前言

Ceramics 是一款 HTML5 互动题目引擎，主要为有道互动教学场景提供 Web 互动题目开发解决方案帮助开发者快速生产高质量的题目内容。

本文将从业务场景出发，介绍 Ceramics 的技术实现，并讲述其如何高效地为高质量的互动内容生产赋能，希望能给对 Web 互动技术感兴趣的前端开发人员提供一些参考。

本文主要描述了怎么样提高一个客户端开发排查和定位的效率，并且动手写了一个小工具的实践和思考，以及团队中其他合作者能够提高了定位问题效率，验证功能是否准确的效率。

作者/马杰 中国大学 MOCC 团队

编辑/刘振宇

一、前言

中国大学 MOOC 是由网易与高教社携手推出的在线教育平台，承接教育部国家精品开放课程任务，向大众提供中国知名高校的 MOOC 课程。目前，无论是课程数量、质量还是社会影响力，中国大学 MOOC 都已成为全球领先的中文慕课平台。

在日常的 Android 开发中，我们经常会遇到以下的一些问题：测试、运营、产品同学跑过来说这个页面出了问题，赶紧看下。这时候客户端开发同学就需要赶紧定位到具体的某个页面。

据观察，大部分的情况下对于一个突发页面的问题定位，或者业务方想让开发者确认这个页面的业务逻辑的时候，客户端开发者，往往需要花费比较长的时间去给业务方答复。如果近期业务可能还能记得，但是客户端的页面比较多，想要快速定位到具体业务页面，那么就需要花更多的时间去找相关的页面。

所以本文的想法是怎么快速找到对应的页面，帮助开发快速的进入业务代码，快速的回复业务方提出的问题。

前言

seata是阿里巴巴研发的一套开源分布式事务框架，提供了AT、TCC、SAGA 和 XA 几种事务模式。本文以精品课项目组的物流后台服务为例，介绍seata框架落地的过程，遇到的问题以及解决方案。

作者/ 邓新伟

编辑/ 网易有道

有道精品课教务系统是基于springcloud的分布式集群服务。在实际业务中，存在许多分布式事务场景。然而传统的事务框架是无法实现全局事务的。长期以来，我们的分布式场景的一致性，往往指的是放弃强一致性，保证最终一致性。

我们从调研中发现，seata框架既可以满足业务需求，灵活兼容多种事务模式，又可以实现数据强一致性。

本文以物流业务为例，记录了在实际业务中落地seata框架落地的过程中遇到的一些问题以及解决方案，供大家学习讨论~欢迎大家在留言区讨论交流

简介

在人工智能技术不断深入发展的今天，我们对于计算的性能要求越来越高。传统的计算处理多数是基于云侧的，把所有图像、音频等数据通过网络传输到云中心进行处理后将结果反馈。但是随着数据的指数式增长，依靠云侧的计算已经显现了诸多不足，例如数据处理的实时性、网络条件制约、数据安全等，因此端侧的推理则愈发重要。

在这样的背景下，网易有道AI团队自主设计研发了高性能端侧机器学习计算库——EMLL(Edge ML Library)，并已在近日开源。

EMLL 为加速端侧 AI 推理而设计，提供基于端侧处理器的高性能机器学习计算库，支持fp32、fp16、int8等数据类型，已在网易有道词典笔、翻译王和超级词典等智能硬件产品的 NMT、ASR、OCR 引擎中应用，大幅提高计算性能，提升用户体验。

开源地址：https://github.com/netease-youdao/EMLL

前言：我们从React源码入手，结合有道精品课大前端的具体业务，运用三大原则对系统进行外科手术式的优化。同时介绍React Profiler这款工具如何帮我们定位性能瓶颈前言：我们从React源码入手，结合有道精品课大前端的具体业务，运用三大原则对系统进行外科手术式的优化。同时介绍React Profiler这款工具如何帮我们定位性能瓶颈

作者/ 安增平

编辑/ Ein

React性能优化是在业务迭代过程中不得不考虑的问题，大部分情况是由于项目启动之初，没有充分考虑到项目的复杂度，定位该产品的用户体量及技术场景并不复杂，那么我们在业务前期可能并不需要考虑性能优化。但是随着业务场景的复杂化，性能优化就变得格外重要。

我们从React源码入手，结合有道精品课大前端的具体业务，运用优化技巧对系统进行外科手术式的优化。同时介绍一下React Profiler这款性能优化的利器是如何帮我们定位性能瓶颈的。

本文中的项目代码全部是在有道大前端组开发项目中的工作记录，如有不足欢迎在留言区讨论交流，笔芯❤

撰文/ 李荣谦

编辑/ Ryan

来源：有道技术团队（ID: youdaotech）

0 序言

本期文章中，有道精品课技术团队将和大家分享有道精品课数据中台的架构演进过程以及 Doris 作为一个 MPP 分析型数据库是如何为不断增长的业务体量提供有效支撑并进行数据赋能的。

本文以我们在实时数仓选型的经验为切入点，进一步着重分享使用 Doris 过程中遇到的问题，以及我们针对这些问题所做出的调整和优化。

1 背景概述

1.1 业务场景

根据业务需求，目前有道精品课的数据层架构上可分为离线和实时两部分。

离线系统主要处理埋点相关数据，采用批处理的方式定时计算。而实时流数据主要来源于各个业务系统实时产生的数据流以及数据库的变更日志，需要考虑数据的准确性、实时性和时序特征，处理过程非常复杂。

有道精品课数据中台团队依托于其实时计算能力在整个数据架构中主要承担了实时数据处理的角色，同时为下游离线数仓提供实时数据同步服务。

数据中台主要服务的用户角色和对应的数据需求如下：