技术

Python ioc 从0到1构建一个db 上下文记忆 agentic chat 图数据库的一些考量 LLM一些探索 Agent实践 LLM预训练 向量数据库的一些考量 fastapi+sqlalchemy进行项目开发 LLM微调实践 Python协程实现 Agent Functon Calling LLamaIndex入门 Multi-Agent探索 Python虚拟机 LLM工作流编排 Python实践 下一个平台Agent 激发LLM涌现——提示工程 LLM微调理论 大佬沉思 LLM外挂知识库 LLMOps 多模态LLM Python一些比较有意思的库 Transformers源码学习 LangChain源码学习 通用分布式计算引擎Ray Python并发 go依赖注入 go collection gc的基本原理 golang性能分析及优化 数据湖 高性能计算与存储 Linux2.1.13网络源代码学习 《大数据经典论文解读》 三驾马车学习 Spark 内存管理及调优 Yarn学习 从Spark部署模式开始讲源码分析 容器狂占内存资源怎么办? 多角度理解一致性 golang io使用及优化模式 Flink学习 c++学习 学习ebpf go设计哲学 ceph学习 学习mesh kvm虚拟化 学习MQ go编译器以及defer实现 学习go 为什么要有堆栈 汇编语言 计算机组成原理 运行时和库 Prometheus client mysql 事务 mysql 事务的隔离级别 mysql 索引 坏味道 学习分布式 学习网络 学习Linux go堆内存分配 golang 系统调用与阻塞处理 Goroutine 调度过程 重新认识cpu mosn有的没的 负载均衡泛谈 单元测试的新解读 《Redis核心技术与实现》笔记 《Prometheus监控实战》笔记 Prometheus 告警学习 calico源码分析 对容器云平台的理解 Prometheus 源码分析 并发的成本 基础设施优化 hashicorp raft源码学习 docker 架构 mosn细节 与微服务框架整合 Java动态代理 编程范式 并发通信模型 《网络是怎样连接的》笔记 go channel codereview gc分析 jvm 线程实现 go打包机制 go interface及反射 如何学习Kubernetes 《编译原理之美》笔记——后端部分 《编译原理之美》笔记——前端部分 Pilot MCP协议分析 go gc 内存管理玩法汇总 软件机制 istio流量管理 Pilot源码分析 golang io 学习Spring mosn源码浅析 MOSN简介 《datacenter as a computer》笔记 学习JVM Tomcat源码分析 Linux可观测性 学习存储 学计算 Gotty源码分析 kubernetes operator kaggle泰坦尼克问题实践 kubernetes扩缩容 神经网络模型优化 直觉上理解深度学习 如何学习机器学习 TIDB源码分析 什么是云原生 Alibaba Java诊断工具Arthas TIDB存储——TIKV 《Apache Kafka源码分析》——简介 netty中的线程池 guava cache 源码分析 Springboot 启动过程分析 Spring 创建Bean的年代变迁 Linux内存管理 自定义CNI IPAM 共识算法 spring redis 源码分析 kafka实践 spring kafka 源码分析 Linux进程调度 让kafka支持优先级队列 Codis源码分析 Redis源码分析 C语言学习 《趣谈Linux操作系统》笔记 docker和k8s安全访问机制 jvm crash分析 Prometheus 学习 Kubernetes监控 Kubernetes 控制器模型 容器日志采集 容器狂占资源怎么办? Kubernetes资源调度——scheduler 时序性数据库介绍及对比 influxdb入门 maven的基本概念 《Apache Kafka源码分析》——server Kubernetes类型系统 源码分析体会 《数据结构与算法之美》——算法新解 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 ansible学习 Kubernetes源码分析——从kubectl开始 jib源码分析之Step实现 线程排队 jib源码分析之细节 跨主机容器通信 jib源码分析及应用 为容器选择一个合适的entrypoint kubernetes yaml配置 《持续交付36讲》笔记 mybatis学习 程序猿应该知道的 无锁数据结构和算法 CNI——容器网络是如何打通的 为什么很多业务程序猿觉得数据结构和算法没用? 串一串一致性协议 当我在说PaaS时,我在说什么 《数据结构与算法之美》——数据结构笔记 PouchContainer技术分享体会 harbor学习 用groovy 来动态化你的代码 精简代码的利器——lombok 学习 《深入剖析kubernetes》笔记 编程语言那些事儿 rxjava3——背压 rxjava2——线程切换 spring cloud 初识 《深入拆解java 虚拟机》笔记 《how tomcat works》笔记 hystrix 学习 rxjava1——概念 Redis 学习 TIDB 学习 如何分发计算 Storm 学习 AQS1——论文学习 Unsafe Spark Stream 学习 linux vfs轮廓 《自己动手写docker》笔记 java8 实践 中本聪比特币白皮书 细读 区块链泛谈 比特币 大杂烩 总纲——如何学习分布式系统 hbase 泛谈 forkjoin 泛谈 看不见摸不着的cdn是啥 《jdk8 in action》笔记 程序猿视角看网络 bgp初识 calico学习 AQS——粗略的代码分析 我们能用反射做什么 web 跨域问题 《clean code》笔记 《Elasticsearch权威指南》笔记 mockito简介及源码分析 2017软件开发小结—— 从做功能到做系统 《Apache Kafka源码分析》——clients dns隐藏的一个坑 《mysql技术内幕》笔记 log4j学习 为什么netty比较难懂? 递归、回溯、动态规划 apollo client源码分析及看待面向对象设计 学习并发 docker运行java项目的常见问题 OpenTSDB 入门 spring事务小结 分布式事务 javascript应用在哪里 《netty in action》读书笔记 netty对http2协议的解析 ssl证书是什么东西 http那些事 苹果APNs推送框架pushy apple 推送那些事儿 编写java框架的几大利器 java内存模型和jvm内存布局 java exception Linux IO学习 netty内存管理 测试环境docker化实践 netty在框架中的使用套路 Nginx简单使用 《Linux内核设计的艺术》小结 Go并发机制及语言层工具 Linux网络源代码学习——数据包的发送与接收 《docker源码分析》小结 docker namespace和cgroup zookeeper三重奏 数据库的一些知识 Spark 泛谈 链式处理的那些套路 netty回顾 Thrift基本原理与实践(二) Thrift基本原理与实践(一) 回调 异步执行抽象——Executor与Future Docker0.1.0源码分析 java gc Jedis源码分析 深度学习泛谈 Linux网络命令操作 JTA与TCC 换个角度看待设计模式 Scala初识 向Hadoop学习NIO的使用 以新的角度看数据结构 并发控制相关的硬件与内核支持 systemd 简介 quartz 源码分析 基于docker搭建测试环境(二) spring aop 实现原理简述 自己动手写spring(八) 支持AOP 自己动手写spring(七) 类结构设计调整 分析log日志 自己动手写spring(六) 支持FactoryBean 自己动手写spring(九) 总结 自己动手写spring(五) bean的生命周期管理 自己动手写spring(四) 整合xml与注解方式 自己动手写spring(三) 支持注解方式 自己动手写spring(二) 创建一个bean工厂 自己动手写spring(一) 使用digester varnish 简单使用 关于docker image的那点事儿 基于docker搭建测试环境 分布式配置系统 JVM执行 git maven/ant/gradle/make使用 再看tcp kv系统 java nio的多线程扩展 《Concurrency Models》笔记 回头看Spring IOC IntelliJ IDEA使用 Java泛型 vagrant 使用 Go常用的一些库 Python初学 Goroutine 调度模型 虚拟网络 《程序员的自我修养》小结 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件 Go基础 JVM类加载 硬币和扑克牌问题 LRU实现 virtualbox 使用 ThreadLocal小结 docker快速入门

架构

bert rerank微调 大模型推理tips RAG向量检索与微调 dddfirework源码分析 RAG与知识图谱 大模型推理服务框架vLLM 大模型推理服务框架 模型服务化(未完成) 大模型Post-Training 大模型训练 大模型推理 从Attention到Transformer k8s设备管理 ddd从理念到代码 如何应用LLM 小鼠如何驾驭大象(LLM)? 多类型负载协调员Koordinator controller-runtime细节分析 finops学习 kubevela多集群 kubevela中cue的应用 基于k8s的工作流 kubevela源码分析 容器和CPU那些事儿 数据集管理fluid 应用管理平台kubevela karmada支持crd 多集群管理 AutoML和AutoDL 特征平台 实时训练 分布式链路追踪 K8S YAML 资源清单管理方案 tensorflow原理——python层分析 如何学习tensorflow 数据并行——allreduce 数据并行——ps 推荐系统embedding原理及实践 机器学习中的python调用c 机器学习训练框架概述 tensornet源码分析 大模型训练和推理 X的生成——特征工程 tvm tensorflow原理——core层分析 模型演变 《深度学习推荐系统实战》笔记 keras 和 Estimator tensorflow分布式训练 分布式训练的一些问题 基于Volcano的弹性训练 图神经网络 pytorch弹性分布式训练 从混部到统一调度 从RNN到Attention pytorch分布式训练 CNN 《动手学深度学习》笔记 pytorch与线性回归 多活 volcano特性源码分析 推理服务 kubebuilder 学习 mpi 学习pytorch client-go学习 提高gpu 利用率 GPU与容器的结合 GPU入门 AI云平台梳理 tensorflow学习 tf-operator源码分析 k8s批处理调度/Job调度 喜马拉雅容器化实践 Kubernetes 实践 学习rpc BFF openkruise学习 可观察性和监控系统 基于Kubernetes选主及应用 《许式伟的架构课》笔记 Admission Controller 与 Admission Webhook 发布平台系统设计 k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 深入controller openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go informer源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的? 《软件设计之美》笔记 mecha 架构学习 Kubernetes events学习及应用 CRI——kubelet与容器引擎之间的接口 资源调度泛谈 业务系统设计原则 grpc学习 元编程 以应用为中心 istio学习 下一代微服务Service Mesh 《实现领域驱动设计》笔记 概率论 serverless 泛谈 《架构整洁之道》笔记 处理复杂性 那些年追过的并发 服务器端编程 网络通信协议 架构大杂烩 如何学习架构 《反应式设计模式》笔记 项目的演化特点 反应式架构摸索 函数式编程的设计模式 服务化 ddd反模式——CRUD的败笔 研发效能平台 重新看面向对象设计 业务系统设计的一些体会 函数式编程 《左耳听风》笔记 业务程序猿眼中的微服务管理 DDD实践——CQRS 项目隔离——案例研究 《编程的本质》笔记 系统故障排查汇总及教训 平台支持类系统的几个点 代码腾挪的艺术 abtest 系统设计汇总 《从0开始学架构》笔记 初级权限系统设计 领域驱动理念 现有上传协议分析 移动网络下的文件上传要注意的几个问题 推送系统的几个基本问题 做配置中心要想好的几个基本问题 不同层面的异步 分层那些事儿 性能问题分析 用户认证问题 资源的分配与回收——池 消息/任务队列

标签

k8s设备管理 多类型负载协调员Koordinator controller-runtime细节分析 finops学习 kubevela多集群 kubevela中cue的应用 基于k8s的工作流 kubevela源码分析 容器和CPU那些事儿 数据集管理fluid 应用管理平台kubevela karmada支持crd 多集群管理 K8S YAML 资源清单管理方案 从混部到统一调度 volcano特性源码分析 kubebuilder 学习 client-go学习 tf-operator源码分析 k8s批处理调度/Job调度 喜马拉雅容器化实践 Kubernetes 实践 openkruise学习 基于Kubernetes选主及应用 Admission Controller 与 Admission Webhook k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 深入controller openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go informer源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的? Kubernetes events学习及应用 CRI——kubelet与容器引擎之间的接口 资源调度泛谈 如何学习Kubernetes 以应用为中心 kubernetes operator kubernetes扩缩容 serverless 泛谈 什么是云原生 自定义CNI IPAM docker和k8s安全访问机制 Kubernetes监控 Kubernetes 控制器模型 Kubernetes资源调度——scheduler Kubernetes类型系统 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 Kubernetes源码分析——从kubectl开始 kubernetes yaml配置 CNI——容器网络是如何打通的 当我在说PaaS时,我在说什么 《深入剖析kubernetes》笔记 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件
上下文记忆 agentic chat bert rerank微调 大模型推理tips LLM一些探索 Agent实践 LLM预训练 RAG向量检索与微调 LLM微调实践 RAG与知识图谱 大模型推理服务框架vLLM Agent Functon Calling LLamaIndex入门 Multi-Agent探索 LLM工作流编排 大模型推理服务框架 模型服务化(未完成) 大模型Post-Training 大模型训练 大模型推理 从Attention到Transformer 下一个平台Agent 激发LLM涌现——提示工程 LLM微调理论 大佬沉思 LLM外挂知识库 LLMOps 多模态LLM Transformers源码学习 LangChain源码学习 如何应用LLM 小鼠如何驾驭大象(LLM)? AutoML和AutoDL 特征平台 实时训练 tensorflow原理——python层分析 如何学习tensorflow 数据并行——allreduce 数据并行——ps 推荐系统embedding原理及实践 机器学习中的python调用c 机器学习训练框架概述 tensornet源码分析 大模型训练和推理 X的生成——特征工程 tvm tensorflow原理——core层分析 模型演变 《深度学习推荐系统实战》笔记 keras 和 Estimator tensorflow分布式训练 分布式训练的一些问题 基于Volcano的弹性训练 图神经网络 pytorch弹性分布式训练 从RNN到Attention pytorch分布式训练 CNN 《动手学深度学习》笔记 pytorch与线性回归 推理服务 mpi 学习pytorch 提高gpu 利用率 GPU与容器的结合 GPU入门 AI云平台梳理 tensorflow学习 kaggle泰坦尼克问题实践 神经网络模型优化 概率论 直觉上理解深度学习 如何学习机器学习 深度学习泛谈

《幕后产品》笔记

2019年10月22日

简介

产品经理的基本功

不能只看大数据,需要精细化分析。网易云音乐的评论非常受欢迎,数据也很好。每天评论总数、点赞数不断增加,如果只看这个数据,是否意味着评论系统已经非常好、不用再进一步优化了?答案是否定的,我们应该更加深入的思考如何用数据评估评论系统。可以问如下问题

  1. 超过100条评论的歌曲数量占比多少
  2. 评论和点赞数量的分布是怎样的,大量点赞是否集中在少数评论上
  3. 新的精彩评论数量占比是多少, 被用户浏览过、点赞或回复过的评论数量占比是多少
  4. 用户互相回复的比例有多少

类似这样的问题实际上是针对评论系统的真实运营状态提问的。如果大量的评论集中在热门歌曲上,那么这可能是虚假繁荣,即没有形成一个真正热爱音乐的社区,用户更多是跟风。

当一个内容型的产品处于平缓期时,每日用户活跃数、内容发布量、消费量等数据可能都处于平稳的状态,这时我们需要寻找一些突破口。我们可以把内容拆细了看, 看每一个一级、二级类别内容的数据情况,看有哪些变化趋势。在大盘数据不变的情况下, 细分的内容数据有可能有变化的趋势, 因为随着时间的推移,会有新的内容形态、流行趋势冒出来,而我们需要敏锐的发现它们,并且把它们规模化,这样才能找到新的内容型产品的用户增长点。

网易云音乐最初发展歌单系统时,有好几个数据可以考虑:播放歌单率、下载歌单率、收藏歌单率、分享歌单率等,因为我们最希望提高用户的留存率、不断增加DAU,所以就算了这些数据哪一个和用户留存率最相关, 最后分析出来的结果是收藏行为,于是我们将收藏作为推荐算法的指标

今日头条系产品的方法论基本是构建在数据和算法上的。并不是说产品经理的世界中只有这么一个有效的方法论, 而是在我们拥有基于数据和算法的产品方法后, 配合我们对用户和业务的洞察能力、商业嗅觉,就像配上了先进的现代化武器去对付装备很差的军队。数据和算法本质上极大的提升了产品决策、运营/运作的效率。

在流量获取、流量分发、流量变现这三个阶段, 如何通过数据和算法提高效率则是产品负责人需要考虑的非常重要的问题。对于每一个有增长诉求的产品来说, 尽快掌握这套方法是很关键的。PS:你流量分发的效率高,流量变现的多,就可以投入更高的单价做流量获取

产品定位

产品定位很重要,它决定了

  1. 产品能否在开始阶段活下来
  2. 产品今后发展的天花板

好的思维方式

  1. 往重点思考,最理想的情况,每个阶段只有一个关键目标,这样容易聚焦
  2. 往本质思考,抛开对错,捕获信息,学习思路
  3. 往上层思考,在我们面临的问题越来越复杂的时候,在与问题相同的层面上很难梳理清楚。给歌单生成封面 ==> 降低歌单的创建成本 ==> 打造一个歌单UGC系统 ==> 为什么我们要做歌单UGC系统。不管是说服上级、项目组成员,还是更广泛的合作伙伴,都会更容易,这是因为我们总能在某一层的目标和想法上达成一致,再逐渐往下,就更容易达成一致。
  4. 往不同思考,比如先思考如何不从投资中亏钱。PS:比如根据保守思维下一盘象棋,这一盘不为赢,只为练一下保守思维,收获体感很重要

如何让自己的思维框架丰满而不偏颇呢?我们需要很多跨学科的知识储备,以及解决大量实际问题的经验积累。我时常感叹,在做网易云音乐时,解决一个复杂的商业竞争问题就像解一道多变量的,涉及代数、概率、博弈的综合问题一样。很多人没有意识到这点,没有从每天不断重复的工作和生活中抽离出来,没有有意识的培养自己的思维方式,这失去了让我们从量变提升到质变的机会。

能力

每种职能驱动力不一样,甚至每个人的驱动力也不一样。如何找到每个人的驱动力并激励大家,是领导团队发展中的重点。

很少有业务的发展是一帆风顺的,团队总会遇到大的挫折和困难, 而此时需要向团队传递正能量。正能量并非心灵鸡汤,而是基于产品负责人对战略方向、业务规划、竞争环境、困难和挫折应对的深刻理解,形成清晰的思路,通过强烈的事业成就动机,自然而然的散发出来的。这样的正能量会吸引同样有强烈事业成就动机的人,抗住压力,应对困难;也会传递给整个团队,恢复信心,鼓舞士气。

我们在与沟通对象产生观点分歧的时候,可以采用提问的方式。如果沟通双方只是围绕分歧点讨论,很容易各说各的,大家只是在表达自己的观点, 从而很难形成结论。这时候,我们需要往深想一层, 这个分歧点的背后是什么?处于什么样的业务目的使我们各自产生了不同的想法?这样一层层的探讨, 我们总能在某一个层面达成一致。

产品经理对业务最核心的贡献是什么?不管是什么级别的产品经理, 都应当以产品的想法和创意为主,构建对业务有重要促进作用的产品形态。沟通和项目推进等任务也需要, 但它们不能体现产品经理最核心的价值, 不应该本末倒置,不应该占据产品经理日常工作的重要时间。产品负责人可以直接向团队的产品经理提问自己正在思考的重要问题, 让大家也思考,并安排互相交流、学习的环节。

信息是赋能生效的基础之一, 信息不对称经常会导致决策失误。需要共享的信息包括:业务目标(大中小不同层次)、业务数据、用户洞察、市场竞争情况等。以往组织中常见的问题是,某个层级的团队只知道本层级的信息, 对上一层的信息几乎完全不知情。 最忌讳的一点是, 产品负责人成为所有信息汇聚的终点,然后由他来分发各种信息,这是极低效的。

app发展停滞 ==> 发现大部分人成年后听歌的风格就不太变化了,进而也不怎么换听歌app ==> 青少年是歌曲喜好的形成期 ==> 发力青少年人群 ==> 青少年人群听歌什么喜好?如何触达青少年人群?

领导者思维

我们无法要求团队里的每个人都把所有独处空闲时间利用起来, 事实上,很多产品经理都受困于大量时间消耗在沟通、项目推进等任务中,而缺乏足够多的时间来思考、发散思维。作为领导者,不能简单的把这个问题交给团队成员自己, 而需要从环境氛围上考虑如何给团队成员赋能

成长

瓶颈的妙处就在于它始终存在——无论我们跨越多少个瓶颈。也就是说,它本身就是生活的一部分。从表象上看,当我们遇到瓶颈时,也许尝试暂停硬冲的念头或往后退一步, 往往会有不错的效果。 从本质上说,这样的行为其实是我们探索内心的表现。如果我们所做的领域是自己熟悉的、了解的, 那么从自身的思考和想法出发就能得到一些思路和洞察,做产品绝不是完全依赖于研究和数据分析的。更多的需要从未来、从未知中寻找机会。

我们每个人学的东西很多,不尽相同。即便把范围缩小到互联网领域,也有产品、运营、技术、市场、设计、商业、组织管理、战略等很多门类。这些学习对象有没有共性?从入门到精通是怎样的过程?其中有什么规律?把学习氛围从入门到精通的四个递进状态:

  1. 杂乱,比如很多名词
  2. 有序(树状结构)
  3. 焦点,体悟学习对象的本质
  4. 混沌(网状结构),从本质孕育出无数个触角去主动触达更多的知识、未知、可能性

学习成长的三个阶段

  1. 向外界的一部分学习。有明确的学习方向和目标,然后向外界寻找合适的部分来学习
  2. 向外界的全部学习。我们除了向领导学习,也向我们的同僚、下属、新人学习,以及生活中的平凡人、普通人。在开启了这个认知之后,工作中和同事、下属的交流就不再只是对他们的指导,还有了交流过程中的收获,触发自己平时没有注意到的盲区。我的下属曾和我说过一句让我印象深刻的话:你总是往前跑的那么快,有没有回头看看大家是否跟的上呢?
  3. 自省,加快拥有自知之明的速度,当自知之明的程度还不够,就不能在更深层次探索自己、了解自己,尤其是思维方式层面上很难做到自省

信息的输入和自己的cpu、操作系统是乘法关系,一起决定了最终的输出。

其它

PS:百分之八九十的用户使用app 都是来索取价值的,如何让用户顺畅的产生价值(尤其对于UGC内容产品),以达到供需平衡,是个核心问题。

什么是业务架构, 产品发展到中期,业务开始变得复杂,同时关注的目标会多起来(当然,仍可以归纳为一个大的产品目标),业务架构就是梳理各个业务之间驱动轮从动轮分别是什么、如何协同、如何输入输出、如何将各自的目标完成并共同服务于大目标。 清晰合理的业务架构能让业务1+1>2,而不合理的业务架构则会各自为政、无法形成合力,反而不断内耗。PS:譬如网易云音乐的算法 + UGC + 社交

区分一个优秀的产品领袖和普通的产品经理,更多的是看他们思考的部分。说白了,画图的工作你做得再好, 也不会比设计师做得好,如果你花时间的地方,团队其他人比你做得更好,那你就浪费了团队的时间,也没有发挥出自己的优势。