加速技术开发！第110期北京源创会精彩回顾

开年的第一场技术沙龙大家都看了吗！

红红火火的现场速递来了🔥

北京寒冷的天气挡不住 OSCer 们的参会热情～

感谢以上合作伙伴对本次活动的大力支持

————接下来进入主题演讲回顾环节————

跨平台开发老兵、DCloud CTO 崔红保发表了《基于 uni-app 快速构建高性能鸿蒙原生应用》主题演讲。崔红保介绍，uni-app 是一款跨平台开发框架，目前有十几亿的活跃设备，插件数量达到15.8K。uni-app 已支持数十万款 APP 的开发上线，如开源中国 OSCHINA 全新 app 便是使用 uni-app 重构，一套代码，覆盖了 iOS 与 Android、HarmonyOS Next 等多个平台，现已经上架到不同应用市场。
uni-app 的鸿蒙化方案采用经典 Hybrid 架构，即逻辑层、视图层分离的模式；对存量 uni-app 项目更友好，可以平滑迁移至鸿蒙系统，最快入驻鸿蒙生态。
然而，由于web渲染引擎的性能瓶颈，以及JS进程通讯阻塞的问题，虽然 uni-app 的鸿蒙化方案对存量App开发者最为友好，但并非性能最佳。
崔红保指出，跨端框架若想媲美原生，就得成为原生。DCloud 推出纯原生的跨平台框架 uni-app x，开发态继续使用web技术栈，通过编译阶段将JS + Vue代码编译为各平台的原生语言，例如在鸿蒙Next上就编译为arkTS + arkUI，一方面解决渲染引擎的问题，另一方面彻底消灭JS进程和UI进程之间的阻塞问题，完全实现原生效果。
对于未来，崔红保讲到，uni-app团队会在开发体验、运行性能、插件生态等维度加强对鸿蒙平台的支持和强化。

商汤科技大装置事业群研发总监王志宏发表《开发应用一分钟，省却台下十年功：LazyLLM 助你高效构建 AI 助手！》主题演讲。王志宏指出，目前纯大模型及微调无法满足实际的场景需求，AI Agent 俨然成为2025年最中心的产品议题。相关数据显示，整体 AI Agent 市场规模在2025年将达到73.8亿美元，到2030年达到470亿美元。在实际案例方面，AI Agent 能作用于各种广泛领域，包括电商、财管等多种领域，根据相关调研，九成公司都对 AI Agent 有计划和需求，大约 51% 的受访者已在生产中使用，78% 的受访者积极计划尽快将代理投入生产。

此外，大模型应用落地还面临一大难题——半天POC，半年难落地。

在这种背景下，多 Agent 大模型应用的开发框架 LazyLLM 应运而生，其开发的初衷是破局多 Agent 应用开发困境，协助开发者用极低的成本构建复杂的 AI 应用，并可以持续的迭代优化效果。用户可以先基于 LazyLLM 快速跑通应用的原型，再结合场景任务数据进行 bad-case 分析，然后对应用中的关键环节进行算法迭代和模型微调，进而逐步提升整个应用的效果。

其中，LazyLLM 加速 AI 应用开发的关键设计有以下几点：以数据流为核心的应用开发范式，LazyLLM支持Pipeline、Parallel、Switch、If、Loop、Diverter、Warp、Graph等数据流；为同一模块的不同技术选型提供一致的使用体验，包括统一调用、统一服务、统一部署；复杂应用一键部署；跨平台，以及高可拓展架构、产品落地快等性能。

此外，用 LazyLLM 也可搭建 RAG 应用。RAG 核心流程包含数据读取、数据分块、向量化、召回、重排和生成几个部分，LazyLLM 为每个组件进行了封装，提供开箱即用的 RAG 搭建工具。

Elastic 中国社区首席布道师刘晓国发表《运用 Elasticsearch 进行向量搜索及 GenAI 智能应用开发》主题演讲。刘晓国指出，AI 时代对搜索提出了新要求。以往的用户需求往往通过全文搜索、结构化搜索等来给出结果，而现在的搜索要求则需要通过语义搜索、向量搜索等来满足。语义搜索是根据搜索查询的意图和上下文含义检索结果，而不仅仅是关键字，往往准确度更高。

现在，搜索也成为 Gen AI 的关键基础设施。生成式人工智能面临着特定的挑战，如幻觉、错误答案，复杂的技术堆栈，实时访问私人数据，安全和隐私挑战等。为了让 LLM 变 “聪明”，业界现有三种方式，其中一个是情境学习（prompt），RAG 则是一个重要实现方式。RAG 的目的是提高特定领域文档集的任务性能，仅在推理时运行需要查询特定的数据检索；无需适应新数据的时间，新信息通过检索（搜索）传递；出现幻觉的风险低；并且可定制，以实现外部信息检索系统可以调整以与 LLM 保持一致，也可以优化 Prompt 以提升任务执行能力。

具体而言，通过把私有业务数据，或是实时产生的数据放入私有数据库，转换成向量，在用户与大模型交互时，将问题也转换成向量，然后让数据库去比较向量的相似度，比较后给出最精准的答案。

Elasticsearch 目前在向量搜索领域提供了几乎所有的所需功能，除了存储搜索向量，也可以创建embedding，此外还可以实现基于 HNSW 的索引；原生向量数据库，并非是插件；与现有 ES 搜索功能高度融合进行混合搜索；具备生成式人工智能应用所需的全部功能等。在 Elasticsearch 向量引擎最新进展中，已经实现利用 CPU 硬件指令加速向量索引和计算速度；增加查询并发度，充分利用更多的计算核心；向量有损压缩，float 到 int8、int4、bit 向量来平衡精度、速度和成本；一个查询的多个并发线程间协同共享信息，提前终止一些查询线程。

Gitee 制品库首席产品经理齐鹏发表了《端到端可信交付 · 制品库建设在DevOps中的价值探讨》主题演讲。齐鹏指出，从软件研发角度可将端到端交付归纳为研发依赖管控、构建成品管理和生产交付保障三个关键节点，只有在每个节点都进行了安全、规范、统一的管控，才能保障持续、稳定、高效的端到端交付。

在软件研发流程中也存在不同的管理难题，如平台方面，各团队构建成品分散存储，开发、测试、运维人员无统一协作平台；数据方面，软件研发流程数据无法记录，各个环节重要流程数据流失，无法串联上下游研发数据；版本方面，无法高效实现版本管控，缺乏统一的版本规范，导致版本物料不集中；安全方面，构建成品缺乏安全扫描机制，发布版本可能存在安全漏洞，给企业带来隐藏的安全风险。

Gitee Repo 作为企业级唯一可信制品管理平台，具备完善的端到端制品管理方案，可建立企业级唯一可信源。对私有云，可以构建企业级的研发数据存储仓库和分发仓库，具体如覆盖全语言门类的依赖仓库；制品生命周期全流程管控和记录；企业级制品价值挖掘，构建制品图谱；金融级制品发版解决方案，稳态流程管控；跨地域、跨机房、跨网络制品分发和一致性追溯。

对公有云，可以构建国家级的开源制品存储仓库和分发仓库，具体包括支撑供应链安全，构建国家级开源制品依赖仓库；为开发者赋能，搭建稳定可靠的制品共享中心；保护知识产权，制品许可证扫描合规入库、追踪；安全可信源，制品漏洞扫描合规入库，高危制品封禁。

此外，在风险治理阶段，GiteeRepo具备完善的开源风险治理能力；在研发测试阶段，可通过Repo构建管理串联构建数据，支持集成测试质量信息等；在生产发布阶段，支持仓库级别的实时与定时同步，实现跨节点的仓库同步；支持将跨仓库制品组合为发布包，高效分发至各个生产中心，并确保分发包可信、可追溯。

数据项素高级工程师张国清发表《如何快速搭建一个大模型应用？》主题演讲。张国清介绍了一个企业级开源大模型应用开发平台——毕昇，可以为大模型应用提供高价值数据要素供给与技能为中心的LLM开发工具链，帮助用户快速构建大模型通用应用及个性化端到端解决方案，赋能和加速大模型数智应用开发落地。

毕昇的优势主要有三项，一是数据优势 ，多年积累的自研ETL4LLM语料预处理模型套件（文擎励心），为智能化应用构建打造坚实基础；二是生态优势，依托国内企业级大模型应用开发最大生态，针对B端应用场景预制大量专业技能模板与通用应用，实现企业级应用的高效落地；三是场景优势，关注最终应用落地实效，团队积累了丰富的大型企业智能化应用项目落地经验。

毕昇目前有三类应用。一是技能，对应langchain的各个组件，底层原理是将langchain里各个组件进行可视化的展示，适合对langchain有一定了解的开发者，功能相当灵活且强大，例如一个rag应用在毕昇技能里拖这几个组件即可。

二是助手，底层是基于langgraph实现的一个可以调用工具来回答用户问题的agent，可以通过接口来自定义工具、也可以挂载毕昇的知识库和技能来作为助手的工具。主打一个构建和使用简单，只需要描述需要助手做什么事情，自动优化prompt和选择工具。

三是工作流，毕昇的工作流底层引擎是基于langgraph运行工作流。支持用户任意组合节点之间的连线，支持成环、以及用户参与工作流运行过程中等等。

最后，再来张喜庆的大合照📷完美收官🔥