AnalyticDB与通义千问搭建AI智能客服
本活动基于AnalyticDB for PostgreSQL的高效向量引擎与阿里云自主研发的通义千问LLM模型，构建一个高性能的检索增强生成应用，实现企业的AI智能客服，更高效地解决客户问题。
ADB各种操作指令详解大汇总
这篇文章提供了ADB（Android Debug Bridge）的详细操作指令汇总，包括设备管理、应用操作、日志查看、文件操作、屏幕截取与录制、Shell命令使用等。
重磅发布！AI 驱动的 Java 开发框架：Spring AI Alibaba
随着生成式 AI 的快速发展，基于 AI 开发框架构建 AI 应用的诉求迅速增长，涌现出了包括 LangChain、LlamaIndex 等开发框架，但大部分框架只提供了 Python 语言的实现。但这些开发框架对于国内习惯了 Spring 开发范式的 Java 开发者而言，并非十分友好和丝滑。因此，我们基于 Spring AI 发布并快速演进 Spring AI Alibaba，通过提供一种方便的 API 抽象，帮助 Java 开发者简化 AI 应用的开发。同时，提供了完整的开源配套，包括可观测、网关、消息队列、配置中心等。
基于LangChain手工测试用例转App自动化测试生成工具
在传统App自动化测试中，测试工程师需手动将功能测试用例转化为自动化用例。市面上多数产品通过录制操作生成测试用例，但可维护性差。本文探讨了利用大模型直接生成自动化测试用例的可能性，介绍了如何使用LangChain将功能测试用例转换为App自动化测试用例，大幅节省人力与资源。通过封装App底层工具并与大模型结合，记录执行步骤并生成自动化测试代码，最终实现高效自动化的测试流程。
从数据中台到数据飞轮：企业升级的必然之路
在探讨是否需从数据中台升级至数据飞轮前，我们应先理解两者之间的关系。数据中台作为数据集成、清洗及治理的强大平台，是数据飞轮的基础；而要实现数据飞轮，则需进一步增强数据自动化处理与智能化利用能力。借助机器学习与人工智能技术，“转动”数据并创建反馈机制，使数据在循环中不断优化，如改进产品推荐系统，进而形成数据飞轮。此外，为了适应市场变化，企业还需提高数据基础设施的敏捷性和灵活性，这可通过采用微服务架构和云计算技术来达成，从而确保数据系统的快速扩展与调整，支持数据飞轮高效运转。综上所述，数据中台虽为基础，但全面升级至数据飞轮则需在数据自动化处理、反馈机制及系统敏捷性方面进行全面提升。
LangChain: 大语言模型的新篇章
本文介绍了LangChain框架，它能够将大型语言模型与其他计算或知识来源相结合，从而实现功能更加强大的应用。接着，对LangChain的关键概念进行了详细说明，并基于该框架进行了一些案例尝试，旨在帮助读者更轻松地理解LangChain的工作原理。