至顶网软件频道消息: 对于很多企业而言,已经基本上度过了上云的摸索期,即便是正在准备上云的用户,现在也已经有很多成熟的解决方案供其选择。但是随着云业务的开展,企业在云端部署的应用越来越多,虚拟设备的规模也随之变得越来越庞大,云计算体系架构也随着变得越来越复杂,云管理问题也开始随之显现。
Dynatrace所展示的企业业务应用数量图表
企业如何对云上业务进行统筹管理,5月13日连续九年被Gartner评为“APM魔力象限领导者”的Dynatrace在北京举办了“中国业务发展与产品策略媒体沟通会”,会上大中华区总经理琚伟先生在向大家分享了如何利用Dynatrace一体化平台,构建自主的企业云软件智能平台。
Dynatrace大中华区总经理琚伟先生
从琚伟先生的介绍我们可以了解,随着企业在云上业务的增长,运维的压力也在极具提升。即便是简单应用,在满足海量用户访问时,也会拉起数以千计的微服务。这就是当前云化生态的特点,几千个微服务,在运维的场景里,环境里展现出来的就是一个点。这一个点到底和其它的东西的相关性是什么?哪个用户在用?哪个用户在使用这个微服务?体验是什么样的?这个是非常复杂的东西。
怎么可以把这些复杂的环境理顺,让这些如同N乘M般指数级关系的关联设备的运营状态清晰展现出来,这是一个非常复杂的问题。试想用户现在买汽车,本身自带灯,他永远只能照亮眼前的路,后面十米二十米以后可能是一个悬崖,没有办法帮你做到预测。云的基础设施也是如此,缺乏全局掌控就无法了解其中潜藏的风险。
在现在的复杂云环境下怎么实现“智能的自动驾驶”,不但能够给一个“司机”提供路况的信息,而且还可以给所有的云生态用户都提供信息,这绝对不是一个简单的问题,也绝对不是完全靠人工可以做到的,这个是一个非常大的变化。
因此,从2018年开始,Dynatrace开始重新定义自我,把自己变成一个“软件智能”公司,打造软件智能的平台。
这个平台的构建都源自数据,数据的收集端有一个很好听的名字——One Agent,可以把用户的数据、生态的数据收集起来,经过复杂的分析,通过人工智能技术生成客户应用环境的星空图。
Dynatrace去年有一个口号:“每一个用户,每一笔交易,我们都可以做到跟踪”。然而,做到全链路的跟踪,复杂度非常高。需要及时分析出应用连接故障是手机接入的wifi问题,还是后台到数据库的问题,或者是海量微服务中的一个出现问题,必然需要依靠人工智能的技术才可以实现。
为此,Dynatrace在五年前,重新构建了全新的产品线,从而实现所有云的原生态进行支持。并向用户提供非常丰富的API,满足用户全链路的业务分析。从而实现一旦交易链路出现问题,就可以直接查出故障的根本原因。
正是因为如此,当前Dynatrace的产品解决方案被众多云计算平台普遍采用,并且在向越来越多的大型制造、零售、金融等行业用户提供服务。相信随着未来企业云业务的拓展,Dynatrace会向更多用户,提供出更加专业的软件智能运维服务。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。