В прошлый раз мы разобрали архитектуру Zeebe, отказоустойчивость и асинхронную обработку. Но за высокой производительностью в начале эксплуатации может скрываться постепенное замедление.
Мы столкнулись с этим на практике: диск заполнялся event-логами, Elasticsearch переставал справляться, а история в Operate отставала на часы. В карточках разбираем, почему это происходит и что с этим делать. А подробнее читайте на Хабре.
*️⃣ Библиотека конфигурации, которая не теряет источники значений
В прошлых постах мы разобрали, как индустрия пришла к современным подходам конфигурации, и проверили четыре популярные библиотеки по семи требованиям. Ни одна из них не закрыла все пункты, поэтому мы решили создать свою.
Она загружает данные из произвольных источников в обычный dataclass из стандартной библиотеки, не захватывает точку входа и не навязывает свою экосистему. В карточках создатель библиотеки Николай Видов поделился, как она устроена, какие источники поддерживает и где помогает на практике. Больше деталей и сравнительная таблица с другими библиотеками — на Хабре.
⚡️ Если вы тоже собираете такие пазлы вручную, чтобы подготовиться к ревью или просто начать рабочий день — читайте, как мы справились с этой задачей
Наша команда Office Productivity внедрила MCP-стандарт, позволяющий AI‑агентам безопасно собирать контекст из мессенджера Time, почты, онлайн-досок Unidraw, трекера задач, внутреннего поиска и календаря. Вместо переключения между вкладками пользователь формулирует задачу один раз — и агент сам собирает контекст из разных систем, анализирует его и готовит результат.
В карточках рассказываем, как устроен MCP и какие сценарии уже используют коллеги.
☕️ Представьте: вам нужно подготовиться к проектному ревью, а артефакты раскиданы по десяткам систем
Собирайте свой пазл, куда пойдете в первую очередь — в переписки с коллегами, почту, таск-трекер, доки, комментарии в IDE или онлайн-доски.
Как это сделать?
↗️ Сохраните картинку из поста.
↗️ Добавьте к себе стикерпак.
↗️ Перейдите в комментарии, прикрепите сохраненную картинку и откройте разлел редактирования.
↗️ Добавьте нужные стикеры и отправьте картинку.
⚡️ Как ускорить A/B-тест с несколькими метриками, не ломая статистику
В продуктовых экспериментах часто одна целевая метрика. Но бывает сложнее: например, хотим увеличить выручку, но не готовы раскатывать, если просела конверсия в покупку. Значит, метрик будет несколько, и нужно контролировать вероятность хотя бы одной ложноположительной ошибки.
Классическое решение в таком случае — поправка Бонферрони. Делим общий уровень значимости поровну между метриками. Это просто, но не всегда эффективно: если одна метрика требует сильно больше пользователей, именно она определяет длительность всего теста.
В нашей лаборатории прикладной статистики предложили не делить уровень значимости поровну, а распределять его оптимально. Контроль ошибки первого рода сохраняется, а размер выборки в наших тестах сократился в среднем в 1,2 раза. На синтетике с 10 метриками выигрыш доходит до 1,9 раза.
В карточках — о том, как устроен метод и где он дает эффект. А подробности, математика и результаты экспериментов — на Хабре.