随着 Web 研发模式的演进，项目工程越来越复杂，涉及的领域也越来越广，对前后端协同、渲染效率、工程治理等能力的要求也越来越高，前端研发早已不是最初基于后端模板渲染的机制。在新的业务场景及能力演进的背景下，前端从浏览器内的 CSR，转变到依托 Node.js Server 的 SSR，再到利用边缘计算离用户更近一步的 ESR ；前后端协同从单纯调用后端数据接口，转变到 BFF，再到有 FaaS 加持升级的SFF；复杂项目从过去的单体巨石应用，到基于微前端方案的应用解构。本次分享将围绕上述场景，介绍字节跳动如何基于 Serverless 对前端研发模式进行升级，赋能开发者，让其更好的专注于业务。

演讲提纲：
1. 大前端时代前端职责和挑战

• 前端职责的转变
• 前端面临的挑战

2. 字节跳动常见的业务形态
3. 传统研发模式与挑战
4. 基于 Serverless 的研发模式

• 策略和架构
• DevOps / CICD
• 监控运维

5. Serverless 在前端领域的实践

• Serverless CSR
• Serverless SSR
• Serverless 前后端一体化
• Serverless 微前端

6. 总结和展望

你将获得：

• 了解CSR、SSR、前端后一体化和微前端在 Serverless 上的架构
• 了解字节不同业务形态在 Serverless上如何落地

IMWeb 团队在 Node.js 有丰富的实践经验，从 SSR 到 Node-API 开发，对团队的业务产生了提升用户体验、降低研发人员成本等价值。因为这些实践经验，团队在 Node 方面建设了相关基础库、工具、系统等完整开发体系。而近几年 Serverless 技术的兴起无疑对前端开发真正往全栈开发突破带来了非常大的助力， IMWeb 团队也从本身业务出发，思考现有的服务开发模式，探索将现有的 Node 服务往 Serverless 迁移的落地可行方案，在经过一些实践积累后，沉淀了一套 Serverless 开发体系，这次将把这些探索与实践经验分享给大家，希望能为感兴趣的同学带来一些启发和帮助。

演讲提纲：
1. IMWeb Node 服务开发回顾

• IMWeb 团队 Node 服务开发体系
• Serverless 与传统服务技术选型
• 传统服务开发向 Serverless 演进

2. 企鹅辅导 Serverless 探索与实践

• Serverless BFF 研发初探
• Serverless 在业务落地的挑战和解决方案
• 企鹅辅导智能题库 Node 服务迁移 Serverless 

3. IMWeb Serverless 一站式体系化建设

• Serverless 体系化建设的思考
• 配套基础工具和系统展示
• 基于 Serverless 搭建的低代码管理系统
• 未来展望

你将获得：

• Serverless 在业务落地过程会遇到的挑战
• 大团队多人协作开发 Serverless 的方案

飞猪在 2019 年 5 月开始 Serverless 技术探索和业务场景落地，重点用于解决前端快速进入到业务场景、前后端协作模式升级、长尾应用机器浪费等问题，过程中结合业务场景和开发痛点完成研发工具、通用网关、基础能力、开发模式等技术建设，完成多类 Serverless 适合场景的业务落地。本次分享将给大家介绍这两年来飞猪在 Serverless 上面探索的一些经验，期待可以给有同样诉求的同学带来一些有用的输入。

演讲提纲：

1. 痛点和契机

• 历史发展痛点
• Node 的局限
• 一切都刚刚好

2. 技术探索过程

• 我们想要什么？
• 研发工具配套
• 基础设施配套
• 开发模式配套

3. 业务落地实践

• 适合什么样的场景？
• BFF 逻辑处理场景
• 前后端一体化场景
• 一些有趣的火花

4. 回顾和展望

你将获得：

• 了解一个偏业务型的团队如何使用 Serverless 技术应用到业务场景中去并产生价值
• 在已有底层基础设施的情况下，上层业务技术团队还可以做什么事情让这个技术体系更好

问题背景：我们是一家出海电商平台，发现有用户从其他平台下载视频上传到我们平台，这样对平台的品牌影响比较大，所以需要一种方法能够检测用户上传的视频是否有其他平台的 Logo，如果有其他平台的 Logo ，不让这个视频上传到平台上，或者不给这个视频分配流量。

解决思路：用 TensorFlow 模型来解决；用户上传视频后，点击提交按钮，是非常重要的一个转化，性能要求也比较高。同时，因为 AI 模型要随着业务需求经常变化，我们需要快速低成本地由初级程序员部署迭代每一版 AI 模型，不希望每次模型部署都要 IT 等多部门协同。

方案介绍：找到最经常出现的 Logo 图片训练成一个 TensorFlow 模型，然后使用了 WebAssembly 虚拟机 SSVM 提供的 Rust API 来调用 TensorFlow 模型来实现最佳性能。同时使用 K8s 搭建一个内部使用的 Serverless 平台，开发者只需上传编译过后的 AI 模型就可以实现测试与生产的部署。

实践成效：
1. 识别几率达 99%，节省了运营成本
2. 一周时间，只用一个实习生就完成了，节省了开发资源
3. 业务开发只需替换模型就能实现其他功能的 AI 推理，无需与后端沟通，开发节奏上升

本次演讲将对此经验进行分享。

演讲提纲：
1. 生产环境的 AI 推理常用方法

• 自己搭服务器
• 使用封装好的 SaaS 产品
• 使用 Serverless 的方式

2. Serverless AI 推理的优势
3. 技术上具体是如何实现的

• WebAssembly 与 Rust 在其中的作用
• K8s 与 Serverless

你将获得：

• 使用前沿技术 Rust 与 WebAssembly，了解前沿技术发展情况
• 用 Serverless 的方式实现 AI 推理，快速将 AI 模型带到生产环境