zealotlab
本站致力于IT相关技术的分享
使用Ansible自动化部署基于ScyllaDB实时特征存储的Keras生成式AI推理服务 使用Ansible自动化部署基于ScyllaDB实时特征存储的Keras生成式AI推理服务
我们的新一代个性化内容生成服务在原型阶段表现惊人，但部署到准生产环境后，推理延迟的P99指标直接飙升到了无法接受的3秒。问题根源很快被定位：模型需要实时获取用户最新的行为特征作为Prompt的一部分，而我们现有的特征平台是基于Hadoop/
2023-10-27 MLOps
Ansible ScyllaDB 生成式AI Keras Feature Store
基于 Elixir Port 构建与 Python Matplotlib 通信的异构数据可视化服务 基于 Elixir Port 构建与 Python Matplotlib 通信的异构数据可视化服务
我们的一个核心业务系统是用 Elixir 构建的，它处理着大量的实时遥测数据。最近出现一个需求：为运营团队提供按需生成的复杂时序数据分析图表。这些图表不是简单线图，需要包含统计学标记、多轴、复杂的注释，这些是 Matplotlib 的强项，
2023-10-27 后端架构
Elixir Matplotlib DynamoDB Vite
构建基于 Git Webhook 驱动的 Axum 增量静态再生自动化流水线 构建基于 Git Webhook 驱动的 Axum 增量静态再生自动化流水线
我们的一个核心内容平台遇到了性能与更新频率的典型矛盾。它最初是一个完全由 Axum 实现的动态服务，通过服务端渲染（SSR）直接从数据库中拉取 Markdown 内容并转换为 HTML。随着流量增长，即便有缓存，数据库的压力和渲染开销也变得
2023-10-27 后端架构
Axum Jenkins ISR Git
基于BentoML、Iceberg与SSG构建不可变机器学习模型评估报告流水线 基于BentoML、Iceberg与SSG构建不可变机器学习模型评估报告流水线
团队的模型性能追踪一度陷入混乱。评估指标散落在不同的Jupyter Notebook输出、CSV文件和临时的监控图表中。当需要回溯三个月前某个特定模型版本（比如 v0.7.1）为何在特定数据切片上表现优于当前版本（v1.2.0）时，整个过程
2023-10-27 MLOps
Data Lake SSG BentoML Apache Iceberg MLOps
构建由 Nacos 动态驱动并结合 Firestore 状态持久化的 Qwik 微前端架构 构建由 Nacos 动态驱动并结合 Firestore 状态持久化的 Qwik 微前端架构
我们团队的微前端体系正变得臃肿。最初作为解耦利器的微前端，其主应用（或称“基座”）的配置文件却成了新的瓶颈。每当需要上线一个新的子应用，或者调整某个应用的路由，甚至只是开启一个A/B测试的灰度入口，我们都必须修改基座应用的源码、构建、然后重
2023-10-27 前端架构
Qwik Turbopack Firestore Nacos 微前端
利用 CircleCI 与 Chef 构建动态基础设施拓扑的图数据库状态管理实践 利用 CircleCI 与 Chef 构建动态基础设施拓扑的图数据库状态管理实践
一个线上告警将整个团队拉入了长达三小时的故障排查会议。起因是一个底层支付网关的配置变更，部署过程一切正常，但几个小时后，一个看似毫无关联的营销活动服务开始出现大面积的请求超时。没人能立刻解释这两者之间的联系，静态的架构图早已过时，Wiki文
2023-10-27 DevOps
CircleCI Chef NoSQL 状态管理 图数据库
3 / 5