标签

云平台

每条缓存少几个字节,Cloudflare 如何从 1.1.1.1 省出约 100TB 内存

来源: oschina.net 30
Cloudflare 对 1.1.1.1 DNS 缓存做了一次数据结构瘦身。完成迁移后,系统节省了约 100TB 内存。关键并不是更换硬件或引入复杂压缩算法,而是检查缓存条目的内存布局,删除不必要的状态,并把不需要扩容能力的数据从 改成更紧凑的表示。 这类优化在普通服务里可能只省下几 MB,但 1.1.1.1 是全球规模最大的公共 DNS 解析器之一,...

Istio 1.31.0 发布:从 Ambient 灰度到区域感知流量治理

来源: istio.io 30
Istio 1.31.0 已正式发布。这个版本的重点不只是新增几个 API,而是把生产环境里最容易出问题的几类操作做得更可控:Ambient 模式支持 waypoint 金丝雀流量分配,多集群稳定性得到改进,Envoy 可以进行可用区感知负载均衡,同时还补上了外部域名动态转发、FIPS 140-3 合规和更灵活的指标采集能力。 升级前需要注意两件事:I...

Cloudflare AI Search:让 AI Agent 更容易搜索你的专属数据

来源: infoq.com 52
AI 应用真正落地后,难点往往不在于调用模型,而在于让模型可靠地找到企业自己的文档、产品资料、工单和多媒体内容。Cloudflare AI Search 试图把这部分能力做成内置的搜索与检索服务:应用和 AI Agent 不必从零搭建索引、检索和数据连接,就可以围绕自定义数据构建搜索体验。 这项能力的价值不只是“给聊天机器人接一个搜索框”,而是把搜索变...

让 AI Agent 真正搜到你的数据:Cloudflare AI Search 的使用思路与接入实践

来源: infoq.com 33
当企业把 AI Agent 接入内部文档、产品资料或多媒体内容时,真正棘手的问题往往不是生成答案,而是让模型稳定找到正确的数据。Cloudflare AI Search 将搜索与检索能力做成可直接使用的服务,让 Agent 和应用可以围绕自定义数据建立搜索入口,并进一步与 Cloudflare 的其他工具组合。 直接把全部业务数据塞进提示词并不可行:上...

AWS 开源 Kiro Crew:让多个编码代理在后台持续协作

来源: infoq.com 42
Amazon 最近宣布开源 Kiro Crew。它提供一个工作空间,用于跨会话、工具和任务运行多个 Kiro 编码代理。开发者可以把事故调查、工单分流、代码迁移和 PR 监控交给异步代理处理,即使人暂时离开,任务仍能继续推进。 这类系统的重点并不是让一个代理生成更多代码,而是把编码代理组织成一组可持续运行的工作单元:每个代理接收明确任务,使用所需工具,...

AWS 开源 Kiro Crew:让编码代理在后台持续协作

来源: infoq.com 49
Amazon 最近公布了 Kiro Crew,这是一个用于运行多个 Kiro 编码代理的开源系统。它把编码代理从一次性的对话窗口,扩展成可以跨会话、工具和任务持续工作的异步协作空间。 开发者可以把事故调查、工单分流、代码迁移和 PR 监控等任务交给代理。代理在后台继续执行,开发者不需要一直保持当前会话或实时监督每一步操作。 传统的编码助手通常围绕一个编...

Cloudflare Workers 开始接收入站 TCP:gRPC 成为首个上层协议

来源: infoq.com 43
Cloudflare Workers 的网络边界正在发生变化:通过新的 处理器,并经由 Spectrum 路由,Workers 可以接收入站 TCP 连接。这个变化结束了持续八年的“只能处理 HTTP”限制,也让容器能够运行全双工 gRPC 服务。 目前这些能力都处于私有测试阶段,因此生产环境还不能直接依赖具体 API 细节。不过,从架构上看,Clou...

用 BatchWriteRecord 和 ListRecords 管理 SageMaker Feature Store 数据

来源: aws.amazon.com 40
Amazon SageMaker Feature Store 新增了两个面向数据写入与发现的 API: 可以在一次调用中向多个 Feature Group 写入最多 25 条记录, 则可以枚举某个 Feature Group 中的记录标识符。两者结合后,离线导入、数据校验和特征数据盘点都不必再依赖大量单条 API 调用。 过去,应用通常需要循环调用单条...

Decathlon 如何用 Chronos-2 在 AWS 上规模化预测每周需求

来源: aws.amazon.com 41
对拥有数万种商品、覆盖多个大洲的零售商来说,需求预测真正难的部分不是“训练一个模型”,而是让预测系统稳定地跑起来:数据要按周整理,推理要覆盖大量 SKU,跨区域结果要能落地,成本和运维复杂度还必须可控。 Decathlon 的实践说明,Chronos-2 可以被部署到 AWS 上,服务大规模、周期性的需求预测任务。根据案例摘要,该方案将预测准确度提高了...