--- static_export_time: "2026-07-30T17:41:57+00:00" title: "技术栈：详细了解我们的技术栈" description: "探索为我们的工具提供动力的热情个体和支持他们的技术。" url: "/zh-cn/about/our-tech-stack" locale: "zh-cn" image: "https://www.apptweak.com/img/2023/04/1200x600-1.png?auto=format%2Ccompress&w=1200&h=600&fit=crop" --- 我们的技术栈 # 数据驱动型应用商店成功的基石 探索我们工具背后的热情个体和支持它的技术。 ### AppTweak 帮助公司收集并分析其应用和游戏在 App Store 和 Google Play 上的表现数据。 ## 为此，我们： - 每天通过 ETL 流水线收集数 GB 的数据。 - 将这些数据存储并组织在各种数据库中。 - 构建算法和模型，为我们的客户生成相关的预测和 insights。 - 通过 API 调用提供这些数据和 insights。 - 利用这些 API 调用精心打造直观且易于使用的可视化界面。 我们通过运行在Kubernetes上的docker容器部署这些工作者和服务。这使我们在技术上保持中立，并允许我们为每个服务使用最佳的库和语言；我们喜欢Ruby并尽可能多地使用它，但我们也不怕尝试新事物！ ### 见见 Alex，AppTweak 的首席技术官 ### 结识 AppTweak. 产品架构师 Frank ### 结识 AppTweak. 数据科学家 Lionel ### 认识各个小组 AppTweak 的开发和数据科学团队被划分为 7 个小队（squad）。一个小队是一个跨职能团队，对 AppTweak 工具的特定领域拥有完全的所有权和自主权。 ###### ASO Intelligence squad 他们为应用和游戏发行商提供可操作的 insights，以监控并提高其应用在应用商店中的可见度和转化率。 ###### Apple Ads 团队 他们为 UA 经理提供一个可操作的平台，以创建、监控和优化其 Apple Ads 广告系列。 ###### 孵化器小组 他们构建和扩展我们的其他产品线，如 Market Intelligence、应用评论管理器和 Reporting Studio。该小组还负责早期创新和我们的 API 解决方案。 ###### DeSy 小组 他们开发整个平台的设计系统和 GUI 库。 ###### 客户生命周期小组 他们负责平台用户从首次接触到产品采用的全程体验 – 包括入门引导、付费墙、激活、扩展等更多内容。 ###### DevEx 小组 他们负责在 AppTweak 打造卓越的开发体验 ###### Data Science Squad 他们通过提供数据驱动的算法和分析来支持其他小队的增长。 ###### 加入一个小组 您是否具备将 AppTweak 提升到新水平的素质？ [探索我们的工作](https://jobs.apptweak.com/) ### AppTweak 帮助公司收集并分析其应用和游戏在 App Store 和 Google Play 上的表现数据。 ## 我们的工作方式 每个小组决定自己的组织方式，但一般来说，每个小组都会进行为期两周的冲刺，并遵循以下惯例： - 站会：每天或每周多次，取决于小组。 - 冲刺计划和回顾会议，用于开始和结束每个冲刺。 - 演示日：每个月，各小队都会向整个 AppTweak 团队展示即将推出或最近发布的特性。 - 调试：每周四处理错误。 ### 我们使用的技术 先进的技术让我们的开发人员和数据科学家能够提升自身技能，并以最高效的方式开发我们的工具。 前端 后端 数据科学 生成式 AI - 基于React/Redux/Redux-sagas的单页应用程序，使用TypeScript编写，采用标准工具（Webpack、Babel、ES6、ESLint和Prettier）。 - 前端使用基于 Ruby on Rails 构建的 REST API。 - 使用concourse和Docker镜像的强大CI/CD管道。 - 内部设计系统，提供可在整个工具中使用的UI组件和指南。 - SAAS 产品是一个 Ruby on Rails 应用程序，为 React 单页应用程序提供服务。 - 爬虫和抓取器从 SQS 队列获取任务，并将数据存储在 MySQL、ClickHouse、MongoDB、PgSQL、Typesense 和 Elasticsearch 数据库的组合中。它们使用 Ruby 编程语言构建（不使用 Rails）。 - JSON REST API也使用轻量级框架Grape用Ruby构建。 - 代码部署：使用concourse作为CI/CD管道，构建部署在AWS上托管的Kubernetes集群上的Docker镜像。 - 我们使用 Prometheus 和 Grafana 来监控一切，以高效的方式可视化时间序列和指标。 - 我们大多数的机器学习模型都是用 Fastai/Pytorch 或 Scikit-Learn 构建的。 - Prophet 通常在帮助我们理解时间序列方面做得很好。 - 数据分析和探索是使用 Pandas 和 Numpy 完成的。 - 为我们算法提供支持的大部分数据都存储在 MySQL 数据库或 MongoDB 中。 - 我们使用 Flask 构建的 JSON REST API 来封装我们的算法。 - 我们使用 Docker 镜像在 AWS 托管的 Kubernetes 集群上部署。 - 您选择的编码助手（copilot/zed/cursor/…） - 以编程方式访问主要的 LLM 提供商（如 OpenAI、Anthropic）进行探索和交付 - 来与我们一起构建 AI 代理系统！ ###### 您是否具备将 AppTweak 提升到新水平的素质？ [探索我们的工作](https://jobs.apptweak.com/) ### 我们的技术挑战 我们的技术团队由熟练、有才华和敬业的个人组成。在这里，我们概述了他们在 AppTweak. 进行技术项目工作时面临的一些基本挑战 ###### 后端 - 我们必须构建、维护和开发每天执行数百万次 HTTP 查询的爬虫。 - 我们依赖于可能在没有任何预警的情况下发生变化的数据源，这意味着我们必须随时准备好进行快速修复。 - 我们处理海量数据，这需要投入大量精力来保证性能。 - 我们监控许多活动部件，并确保它们始终正常运行。 ###### 前端 - 我们的整个前端层已经过现代化改造，现在使用 ReactJS 结合 Redux 和 Redux-Saga 来处理状态和数据加载。 由于主应用程序现在已完全采用 React，我们希望通过向微前端架构迁移来改进我们的前端架构。 - 应用程序的某些部分（例如我们的关键词表）必须显示数千条数据，因此我们必须始终牢记性能优化。 - 应用程序随着每周的发布不断演进。 我们的挑战之一是维持高质量的前端标准。 ###### 数据科学 - 我们的项目涵盖了机器学习领域的很大一部分：表格数据、聚类、自然语言处理、图片分析、时间序列分析……我们的挑战是寻找、理解并正确使用每个领域中最具前景的技术。 - 我们的一些算法是使用 \>5 亿个数据点训练的，这需要优化收敛和内存管理。 - 我们有时在 GPU 上训练我们的模型，需要优化所有与之相关的 CUDA 魔法。 - 我们构建和维护 REST API 来提供我们算法的预测，确保满足软件的速度要求。 ## 有兴趣加入我们的团队吗？ 发现我们的职位空缺并立即申请！ [探索我们的工作](https://jobs.apptweak.com/) [详细了解我们](/zh-cn/about/who-we-are)