海量用户，每人一条消息流，随时可能爆发的单用户流量风暴——这是百炼资产中心面对的消息链路。用户在百炼生成的图片、视频默认临时保存，要沉淀为长期资产，每条消息都要可靠处理。百炼资产中心的答案是 RocketMQ LiteTopic（轻量主题）：一个用户一个 Topic。在传统 MQ 的经验里这近乎禁忌，而 LiteTopic 让它成为默认做法。 从临时链接到长期资产：资产中心要解决什么 用户在百炼平...

过去一两年，Agent 开发的变化速度，可能超过了很多团队的预期。 不少团队可能都有类似经历：一开始自己写 Agent Loop，后来接入 LangChain、LangGraph 等框架，再后来又开始关注模型公司提供的 Agent SDK 和 Harness Runtime。每一次模型能力升级，似乎都伴随着一次架构调整。 这不一定说明之前的方案选错了。很多时候，只是因为底层能力变化得太快了。以前需...

_本文整理自 Apache 2026 技术分享《面向 AI 的 Apache RocketMQ：多 Agent 系统的可靠协作机制》_ 过去一年，阿里云内部有两类 AI 系统在 RocketMQ 上完成了生产落地。一类是编程智能体 Qoder Cloud Agents，单个任务的执行周期可达数小时甚至数天；另一类是百炼平台的模型推理网关，需要在百万级租户规模下完成请求调度。两者的业务形态差异很大，...

云上有状态消息系统的高可用，往往受到一个困难的工程权衡限制：成本、稳态性能与故障切换速度很难同时兼顾。应用层多副本可以缩短恢复时间，却会带来额外资源和运维复杂度；单副本部署保留了成本与性能优势，但在 Kubernetes 中，其恢复路径又容易被云盘 detach/attach、调度和挂载流程拖入分钟级长尾。 阿里云消息团队长期研发和运维 Apache RocketMQ，基于真实故障、容灾演练和规模...

本文转载自「老周聊架构」，作者：RiemannChow，已获授权转载。 ——以下为原文—— 传统微服务：一个请求 100ms 返回，消息队列做削峰填谷。AI 应用：一个请求跑 30 分钟还没回来，中间断网了，重连后上下文全丢了，GPU 白烧了 30 分钟的钱。——这就是 RocketMQ 为什么要做 AI 升级的原因。 上周我在 review 一个多 Agent 系统的架构方案时，看到了一个经典的...

Apache RocketMQ 5.5.0 已正式发布。本次版本的重要特性之一，是社区提案 RIP83 定义的全新消息模型 LiteTopic 进入开源版本。LiteTopic 面向 AI Agent、异步任务和海量轻量会话场景，支持百万级轻量会话通道共存，并在轻量通道管理、消费状态持久化和事件驱动分发等方面进行了针对性设计。此前，阿里云云消息队列 RocketMQ 版已围绕相关 AI 通信场景提...

当 Agent 从 AI Coding 走向更广泛的行业场景，一个越来越现实的问题开始浮现：为什么软件工程领域的 Agent 跑得飞快，但很多行业里的 Agent 迟迟没有真正爆发？ 一个常见答案是模型能力还不够。但从大量落地实践来看，真正的瓶颈往往不只在模型，而在上下文供给能力：Agent 能不能持续、低成本、可信地接入真实业务世界，决定它能否从 Demo 进入生产。 基于阿里云 EventHo...

从 RocketMQ 5.0 开始，社区引入了 POP 这种消费模式。客户端发起 POP 请求后，Broker 从 queue 中取出消息返回，并在 Broker 侧维护不可见期、ACK、续租和超时恢复这套状态——尤其在非 FIFO 场景下，它允许多个消费者并发处理同一 queue 上的消息。 在实际业务里，POP 往往不是因为“想换一种消费接口”才被拿出来，而是在消费并发已经碰到瓶颈时，才真正体...

引言：数据平台的消费者，正在从“人”变成“Agent” 2025 年被广泛视为 AI Agent 商业元年。IDC 在其 FutureScape 2026 报告中指出，企业数据平台正在从“以人为中心的查询式访问”转向“以 Agent 为中心的程序化访问”。这意味着，数据的消费者不再只是编写 SQL 的分析师，更是能够自主调用数据、自主执行分析的 AI Agent。 然而，大多数企业的数据基础设施并...

随着大语言模型（LLM）、语音识别（ASR）、语音合成（TTS）等能力逐步成熟，AI Agent 开始从文本交互走向语音交互，典型场景包括 AI 教师、AI 情感聊天、AI 助手等。相比文本输入，语音更自然、更实时，用户可以直接通过说话完成提问、练习、任务触发与多轮对话，这也让“和 Agent 用语音对话”真正进入实际业务场景。 但当 Agent 语音交互进入高并发场景后，很多团队会发现：最先遇到...