专栏名称: OSC开源社区

OSChina 开源中国官方微信账号

加速技术开发！第110期北京源创会精彩回顾

OSC开源社区 · 公众号 · 程序员 · 2025-01-24 23:33

正文

OSCHINA

↑点击蓝字关注我们

🔗 《2024 中国开源开发者报告》正式发布

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

基于 uni-app 快速构建高性能鸿蒙原生应用

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。

开发应用一分钟，省却台下十年功：LazyLLM 助你高效构建 AI 助手！

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。

运用 Elasticsearch 进行向量搜索及 GenAI 智能应用开发

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。

端到端可信交付・制品库建设在 DevOps 中的价值探讨

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。

如何快速搭建一个大模型应用？

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🔥