11月8日，2022 vivo開發者大會正式開幕。此次大會以“MORE，近你所想”為主題，共設有1個主會場及9個分會場。其中，在網際網路技術-最佳技術實踐專場中，來自vivo的工程師們分享了wepy-chameleon編譯器、后羿低程式碼平臺、實時計算平臺等6項成果，與開發者們共同探討前沿技術實踐。

前端創新實踐，自研編譯器助力小程式架構升級

在早期的小程式開發中，wepy框架能夠很好的解決模組化、元件化等工程化問題，但是隨著時代的發展和演進，社群逐漸沉澱出以 uniapp 為代表的 Vue 跨端體系和以Taro為代表的React跨端體系，wepy目前的社群活躍度比較低。基於當前的業務訴求，vivo自研推出wepy-chameleon編譯器，可以一鍵將wepy框架轉換為uniapp框架。

vivo網際網路使用者運營前端專家 萬安文

vivo網際網路使用者運營前端專家萬安文分享了wepy-chameleon編譯器思路和實現，包括單檔案元件編譯轉換核心設計、整體編譯系統流水線設計、Parser解析器架構的設計與實現以及Transform轉換器的架構設計與實現。在編譯器的實現過程中，vivo團隊也遇到過一些挑戰，比如uniapp中的template string和Scope Style的適配問題。

據萬安文介紹，後續編譯器將覆蓋更多的wepy專案及場景，團隊也將繼續深挖業務中可以透過編譯提效的空間，用技術推動業務的快速升級。

用低程式碼平臺提效，解放開發生產力

低程式碼是一種視覺化的應用開發方法，可以用較少的程式碼、以較快的速度來交付應用程式，隨著前端新技術的出現及雲原生時代的到來，低程式碼的優勢愈發顯現。分會場上，vivo專家分享了針對後臺toB系統建設以及遊戲中心toC端native介面搭建的兩款低程式碼平臺。

后羿低程式碼平臺是一款線上視覺化開發平臺，能夠支撐運營後臺業務的高效高質量落地。該平臺採用了前後端分離的技術方案，更符合開發思維，在實現方式上具有靈活性較高、拓展性較好、可整合度較高等優點，在架構上也具有分層明確、低碼分離實現等優勢，能夠滿足不同群體更加複雜的業務訴求。

vivo網際網路高階前端工程師 王寧

除技術方案外，vivo網際網路高階前端工程師王寧還分享了自研高效能渲染引擎、視覺化配置方案以及千億級內容投放等提效秘訣。針對低程式碼與傳統開發如何共存的問題，王寧表示，低程式碼與傳統開發並不衝突。一方面，平臺在不斷豐富場景模型以提高拓展能力和配置效率，另一方面，平臺在架構上相容傳統的定製化開發，二者優勢互補，全面提效。

vivo遊戲中心是vivo遊戲核心的流量入口，然而在網際網路流量見頂和頻繁發版的背景下，遊戲中心的首頁存在一些不足，概括來說有兩點：缺少靈活多樣且能動態調整的元件化能力，缺少視覺化快速搭建頁面的能力。針對這些痛點，vivo互聯網遊戲團隊推出了遊戲中心低程式碼平臺，透過元件化設計，滿足不同使用者的需求。

vivo網際網路架構師 陳文洋

vivo網際網路架構師陳文洋從標準組件打造、資料引入和頁面組裝三個方面詳細介紹了平臺的搭建過程。該平臺使得原先的研發流程發生了變化，能做到新增或修改元件無需發版，大大提升了開發效率，縮短了專案週期。

打造穩定易用、安全高效的實時計算平臺，深度挖掘資料價值

2022年，vivo網際網路在網使用者總數達到2。8億，多款網際網路應用的日活超過了千萬甚至突破了1億，為了向用戶提供優質的內容和服務，需要對海量資料進行實時處理，同時，為了向廣告主提供更加優質的廣告服務，也需要提升商業化能力。然而，龐大的業務規模和業務增速給vivo的實時計算團隊帶來了非常大的挑戰。

對此，據vivo網際網路大資料平臺計算方向負責人陳濤介紹，vivo在2019年下半年就啟動了實時計算平臺的建設，2020年關注在穩定性建設，初步上線了SQL能力，2021年引入了Flink 1。13版本並啟動了容器化建設，2022年主要關注在效率提升，包括流批一體、任務診斷等，到目前為止，平臺已初步具備了一些能力。

vivo網際網路大資料平臺計算方向負責人 陳濤

據瞭解，平臺是vivo基於Apache Flink計算引擎自研的覆蓋實時流資料接入、開發、部署、運維和運營全流程的一站式資料建設與治理平臺，支撐著實時數倉、實時智慧推薦、商業化實時廣告、實時安全、實時監控等五大業務中臺。

分支路徑圖排程框架落地，助力專案迭代提速

vivo效果廣告推薦系統是一套實時的AI線上預估服務，每天承載了百億次的廣告投放請求，支援了vivo的效果廣告收入，在可用性、可擴充套件性、健壯性等方面具有非常高的要求。其中，schedule是系統的核心模組，負責業務邏輯排程，上下游依賴特別多。schedule在排程其他模組時採用非同步排程，非同步排程管理方法則是有向無環圖，然而有向無環圖即使是目前使用最廣泛的方法但也並不完美，作為一種全路徑圖排程框架，有向無環圖已經難以適用系統不斷增長的複雜度。

為了安全開發和提升迭代效率，新的排程方法被迫切的創建出來，那就是支援分支路徑的圖排程框架。它的原理是，在原有的圖排程框架中，新增兩處功能，一是加入了分支節點，二是對於圖中節點的觸發支援“與啟用”和“或啟用”。

vivo網際網路效果廣告AI架構師 周保建

vivo網際網路效果廣告AI架構師周保建用排程流程圖展示了分支路徑排程框架在vivo效果廣告推薦系統中的落地過程。使用分支路徑排程框架改造後，圖中添加了判斷節點，具體路徑的走向由判斷邏輯控制，系統可擴充套件性得到提升，系統熵增減輕。

當圖與實時線上系統融合在一起的時候，也顯現出了更多的是提升了空間，比如，圖的整體超時、異常管理，節點超時、異常管理以及複雜圖結構的自動化簡。周保健表示，vivo團隊後續將針對這些問題做進一步的最佳化升級。

不斷實踐探索異構混排，為廣告主和使用者提供更優服務

混排，就是需要在保障使用者體驗前提下，透過對不同佇列中的異構內容進行合理混合，實現收益最優，更好的服務廣告主和使用者。混排的核心挑戰主要有三點：不同佇列item建模目標不同，難以直接對比；候選佇列常受到大量產品規則約束；由於業務限制，混排時往往不能修改候選佇列的序，需要實現保序混排。

vivo網際網路高階演算法工程師沈技毅分享了vivo資訊流和商店場景中的混排實踐。對於資訊流場景，混排側主要解決的問題是內容佇列與廣告佇列的混排問題。這一場景下，vivo混排經歷了三次迭代，分別是固定位混排、Qlearning混排以及深度位置型混排，整體思路是希望在Qlearning階段透過簡單的強化學習方案累積樣本，快速探索收益，後續升級為深度學習方案。這帶來3個好處：與上游打分解耦，大大提高了混排穩定性；深度網路，可容納資訊量大；能夠考慮頁面間item相互作用。

vivo網際網路高階演算法工程師 沈技毅

商店場景中，混排的核心問題是實現廣告佇列與遊戲佇列的混排，整體迭代包含了固定位混排、pid保量、帶約束混排、混排精細化分流4個階段。在當前階段，平臺會根據分流模組判斷請求質量，並針對性的設定混排模型。具體到重排模型上，採用生成式模型替代數值型模型，在實驗流量上收益對比原模型更為明顯，且不受上游打分影響，更為穩定。

在之前的探索實踐中，vivo已經取得了一些成果，為技術人員帶來了更高效的開發體驗，為使用者帶來了更優質的產品體驗。但業務需求和技術工具是在不斷變化發展的，未來，vivo也一定不會鬆懈，持續探索技術，迭代產品工具，不斷為使用者創造驚喜，為行業帶來革新。