量建立统一入口。 由于公开摘要没有披露 Spotify 的完整拓...
2026-06-10
来源: engineering.atspotify.com
51
在 Spotify，数据问题曾经有一个固定模式：先翻找相关仪表盘，再确认指标口径，然后找人核对——整个过程可能要跨 Slack、内部文档和好几个工具来回折腾。问题不是没有答案，而是答案散落在各处，需要一位"懂行的人"才能拼起来。 Spotify 的解法不是雇更多懂行的人，而是把这位领域专家的知识编码成一层上下文，喂给他们的数据助手（Data Assis...
2026-06-03
来源: engineering.atspotify.com
73
Spotify 首席架构师在 Code with Claude 大会上抛出一个判断：写代码本身已经不再是约束了。真正卡住交付速度的，是团队协作摩擦、重复的基建搭建、以及工具链对 AI Agent 的不友好。他们的应对方式是——用平台工程把开发者体验（DevEx）从"个人写代码"的维度，拉升到"团队+Agent 高效运转"的维度。 这个判断值得认真对待。...
2026-05-18
来源: engineering.atspotify.com
64
Spotify 工程团队最近分享了一个关于 LLM Eval 实验设计的核心观点：把 LLM 评估当成漏斗，而不是一刀切的闸门。 这句话看似简单，但背后指向的是很多团队在用 LLM 做自动评估时踩的坑——把 eval 当成 binary pass/fail 的裁判，结果要么放过了坏输出，要么误杀了好输出。 很多团队拿到 LLM eval 的第一反应是：...