Pinterest构建了一个基于模型上下文协议（MCP）的生态系统，使AI代理能够直接访问内部工具和数据。MCP简化了工具间的集成，减少了定制工作。通过云托管的小型服务器，确保安全性和访问控制，团队可以快速上线新工具。MCP的实施包括中心注册、分层认证和可观察性，提升了工程师的工作效率。

前Pinterest工程师马丁因分享一款工具被解雇，Pinterest指控他侵犯被裁员工隐私。马丁认为该工具仅提供被裁员工数量，并未泄露个人信息。他质疑公司裁员透明度，并考虑法律行动。此事件反映了硅谷员工与管理层在裁员和信息共享方面的紧张关系。

Pinterest推出新一代数据库摄取框架，解决了旧系统的延迟和复杂性问题，实现实时数据访问，数据延迟从24小时缩短至15分钟，优化资源利用，支持增量更新和删除，处理PB级数据。

Pinterest 宣布裁员 15%，约 700 名员工受影响。公司将重心转向人工智能，计划重新分配资源以推动相关产品发展，预计裁员将产生 3500 万至 4500 万美元的重组费用。

Pinterest计划裁员约700人，约占员工总数的15%，以支持其人工智能战略。公司将重组资源，专注于AI相关产品和团队，预计重组费用为3500万至4500万美元。

全栈可观察性提升了工程效率、事件响应和成本控制。Pinterest重建了作业处理系统Pinlater，推出Pacer，解决了锁竞争和资源浪费问题，提升了性能和可扩展性。

Pinterest推出Moka平台，旨在将数据处理从Hadoop迁移至基于Kubernetes的系统。Moka利用Apache Spark，支持多种处理引擎，提升可扩展性和安全性。团队通过Terraform和Helm实现基础设施代码化，确保平台的可重复使用。Moka被视为现代云原生数据系统的参考架构，强调传统系统迁移的重要性。

Pinterest通过运行时感知的测试分片策略和内部测试平台，将Android持续集成的构建时间缩短了36%以上。新平台利用历史执行数据优化测试分配，显著提高了构建效率，减少了反馈延迟。

Pinterest推出了一款AI购物助手，用户可通过语音与其互动，获取个性化推荐。该助手根据用户的收藏和当前屏幕内容提供建议，旨在实现更自然的对话体验。此功能为可选，不替代传统文本搜索，用户可按住麦克风按钮与助手交流，助手会简要描述推荐内容。

Pinterest构建了一个基于Debezium和Kafka的通用变更数据捕获（CDC）平台，以满足数据基础设施的扩展需求。该系统支持实时数据处理，确保数据一致性和高效性，并通过控制平面与数据平面的分离，实现大规模数据处理，简化系统维护与升级。

Pinterest推出了一项新工具，允许用户在信息流中调整AI内容的类别，用户可以选择增加或减少特定类别的AI生成内容，但无法完全去除。该工具已在Android和桌面用户中推出，iPhone用户将在未来几周内获得。此外，Pinterest还在5月推出了“AI修改”标签，以应对AI内容泛滥的问题。

Pinterest推出了PinConsole，一个统一的内部开发者平台，旨在简化工程工作流程，整合持续部署、监控和服务管理，帮助工程师专注于业务逻辑。该平台支持插件扩展，促进团队标准化与共享，已有700多名日活跃用户，用户满意度高。

Pinterest工程师分享了在将搜索基础设施迁移到Kubernetes时遇到的罕见故障调试过程。该故障导致查询不匹配，经过调查发现是容器化组件与遗留基础设施之间的微小不一致引起的。这一事件强调了在大规模云原生迁移中，系统调试和可观察性的重要性。其他科技公司如Netflix和LinkedIn也面临类似挑战，显示出迁移核心系统时隐藏依赖和时序敏感错误的普遍性。

Pinterest推出了Hadoop控制中心（HCC），旨在自动化管理Hadoop集群的扩展和迁移，简化操作复杂性。HCC通过统一命令行接口实现实时调整，确保数据完整性和服务连续性，并计划增加自动修复和生命周期管理功能，以提升基础设施的自主性和弹性。

Pinterest将Hadoop数据平台替换为基于Kubernetes的Moka系统，运行Spark于AWS EKS。Moka支持容器化作业隔离和ARM实例，提升调度效率并降低基础设施成本。Pinterest还开发了新服务，使用Apache YuniKorn进行调度，迁移存储至S3，并整合Apache Celeborn以维持性能。Moka通过资源管理和动态优先级调度优化数据处理工作负载。

Pinterest通过Docs-as-Code策略提升了文档质量和团队满意度，采用Markdown和Git管理文档，促进协作与质量控制。开发的PDocs工具简化了文档管理，提高了更新的可发现性和可用性，文档项目增加了20%，并计划进一步改进工具。