企业官网建设流程全解析

支持wordpress的mysql,外贸谷歌优化,百度贴吧官网首页,嘉陵区建设局网站一、“通” 是阿里妈妈效果广告过去几年的核心主题之一 2021年之前#xff0c;阿里妈妈广告业务是搜索广告、展示广告、直播广告等多驾马车各自发展的局面。2021年阿里妈妈推出了「万相台」#xff0c;一定程度实现了客户一笔钱可投放到阿里妈妈的所有土地上。2024年8月进一步…一、“通” 是阿里妈妈效果广告过去几年的核心主题之一2021年之前阿里妈妈广告业务是搜索广告、展示广告、直播广告等多驾马车各自发展的局面。2021年阿里妈妈推出了「万相台」一定程度实现了客户一笔钱可投放到阿里妈妈的所有土地上。2024年8月进一步推出了「万相台无界」允许客户一笔钱在关键词/人群/货品全站/直播短视频各场景间自由腾挪在不同土地上最优分配。这样「预算通」、「土地通」的产品给了客户更多自由度同时也给了技术侧更多的优化抓手对于广告主和广告平台来说是双赢的。不同引擎承接不同土地的流量是业界共识的架构范式。如何让一笔钱花在不同的土地上要解决同一个花钱逻辑如何同时在不同引擎生效的问题。换言之业务上的「预算通」其实需要「引擎通」。在这样以「通」为主题的业务和技术发展趋势之下我们提出了Serverless的广告引擎架构范式使得业务能力可以「一处开发按需集成」。更进一步我们实现了 开发、测试、实验、生产交付 全链路迭代颗粒度对齐到「能力」而阿里妈妈广告引擎对能力的承载形式是Graph有向无环图因此我们提出Graph as a ServiceGaaS的新玩法。GaaS已经很好地帮助业务解决了跨引擎/跨模块出价的迭代效率问题开发自测提效:1倍以上变更发布提效70%对不同场景、在离线系统能力复用也提供了巨大的助力。在广告引擎这样一套复杂的系统中真正落地Serverless范式是有挑战的业界也鲜有耳闻。本文简要介绍了GaaS背后的思想主要的方案以及实际业务落地情况。本文完整作者应灵飞驳天形子瑞画沙二、GaaS的核心是从开发到交付全链路颗粒度对齐到GraphGaaS是阿里妈妈广告引擎以业务能力通过图实现为基本单元的交付范式。相较传统Serverless方案如 FaaSGaaS聚焦于在满足对系统低延迟、重数据、高频迭代 等系统约束的前提下实现敏捷交付。我们将广告在线引擎逻辑进行「细粒度重构」形成诸多合适粒度的Graph。GaaS核心提供对Graph的规范化封装同时在Graph粒度上提供 开发、自测、实验、发布 能力。具体包含了如下5个核心组成部分图1: GaaS核心能力体系架构全景图基于能力重塑基于运行时、数据表达、范式统一的全图化引擎以业务能力为粒度对引擎业务做整体做细粒度重塑是GaaS运转的底层逻辑支撑。面向能力开发构建以算子底层计算逻辑、编排、数据为整体的编译部署单元实现业务视角的“能力”与工程交付视角的“图”概念对齐是GaaS的工程基础。面向能力自测解决在线引擎运行时环境的轻量级拉起难题将能力的测试从集成测试轻量化为本地单测是GaaS的效率核心。面向能力实验解决能力升级后对所关联业务的实验感知、拉起及统一验证问题避免图复用后验证成本的线性增长是GaaS可持续推广的成本保障。面向能力发布解决能力触发多业务发布的数据部署与发布效率问题实现引擎变更以能力版本做统一对齐是GaaS的最后一公里拼图。三、来时的路通过几个「统一」让引擎逻辑片段互认GaaS的基础是要有粒度适当的逻辑片段可构建在线引擎全链路流程然后这些逻辑片段的部署不受模块/服务限制。在往期文章《新时期的阿里妈妈广告引擎》的工作中我们通过以下三个「统一」实现了上述基础要求统一运行时 将引擎从控制流全面切换为数据流模式实现了业务编排与底层执行的解耦。引入图编译优化以保障高吞吐、低延迟的同时让开发者从复杂的数据分发与并行编排中解脱专注于逻辑迭代。基于此实现各引擎各模块的运行时互认。统一数据抽象 将各类异构数据统一建模为 Table二维表并交由框架自动化管理使业务开发能够通过配置化方式透明地消费数据视图显著解决了广告引擎重数据依赖的痛点提升了交付效率。统一业务抽象规范业务算子通过标准的Schema交互并剔除了“大SessionContext”数据总线推动了逻辑片段的原子化与无状态化为算子在各模块间的“自由漂移”及全链路逻辑重组扫清了障碍。在上述三个「统一」的工作之上阿里妈妈广告引擎具有了业务能力在不同模块、引擎之间互认的技术前提。我们进一步对业务逻辑进行体系化建模基于 BP 能力与土地机制对引擎能力实施 MECE 式拆解并以图粒度承载实现了以图为标准交付物的引擎研发范式。以无界BP的“设置预算及出价”能力为例通过统一的出价范式定义我们实现了不同土地搜索、展示、不同营销场景、不同出价方式在底层共享同一套“出价内核”。图2: 出价子图的动态漂移示意在线高性能场景 vs 实验低成本场景进一步地针对出价实验在重数据模块如检索节点拉起资源成本高的挑战我们利用图漂移能力支持出价子图根据场景灵活切换部署位置在线接流阶段部署于“本地”以追求极致性能实验阶段则“漂移”至远端节点以极低的部署成本实现快速迭代。四、面向能力开发将引擎逻辑片段抽象为Graph是GaaS的前提阿里妈妈广告引擎基于EADS图引擎框架搭建图可以表达一段任意粒度的引擎/业务逻辑小到一张图中可以只有一个UDF算子大到召回引擎的完整图描述甚至整个广告引擎都是一张可在一个进程中被EADS框架加载执行的图。基于之前描述的数据总线Table、运行时框架等统一的基建引擎逻辑抽象为Graph已具备充分的技术可行性。Graph定义Graph包含基于python脚本TableAPI描述的DAG流程、业务自定义UDFC插件、算子所依赖的数据schema定义 等。Graph调用可以在TableAPI描述中通过「图接口」直接完成对子图的调用。Graph编译根据图编译脚本bazel BUILD描述的主图A调用依赖子图B的方式inline/local/remote完成主图A到子图B的实际编译部署物。这一过程可类比C程序对第三方库的处理方式——根据需求选择静态依赖、动态依赖或RPC调用。图3面向能力开发五、面向能力自测让Graph可以Local化跑起来是GaaS的灵魂集成测试是引擎迭代的重要质量保障。 GaaS打通了开发侧算子集成与图集成相关能力, 也对集成测试提出了「更高」/「更全」/「更广」的需求, 只通过传统的应用粒度的回归, 已经不能满足GaaS模式下所测即所变的要求。因此Local化的集成自测呼之欲出。图测试需要准备输入Table索引数据校验输出Table, 我们将这些流程的业务接口统一暴露为Python接口, 将图测试用例设计为Python测试用例, 通过Python的易用性与「AI-Friendly」特性, 降低图测试的构造门槛, 使图测试作为开发环节的必选项。我们将整个流程抽象为「测试图构造」, 「本地运行时」, 「数据构造与结果断言」:测试图构造: 提供接口Mock能力实现对测试图进行上下游数据Mock构造。提供Mock过程中对图执行流程的必要改写能力, 从而将原图重构为测试图进而实现图的本地运行。本地运行时: 提供小索引构建能力利用图编译能力完成对被测试子图的编译、校验逻辑插入及具体调用。最终实现了本地运行Graph所需要依赖的简化且优化单图测试时间到分钟级。数据构造与结果断言: 在图测试中提供了基于Python的Table数据结构, 支持业务使用Python完成图测试输入数据构造与输出结果断言, 极大地提升了图测试的易用性。通过「测试图构造」, 「本地运行时」, 「数据构造与结果断言」等模式, 我们成功将一个EADS图的集成测试建模为在Python中的一段UT测试逻辑, 这大大优化了传统的基于生产实验环境的集成回归逻辑, 提供了真正的面向「能力」的集成回归, 使业务能根据能力丰富图回归, 有效地保证了GaaS的安全落地。图4面向能力自测六、面向能力实验通过Graph触发实验验证是GaaS生产落地的关键步骤实验是引擎迭代的关键步骤在这个环节不仅要验证迭代的效果更要验证迭代的稳定性。阿里妈妈在过去几年已规模化应用了引擎模块级的生产实验能力对生产流量和资源进行科学敏捷管理实现了引擎模块迭代的低成本高效验证。在面向能力迭代的背景下也需要面向能力即Graph建设配套的生产实验能力这是GaaS走向生产的关键基础设施。这套实验能力包括以下几点Graph血缘分析构建维护Graph到模块的拓扑关系是面向Graph的精准实验以及后续精准生产发布的关键能力。在没有拓扑关系的情况下只能人工识别实验对象难以避免出现遗漏或者实验资源浪费。我们的系统在引擎代码变更后可自动提取并更新这一拓扑关系。Graph精准实验用户以Graph为视角触发实验系统基于血缘分析结果精准定位需要实验的模块和业务场景自动的进行相关实验构建、部署和流量接入。这一过程中用户只需要提供Graph及其变更信息即可保证受影响的模块和业务场景都可以被验证到。全局实验分析多业务场景实时效果监测和结果聚合多引擎模块下钻到Graph的实时监控这些基础能力有效的保障了Graph实验的最终目标一次实验得到包括效果和稳定结论的各业务场景的正确验证结果。基于面向Graph的实验能力阿里妈妈广告引擎实现了GaaS高效的「一处开发多处验证」。图5面向能力实验七、面向能力发布通过Graph发起生产变更是GaaS的使命面向能力即Graph的发布能力成功交付到生产系统才是GaaS使命的达成GaaS的Serverless理念在这一环节得到最终体现。面向Graph的Serverless发布主要体现在以下两点Graph精准发布用户以Graph为视角触发生产变更同样基于血缘分析结果精准定位需要变更的模块和业务场景并行进行多模块的生产变更。针对不同业务场景对Graph的差异化使用我们对Graph发布流程进行了概念抽象来满足这一诉求。Graph灵活部署GaaS的一个核心Serverless能力是Graph作为可独立运行的实体具备可灵活漂移部署的特性。Graph可以被模块本地inline调用从而获取最优的调用延迟或者被远程调用获取最佳的迭代隔离性也可以被动态子图调用来平衡调用延迟和迭代效率不同的业务场景可灵活调整部署方式。基于面向Graph的发布能力阿里妈妈广告引擎实现了GaaS高效的「一处开发多处发布」图6面向能力发布八、完整秀出来广告引擎GaaS对智能出价迭代的体验提升以智能出价为例GaaS显著提升了引擎能力的交付效率。作为广告引擎的核心商业能力智能出价被广泛集成于多种流量土地搜索、展示、内容等的多个阶段。其核心逻辑包含了个性化出价算子C 实现、横向复用的通用出价内核子图以及支撑在线计算的算法数据。在GaaS落地前尽管逻辑可复用但交付碎片化严重集成侧需手动维护复杂的编译配置逻辑验证深度绑定物理服务部署效果验证需逐个渠道手动同步。这种按服务粒度发布的模式节奏慢且极易导致全链路版本不一致漏发。图7完整案例——智能出价在 GaaS 落地前后的全链路交付流转对比GaaS从根本上解决了上述问题。如图所示在不降低验证质量的约束下出价交付被收敛为统一的“图资产”交付实现了研发效率与质量的双重飞跃开发阶段智能出价子图提供者保障所需能力的闭环交付及验证从而规避了在不同部署集成时的差异化兼容问题。load(eads_graph) eads_graph( name bidding_graph, graph_main bidding_graph.py, # 仅需申明图内新增的 # 编排、算子逻辑、数据 py_deps [], eads_udfs [ :bidding_udf, ], eads_datas [ :my_promotion_bidding_data ], # 通过图之间的依赖关系解决 # 间接依赖编排、算子的依赖关系 graph_deps [ //graph:fetch_param_graph, ], )自测阶段以往依赖完整服务的集成测试现在被轻量化为基于标准 I/O 的图自测。通过 Mock 输入表与算法数据在本地即可完成高仿真的逻辑闭环验证。GaaS首次实现了Graph逻辑的本地测试大大降低生产变更的返工频率。from turing_script.ad_table import AdTable from bidding.graph import bidding_graph class BiddingTestCase(EADSGraphTestCase): # 用于执行图测试 def test_demo(self): # 支持子图输入输出表构造 ad_table AdTable.from_csv_file(ad_input.csv) in_tables {ad: ad_table} expect_table AdTable.from_csv_file(ad_output.csv) # 执行待测试子图 out_tbls self.run_graph(inputsin_tables, fetches[ad]) # 验证结果 assert table_equal(ad_table, expect_table)实验阶段实现了全局实验的一键启动。依托图血缘能力系统可自动识别出价子图升级所涉及的引擎模块并同步完成相关业务场景的流量配置。在效果回收阶段支持全域维度的指标聚合以及面向特定业务维度的深度下钻分析。以该场景为例GaaS方式实验效率提升70%。发布阶段生产发布全由出价子图变更驱动。利用血缘识别联动多个服务发起发布同时针对不同业务场景对调用延迟与开发效率的平衡需求支持子图以“内联融合Inline”或“跨图调用”的差异化范式进行灵活部署实现性能与灵活性兼得。以该场景为例GaaS方式发布效率提升75%。九、展望GaaS不是终点大模型时代AI研发扑面而来我们通过图粒度的在线引擎能力建模围绕图交付的基建升级构建了基于GaaS的引擎能力交付范式本质是面向在线广告引擎场景构建了一种AI-Friendly的软件工程架构。这套软件工程思想在大模型时代依然行之有效甚至可以说正当其时更清晰的逻辑拆分本质上是更精准的领域建模让大模型“理解代码”更有迹可循更明确的引擎能力拆解是更精细的工程规范让大模型“新增代码”更有理可依更多颗粒度Graph的可测性是更强的质量抓手让大模型“验证逻辑”更有底气基于这套 AI-Friendly 的架构我们已经在引擎研发范式的AI化重塑上迈出了坚实的一步Source Code As Document我们构建了以代码为主要依据的知识库实现了日常编码建议、功能答疑、运维知识查询由向人咨询到向Agent咨询的转变。很大程度解决了文档缺、文档老、文档不准 的研发顽疾。AI·Coding以编码规范 及 依赖知识代码知识、业务知识 为基础我们实现了从原始需求出发到技术方案生成、算子/子图编码、本地验证、实验拉起 等端到端可由AI Agent辅助完成。部分领域的产品需求已默认通过AI辅助开发。未来我们将继续探索AI Agent与引擎架构更加激进、更加深入的融合敬请期待 关于我们我们是阿里妈妈广告引擎团队是支撑着国内最大广告业务的核心技术力量之一。我们正在用前沿技术重塑广告引擎的未来用Serverless架构、AI-Coding 持续提升研发效率用GPU/PPU推高算力天花板用数据驱动探索大盘提效。真诚欢迎具备扎实的C编程、数据结构算法基础对高性能、分布式架构有经验对AI研发有兴趣 的同学加入一起玩转新时代的广告引擎欢迎投递简历。 简历投递邮箱taobao_techhireservice.alibaba.comEND也许你还想看阿里妈妈展示广告引擎动态算力再探索面向业务收益的机器自适应调配阿里妈妈展示广告引擎新探索迈向全局最优算力分配新时期的阿里妈妈广告引擎KDD25 | Bid2X基于基础模型视角的广告竞价环境建模关注「阿里妈妈技术」了解更多~喜欢要“分享”好看要“点赞”哦ღ~