技术沙龙|原来落地AI应用是这么回事儿!

Alt

目前人工智能已经迈入应用落地之年,作为备受关注的话题,在重磅政策的加持下市场规模迅速扩大并渗透到各行各业的形势越发鲜明。在此背景下,作为国内不容忽视的创新企业之一,京东AI依托于NeuHub平台对数据、算法以及应用场景的精准判断,走出了以业务场景驱动AI技术的发展之路,并结合京东云的技术支撑能力,提供包括工具、SaaS等一站式服务和应用在内的、端到端集成且不同场景的创新产品与解决方案,以此满足多维度需求。

前不久刚刚结束的京东云技术沙龙活动中,多位来自京东云以及京东AI的技术大咖们面对面就产创云平台、DevOps 开发测试实践、企业智能化供应链建设以及AI模型开发赋能零售场景等在内的多个角度进行了深入探讨,其中干货满满。

此外,现场超百位开发者热情参与了交流与互动,尤其对AI模型开发、企业智能化供应链建设等诸多技术领域十分关注。想必这些探讨也将为与此相关的从业者们提供借鉴与新思路,十分值得广大开发者们认真学习与总结!

Alt
Alt
“产业创新云”作为基于京东自有的人工智能、物联网、云计算等技术能力,围绕容器、开发测试流水线以及微服务等云原生技术构建的一站式支撑平台意义重大。今年京东云将智能产业创新聚焦重庆,将京东云区域总部落户在南岸,并正式发布“产业创新云”。

在整个产业创新过程中,传统企业转型升级的关键是技术和人才,面对技术、人才、资源与渠道日渐突出的瓶颈,京东云的产创云平台让创新创业企业充分利用京东的先进技术,来培养自己的人才,以升级环节中遇到的困境。产创云从全云化的技术架构上提供了IaaS资源、PaaS平台以及SaaS应用,并将京东自研的区块链、AI、IoT相关技术整合在此,开发者可以基于这些相关技术,通过SDK在平台上开发属于自己的产品。

除此之外,产创云还围绕产业链的研、产、供、销、服五个阶段,通过产品创新、产业孵化、产业加速、规模销售,还有持续运营、可循环等几个方面来助力创新企业发展,打造智能产业集群。

Alt
具体来说,关于产创云平台的实践操作,用户都可以登录完成注册,然后联系有关工作人员获得使用权限。在平台之上,提供了容器能力,主要包括一键式创建Kubernetes集群服务,管理节点全托管以及工作节点组可定制等,在创建集群的过程中还提供了按需分配,其中工作节点可以做到按照自身要求支持自由扩展等。

据悉,在产创云的平台架构设计上,京东云设计了三个中心,主要包括应用生态汇聚中心、城市技术能力中心、应用共享服务中心,围绕软件的生命周期,从软件前期需求、设计再到测试,进而拓展到部署层面。,支撑企业在平台上完成智能城市、工业制造、智慧民生等行业应用的开发和运行。

Alt
此外,为了帮助企业节约开发、测试、部署的时间,保障完成持续集成和部署的工作,京东云设计了基于容器的CI/CD的开发测试流水线,借助Kubernetes集群服务,创建以容器为单位的开发测试部署流程,简化了环境搭建的步骤,提高了资源利用效率和开发测试部署的速度,并同时降低了迁移成本。

Alt
Alt
如今身处科技大爆炸的时代,新技术不再以线性方式增长而是以指数方式提升,带来各种新服务的同时继而也会引发各种新需求。在以云计算、大数据、人工智能、物联网、信息安全、为代表的五项核心技术中,云计算在数字经济时代中承担了整个产业的操作系统角色,可以被认为是一切资源、能力、基础和连接的业务平台。五大技术相互融合,共同推动数字新经济的高速度高质量发展。在此趋势下,京东作为一家以零售为基础的技术与服务企业,坚定地朝着向技术转型,致力于打造一个包括智能零售、智能金融、智能保险、智能城市、智能医疗等在内的全球领先的智能商业体。

京东的超级电商基因成就了超级云,超级云反过来又辅助超级电商。在此基础上,依托于集团泛零售的丰富场景、洞察能力和技术沉淀,京东将具有产业属性的AI能力全盘输出。

智慧零售

京东智慧零售分为线上零售和线下零售两种场景。其中线上零售主要围绕京东商城,包括以图搜图、拍照购、AI审核、智能客服等方案。其中智能客服作为京东表现突出的线上场景,提供了一整套解决方案,主要涵盖人工客服的智能处理、后台的各种客服大脑、大数据分析等一系列服务。

有调查显示:客户发起一次客服活动时,有超过46%的客户并不希望通过系统提示,进行一步步地操作,反而更希望通过一句话描述问题或需求。京东智能客服实现的方法是首先要进行前台的预判,通过描述事情的严重程度和类型,结合客户本身的资料,以及购物的数据,智能客服会进行预判,决定把你分到人工客服还是AI辅助,还是完全AI客户。2019年京东在线客服机器人,月均独立解决725万通咨询,仅在618当天在线机器人独立解决132万通咨询。这极大提高了用户的体验,也提升了企业业务效率。

Alt
一直以来,智能供应链是零售企业的核心,决定了企业的竞争能力。传统模式下,采销人员要依靠数据和自身的经验来完成商品选择、采购计划制定、价格制定、库存管理等复杂工作。在引入智能供应链以前,进行线下配货、定价,还有仓库的安排往往都是非常依赖有经验的配货人员。

但如今随着电商规模的迅速扩大,如果不能进行精准高效的供应链管理,不仅会降低零售企业的竞争力,更会造成包括上游制造企业在内的行业效率降低。京东从消费者洞察作为原点,借助大数据和人工智能技术的应用,融合过去14年的零售经验积累,与各方合作伙伴一起,打造敏捷、智慧、开放的智能零售供应链。

Alt
线下零售场景以智慧门店为例,通过线下门店实现智能会员购物。智慧门店有三大核心模块,分别是智能导购,会员营销和智能会员结算。智能导购:通过人脸识别会员、会员进店后主动向导购推送,内容包含会员资料、会员标签等可供导购参考信息。会员营销:精准营销推送促销信息、优惠券、会员关怀信息等,提升会员体验和消费转化率。智能会员结算:会员无需提供手机号或会员卡,自动识别会员信息并按会员权益进行结算或积分。通过这套线下智慧场景,客户从进门就开始享受到全方位的智能服务。

Alt

智能物流

京东的智能物流是一个完整体系,无人仓解决进货、拣货、包装等环节,无人车主攻城市环境下的最后一公里配送,无人机则锁定乡村配送。无人仓作为全新一代智能物流技术,其核心特色体现为数据感知、机器人融入和算法指导生产,可以全面改变目前仓储的运行模式,极大提升效率并降低人力消耗。从商品入库、存储拣货、包装、分拣、装车的环节都无需人力参与,搬运机器人成了无人仓的主角。京东于2017年在上海打造中小型无人仓,单仓的产能超过20万单;2018年进入无人仓设备的常态化和规模化应用的一年,大量的智慧化设备在物流的仓库开始应用。作为全新一代智能物流技术,无人仓其核心特色体现为数据感知、机器人融入和算法指导生产,可以全面改变目前仓储的运行模式,极大提升效率并降低人力消耗。

除此之外京东还拥有多场景的无人智能产品,如末端配送机器人、巡检机器人、干支线自动驾驶货车、服务机器人等。作为智慧物流体系的重要一环,末端的京东配送机器人自2017年在人大、清华、浙大、长安几所高校就开始进行配送实验,未来还会在全国各地的封闭式园区、校园,以及类似于生态城这种开放式的城市道路配送,解决城市配送最后一公里难题。

Alt

智能金融

京东智能金融服务主要将传统的风控体系智能化,依托庞大的用户和交易量数据以及关联外部合作伙伴洞察资源,在注册、登录、营销、交易等多个核心场景建立标签和策略,其全魔方产品能够实现对申请欺诈、信用欺诈、账户盗用、洗钱、羊毛党、虚假交易及黑产等行为的防范。

Alt

智能医疗

在智能医疗方面,京东与多个高校合作推出医疗分诊和医疗知识图谱。其中线上分诊覆盖28个科室,准确率高达99%以上,医学知识图谱主要是为合理用药和药学教育提供了支撑。在京东互联网医院上,已实现了导诊、医生匹配、咨询、开药的闭环服务,智能分诊准确率高达96%。

Alt
总结来看,京东AI发展不是纸上谈兵,与其他的AI厂商比较,最大的区别在于应用场景大部分是自身使用完备再推出使用。京东云在底层提供技术资源的支撑,然后把合作伙伴能力向外赋能,服务于各类行业。京东云作为京东能力对外输出的一个重要出口,未来还会输出大数据、区块链、物联网、安全等多重能力,毕竟未来AI与云的结合是必然,因为只有AI与云相结合才能形成真正的普惠。

Alt

Alt

国际供应链管理专家马丁·克里斯多夫20年前预言:“未来的竞争不是个体或组织之间的竞争,而是供应链与供应链之间的竞争。”人工智能作为新一轮产业变革的核心驱动力,也因此催生了传统供应链走向智能供应链这样的趋势。

所谓智能供应链和传统的快递分类其实大有不同,主要被区分上中下游,呈网状而非一条单独的直线(从产品到物流),主要分四个阶段分别是可视化阶段、预测分析、规范化以及自我学习等。据观察,现在大部分企业基本停留在第一个阶段,也就是可视化,甚至更关注端对端的可视化展现。

Alt
经常有人会问,为什么京东可以做智能供应链呢?关于这个问题从京东人工智能事业部高级产品经理张云星的分享中得到了答案。AI、大数据、云计算是技术基础,智能设备则是硬件载体。具备技术之后,自然需要有人去做进一步工作,最后将技术应用到场景中去。京东擅长零售,而零售、物流、金融三部分刚好是在智能供应链中的几个重要环节。

具体来说:在基础层方面,京东云主要提供关于基础的一些能力,例如计算、存储等算力资源,并且需要有大量数据资源训练使得平台更加智能。除这两块之外还需要有算法,涵盖自然语言处理、语音语义、计算机视觉等技术所对应不同的算法资源。基于算力、数据、算法三方面的资源,京东Neuhub平台提供了一系列工具让AI变得更聪明。例如人工智能从数据管理开始到模型训练以及再到模型部署,变成一种能力,这是一整套模型开发工具的输出。从模型开发工具训练出来的能力如人脸识别、语音识别等,已经接入到京东云上,并且以API的方式向外赋能。在能力层之上就是场景层,主要分为两个:一个是生产,一个是流通。平台将AI能力提供给独立开发者或第三方合作伙伴后,接收方将这些能力进行二次开发,生成一个新的产品或新的能力。

Alt
关于智能平台能力,通常可以理解为一部分是通过海量数据训练完成的能力,可以随时调用,还有一部分能力是作用在模型开发平台上。一般模型开发平台包含了几个要素,从数据标注开始,再到模型开发,跑通数据以及检查模型是否为预期等。如果能力比较好,就可以做到将能力发布成一个服务,进一步使用。

以NeuFoundry神铸平台为例,作为京东丰富场景的的最佳实践,NeuFoundry提供从数据标注-模型开发-模型训练-模型评估-模型发布的一站式人工智能开发平台,提升AI开发的效率、降低开发成本、加速企业AI人才建设。平台不仅支持图像类、文本类深度学习,还支持机器学习,比如销量预测等。仅仅如此还是不足够的,还会通过预设模型来进行海量数据训练,使得智能供应链更为智能聪明。

Alt
另外NeuFoundry神铸平台还会为不同类型的开发者提供多种交互方式,如针对对算法比较精通的算法工程师提供算法任务提交和Jupyter NoteBook方式,同时对业务很精通的业务开发人员,提供通过图形化拖拽或者自动化训练方式实现根据业务数据训练出定制化AI模型。举几个京东AI平台赋能智能供应链落地案例。第一个典型应用是消费场景,消费环节是供应链的驱动源头,将消费场景与人工智能技术结合,实现三类智能化:精准营销、智能交易、门店智能化。

第二个典型应用是流通场景,通过人工智能技术为供应链流通赋能,实现四类智能化:仓储智能分析和行为管控、协调仓储、预测及流程优化和智能外呼降本增效。举个例子,在仓储场景中,有许多需要分捡的作业,如果采用人工,速度缓慢且成本高。而利用视觉分拣机器人可以实现效率的大幅度提升。通过京东AI平台向生态伙伴悉见提供人脸识别、商品识别、视觉识别等开放能力,赋能智能物流场景,打造的AI+AR智能供应链解决方案。

第三个典型应用是在生产场景。通过C2B智能平台具备用户洞察、反向定制、精准营销及市场洞察等能力,助力商家提升产品转化率和市场份额。

Alt
Alt
一般常见的模型开发过程是数据标注,模型训练,模型部署几个流程,而在具体业务部门,或者行业领域中,可以增加业务需求、技术选型、模型匹配等环节,这些是日常业务团队的必要步骤。首先需要确定一个方向,针对业务需求进行技术选型,之后进行数据标注和模型匹配,接着进行模型开发,最终训练结束后部署成在线应用。

AI能力一般分两种,分别是通用能力和算法能力。具体来说,通用能力不针对具体的行业应用,主要解决日常或者泛化问题,例如通用文字识别,不管是身份证还是驾照,任何一张图片训练后的模型都会尽可能去识别文字内容,而京东AI的算法能力主要针对供应链、零售、物流、金融方面。

Alt
针对具体的应用场景,以拍照购为例来讲解模型开发过程。拍照购是由京东研发的图像商品识别功能,支持一次性识别图像中的多个商品(多主体检测),并反馈每个商品的位置、商品品类类别、京东同款商品信息等。它适用于广告图商品检测、场景中商品识别、拍照识货、图像商品打标、商品分类管理等场景赋能。

Alt
先看拍照购的业务需求,总结下来一共有三个需求:①需要覆盖商城数十亿正品商品;②支持一次性识别图像中的多个商品(多主体检测),并反馈每个商品的位置、商品品类类别、京东同款商品信息等;③需要支持客户多种产品形态,如PC、移动端。小程序等;之后需要确定技术选型,用户拍一张图片之后,首先要识别这个图像属于哪一种图像分类,结合的实际的场景中,需要覆盖商城12个商品品类200个细分类目,支撑十万SKU级别细分类。然后根据用户上传的图片进行目标检测,需要能够实现自动定位到商品主体,并支持多商品主体检测,能够区分不同商品的显著性。接下来需要进行特征匹配,找到与图片商品匹配度最高的商品,返回接着结果进行再做一个召回结构重排。将想要优先展示的展品被识别出来,最后就是Indexing。

此外,拍照购在目标检测以图象分类的基本能力上增加了一些购物的业务逻辑,目前商城内所有的商品都涵盖。拍照购已解决了传统图片分类遇到的问题,包括相同内容的图片可大可小,尺寸大小不统一,物品变形或特殊摆放,以及外界光影、背景干扰导致的图片显示状态不同。除此之外,商品状态前后出现变化、商品包装等同于商品、同类商品外观过于接近等额外的问题也已得到很好优化。

Alt
在数据收集方面,会考虑商业目标和用户使用场景,增加热销品的训练数据量,尽量提高商品类目的覆盖率和同类商品的数据量。另外,顾客晒单中的图片可以有效弥补商家图片在落地场景中的不足,因此,也是拍照购的重要训练数据来源。在进入数据标注之前,研发会对训练原始数据做预处理,包括图片去重,去燥和预标注等,以提高数据质量,降低后续人工标注难度。根据数据维度的不同,拍照购的数据标注会包括主体框图、图片相似性和图片分类等多种类型。

另外一个案例,即“70年,我是主角”。这其实是京东云和京东AI与人民日报联合运作的一个推广活动,主要表现在用户上传一张照片就可以做到识别人脸并生成五张用户海报,进而帮助产生一个视频,在视频中完成人脸替换。

Alt
与很多静态图片或者超短小视频换脸不同,这部微电影提供网友用于换脸的视频片段包含了大量的奔跑镜头和频繁的姿态变化,尤其是多变的光影使主人公脸部的明暗差异变化非常大,这就给人脸关键点检测、定位及渲染都带来了困难。

Alt
具体来说,算法工作做完以后紧随其后的就是一个人脸替换的程序,以及标注好的图片。“我们会从另外一个角度去做GPU加速,原来这个程序跑在GPU上的,换一张图片需要5秒钟,加速以后换一张图片只需要100毫秒,这个量级的处理很关键。通常,用户上传图片,我们识别一个人脸,然后检测是不是重要人物,随后提交换脸请求,我们会对海报以及几百张的照片同时替换,然后做一个视频合并,再把合并好的数据传到CDN上,结束以后就可以去查看自己的换脸视频和海报结果了。”

盘点下来,整个业务流程中哪一部分耗时最长,又是哪一部分用户等待的耐性最少,如果用户想立刻知道这张图片是不是合格…这些都要给出足够的资源判定。换脸视频最终用户想要看到的结果就是视频,所以京东云将珍贵的GPU资源提供给了人脸检测和视频这部分。

这个过程中,京东云提供的CPU资源去做海报。从工程角度来考虑这个问题,当业务做得更精细时,应该把CPU的任务和GPU的任务完全拆分开,只让GPU去做最核心运算,就不会出现GPU卡,否则就是对资源是很大的浪费。在业务高峰期间,将70秒的视频拆分成6段,可以做一个随机的选择;当业务低峰期的时候,系统把70秒完整的视频给用户展现出来,最终视频大小是5兆左右。

如果跳出具体的案例,上升到企业级的应用层面,如果企业业务数据并没有标注,就可以把业务数据放到京东NeuHub平台,可以被提供一些常见的分类,例如图片分类或者框图标注、语音标注等。实际上如果数据齐备,就可以用这个工具,无负担。

此外需要强调的一点,当数据齐备以后就会自然进入到一个模型训练的过程,除了使用用户自己的数据以外,京东NeuHub平台也提供行业的一些公开数据集给用户应用,并为自己业务定制。

进一步了解,京东NeuHub在模型训练以及数据标注方面也支持主流的移动端框架,还有一些软硬一体的设备等,例如像自动结算台,还有服务机器人,未来会有一些行业的整体解决方案出炉。

近年来基于云端的企业数字服务转型,京东云快速布局并通过战略伙伴构建丰富的大生态以及细分领域的技术版图,凭借自身研发以及集团商业能力的服务输出,推出及更新多达300+款产品与服务,实现云计算产业链的整合及升级,想必关于云计算、有关AI、推及京东云,未来的惊喜更是不断。

点击“阅读”,进入京东云开发者中心查看演讲视频

Alt
Alt

相关推荐

京东云推出全新JoyCode智能编码工具,让AI Coding从代码生成走向成果交付

全新JoyCode结合项目背景与任务目标,通过Agent Loop持续规划、执行、验证与迭代,并支持多智能体并行协作、模型灵活配置及工具与流程复用,贯通从需求分析到开发验证的任务链路,推动AI Coding从代码生成走向可运行软件与可用工具的成果交付。模型使用的关键,不只是选择更强的能力,而是让投入与任务需要相匹配。作为面向严肃开发场景的企业级编码产品,京东云JoyCode所拓展的,不只是代码生成的能力,更是将专业经验与日常灵感付诸实现的路径,让技术承接实现过程中的繁复,让人更专注于问题、判断与创造。

京东科技开发者 66

GPT-6凌晨上线智能UI:智能UI时代的技术架构重构与应对之道

从命令行到图形界面,计算机行业用了三十年证明了同一件事:人类需要视觉的、空间的、可重复的交互表面,纯文字从来只是过渡形态。智能界面的出现,意味着AI行业第一次大规模承认了这个规律——对话是创造的接口,界面是使用的归宿。生成的界面如何稳定下来?个人的数据与身份如何安全地沉淀?Agent的行动能力如何可信地放大?谁能把这三个问题答好,谁就站在了Personal Agent图形界面时刻的浪潮之巅。

京东科技开发者 230

AI 会写代码之后,交付为什么还没变快?

AI 写代码,只是这场变革的起点,而不是终点。真正决定一个组织能否吃到 AI 红利的,不是"能不能用 AI 写出代码",而是敢不敢用 AI 重新设计交付流程、重新划分角色分工、重新组织团队结构。研发视角能把工具和个人推到极致,却会在组织的边界前止步;只有站上组织视角,把AI × 工具一路推进到AI × 组织,那些被 AI 照出来的摩擦,才会真正被抹平。国际技术部 Multi AI Native 想做的,正是这件事——让 Agent 成为你可靠的数字战友,让每一次迭代交付都快一个量级;

京东科技开发者 318

OxygenData-Vibe搭建:用 AI Coding重新定义数据看板搭建

长期以来,数据看板开发主要有两种方式:一种是使用标准化 BI 工具,交付快、成本低,但图表样式、交互体验和功能扩展都受限于 BI 本身的能力;另一种是自研定制开发,能够充分满足复杂和个性化需求,但需要投入大量研发资源,交付周期也更长。比如一个通过 BI 只需要 1 天就能搭建出来的看板,如果采用自研方式,可能需要投入 30 PD 的研发人力。既然 BI 交付这么快,为什么不把所有看板需求都交给 BI?原因在于,业务某些场景需要的不只是把数据展示出来。

京东科技开发者 382

当我谈数据库高可用时我谈些什么

大家都经常听到说数据库的双1,那双1指的是什么呢?参数=1(最安全)≠1(更快但可能丢)每次提交都把 redo 刷盘0/2:攒着刷,崩溃丢最近 1 秒每次提交都把 binlog 刷盘0/N:攒着刷,崩溃丢最近若干条"双 1"(都设为 1)= 单机不丢已提交事务的前提。生产核心库必须双 1;代价是每次提交两次 fsync。小结:单机层用 WAL 提速、用 2PC 保证 redo/binlog 一致、用崩溃恢复裁决半成品事务、用双 1 兜底持久性。

京东科技开发者 324

ScoAI:面向供应链的运筹原生决策智能

ScoAI 关注的并非 AI 能否进入供应链,而是 AI 参与供应链决策之后,哪些内容适合通过数据学习,哪些关系必须显式计算,以及哪些结果需要依据执行记录进行验证。其基本分工是:供应链业务定义问题、资源与行动后果,运筹学表达目标、约束和协同关系,AI 提供可复用的估计与判断。真正用于改进后续决策的,不仅是模型生成的初始结果,还包括实际采取的行动及其产生的业务反馈。

京东科技开发者 408

拆解海博 AI-Native 落地保障:海博团队 AI 知识库能力建设

绕了一大圈,回头看,我们其实一直在解开头那三个结:AI 读不懂系统、影响面靠人脑记、测试预期没处查。做到这里,本质上是把"AI 用不好"这个问题,从"是不是该换个更强的模型"重新定义成了"怎么把上下文经营好"。顺着这个思路,我们攒下了这么几样东西:•。

京东科技开发者 565

从零构建一个生产级记忆型 AI Agent —— AgentScope 项目全景技术与学习指南

domain 层端口接口(domain)职责适配器实现(infra)对话流水账读写经验记忆检索/落库请求级幂等四态会话元数据 CRUD会话级 Skill 选择态Skill 元数据HITL 权限网关(domain 内含逻辑,见第四篇)StreamSink技术中立的流式下沉(client 层桥接)以幂等端口为例,头部注释明确写道:实现 domain 端口,持有实体不出 infra 边界,对外只暴露嵌套视图GateResult。

京东科技开发者 616

数据涅槃:Agentic 重塑搜推数据生产体系

当前大模型已经能够理解需求、生成代码和解释错误,但数据生产的难点并不只是“写出一段 SQL”。一个需求还要经过数据源确认、口径澄清、加工编排、资源规划、任务提交、调度运行、结果交付和故障处置。任何一步缺少都可能让“看起来正确”的任务变成生产事故。

京东科技开发者 386

81.8 秒的视频,我们改了 15 个版本:一次纯 Codex 驱动的 AI-native 视频实践

81.8 秒、15 个版本,这些数字真正想说明什么?视频制作正在从一组专业软件里的复杂操作,变成一场围绕目标、参考和反馈展开的持续对话。AI 已经可以接住从脚本到交付的大量工作。你可以把精力留给更重要的部分:理解观众、选择故事、判断好坏。过去停在 PPT 和脑海里的想法,现在有机会被快速做成一支能看、能改、也愿意转发的视频。如果明天就要介绍你手头的项目,你最想先把哪一步交给 AI?

京东科技开发者 470

Codex 驱动的移动端AI全栈开发:从 Relay 原型图到可交付链路

AI 编程工具降低了跨端开发门槛,但“让 AI 写页面”并不等于“完成移动端交付”。PC 运营端页面通常以功能闭环为中心,设计约束较弱,研发可以基于组件库快速搭建;移动端 C 端页面直接面对用户,Relay 原型图和 UI 设计稿不仅是视觉参考,更是交互、信息层级、状态反馈和业务信任感的综合契约。

京东科技开发者 596

Claude Code vs Codex 记忆体系深度对比

Claude Code —— 分层自动记忆系统四层分层架构(CLAUDE.md / Auto Memory / Session Memory / AutoDream)构成自优化闭环,系统主动捕获、分类、去冗并跨会话接力经验。走的是自动化优先路线——让机器替人记忆、替人整理,以少量可控性的不确定换取强大的经验积累能力。Codex —— 声明式契约系统两层扁平架构(AGENTS.md 静态声明层 + 会话上下文层),记忆完全由人显式订立、显式修改,系统只读契约、绝不擅自变更。走的是可控性优先。

京东科技开发者 631

上游给空、下游拿到 -1,我把故障一直追到了 commons-beanutils 的构造函数

这篇手记是一份事后复盘,写在我们已经把修复推上线、把测试用例跑绿、把约束文档沉淀进团队库之后。非研发同事,可以直接从第八章开始看,前七章都是讲排障和代码分析。故障本身不复杂,修复也不复杂,但这次排查真正让我想写下来的,不是技术本身——而是从问题提报到解决全程AI的作用:问题定位:业务方反馈了一个异常单号说「下发失败」,一线运维同事直接在日志系统捞到相关的系统日志,用IDE打开下游代码库,把异常信息给到JoyCode——AI 直接指向了问题是serialType值非法,系统只接受0和1,而当前上游给的是-1。

京东科技开发者 720

SKill测评:谁才是真正的Skill之王?

巧合的是,阿里近期开源了一款名为 Skill-Up 的测评工具——它专门面向 Agent Skill 开发者,支持在 Claude Code、Codex、Qoder CLI 等真实 Agent Engine 环境中验证 Skill 的功能正确性,并可将失败用例转化为精准的修复指引,同时支持本地与 CI 环境的持续回归。2026年,Skill 的热度不减,已成为 AI 辅助编程领域的标配。在日常研发中,无论是沉淀个人经验,还是将团队的优秀范本标准化,将知识“蒸馏”为 Skill 已是大家的常规操作。

京东科技开发者 641

让AI真正参与工作!JoyDesk已上线京东云

JoyDesk提供覆盖AI资产管理、权限控制、安全策略、审批审计、运营监控等企业级治理能力,支持按组织、角色和项目进行精细化权限管理,并支持私有化部署,确保企业数据边界清晰、AI行为全程可追溯、安全策略灵活可配置,满足金融、政企等行业对数据安全和合规治理的要求,让AI真正成为企业可信赖的生产力。JoyDesk支持MCP协议、标准API、技能等多种开放接入方式,可快速连接企业现有业务系统,将业务能力封装为AI可调用的技能和专家,让AI能够理解业务流程、调用业务系统、完成业务任务,而无需改变企业原有IT架构。

京东科技开发者 675

【全栈实践】第一个 AI Agent 项目:从零搭建 AI 音频创作助手【最终版】

这个项目展示了AI Agent 在垂直内容创作领域端到端自动化:从内容理解到播客输出,全流程 AI 驱动多模态融合:文字、图片、音频、视频统一处理专业级音频质量:音色设计 + 智能混音,输出广播级品质低门槛使用:可视化配置 + 自然语言交互,无需技术背景。

京东科技开发者 564

【全栈实践】第一个 AI Agent 项目:从零搭建 AI 音频创作助手(高级篇)

这是一个 AI 驱动的播客创作助手,专注于从文字/视频/音频内容识别到播客制作的全流程。你可以用自然语言与它对话,也可以上传视频和音频,它会理解意图、调用相应的语音合成工具,把他们变成真实的播客音频。

京东科技开发者 728

【全栈实践】第一个 AI Agent 项目:从零搭建 AI 音频创作助手(进阶篇)

这是一个AI 驱动的音频内容创作助手。你可以用自然语言与它对话,它会理解意图、调用相应的语音合成工具,把文字变成真实的播客音频,并保存在本地。关于项目的详细介绍见第一篇文章:第一个 AI Agent 项目:从零搭建 AI 音频创作助手(入门篇)这篇文章更多介绍进阶篇添加的功能。

京东科技开发者 553

【全栈实践】第一个 AI Agent 项目:从零搭建 AI 音频创作助手(入门篇)

这个项目让我第一次把前端、后端、AI Agent 三块内容独立串联起来。技术选型上每一块都是当下主流的方案,实际跑通整条链路之后对"全栈"有了更具体的感受。框架版本要锁定:LangChain 这类快速迭代的框架,版本差异带来的问题远比你想象的多先跑通链路,再追求完美:新手阶段能把用户输入 → AI 处理 → 结果展示这条链跑通,比深入某个技术点更有价值多看官方文档:相比博客和教程,官方文档更新及时,特别是 LangGraph 这种新框架后续计划继续迭代,欢迎交流!

京东科技开发者 611

ICLR 2026 | 面向序列决策的贝叶斯集成方法

在这篇工作中,我们关注的是。

京东科技开发者 296

ICML 2026|NaviAgent:面向 Oxygen 智能体的可扩展工具编排

大型语言模型(LLM)越来越多地作为函数调用代理,调用外部工具来处理超出其静态知识范围的任务。然而,它们通常一次只调用一个工具,缺乏对任务结构的全局视图。由于工具之间往往相互依赖,这会导致错误累积和可扩展性差,尤其是在扩展到数百或数千个工具时。为了解决这些局限性,我们提出了NaviAgent,一种显式的双层架构,它通过基于图的工具关系建模将任务规划与工具执行解耦。在规划层,基于 LLM 的代理决定是直接响应、澄清意图,还是检索并执行一个独立于工具间复杂性的工具链。

京东科技开发者 389

实测 9 款 AI 架构图工具:从 Mermaid 美化到 GPT-Image2,一份选型清单

支持 5 类图(架构图、工作流图、时序图、数据流图、生命周期/状态机图),主题 4 种(Classic、Signal Flow、Blueprint、Editorial)+ 3 种色彩模式(Dark / Light / System Auto),输出格式含 HTML、PNG、SVG、WebM、Share Card PNG、JSON IR。它把提示词图库、图像生成案例、参考图编辑流程和命令行工具整合在一起,让 AI Agent 能直接调用 GPT Image 2 模型完成文生图、图生图、参考图编辑等任务。

京东科技开发者 909

别再守着 Claude Code 了——学会指挥它自主干活

回到开头那句:别再一句一句地喂它、然后守着屏幕。真正的用法是——把一件事想清楚、划好边界、给它一个能自我验证的目标,然后交出去。你会发现,省下来的时间不是一点半点。把重复的判断和执行还给机器,把真正需要你的判断留给自己。

京东科技开发者 587

CVPR 2026|Oxygen XR 团队在原生鱼眼高斯泼溅技术上带来新突破

京东零售技术团队联合清华大学提出DirectFisheye-GS框架,创新性地将鱼眼相机模型原生嵌入3D高斯泼溅管线,通过跨视角联合优化策略直接处理鱼眼图像,避免了传统去畸变预处理导致的信息损失。该方案在多个公开数据集上达到SOTA性能,有效解决了单视角优化引起的几何畸变和视角不一致问题,同时保持与现有3DGS工具链的兼容性。技术已应用于电商3D重建和4D体积视频等场景,显著提升了沉浸式体验。相关论文被CVPR 2026接收,为宽视场场景重建提供了高效解决方案。

京东科技开发者 355

拆解海博 AI-Native 落地保障:Harness、双 Loop、知识库与技能自主迭代实践

海博研发RoadMap 的落地,彻底终结了 AI 编程“对话式玄学”的旧模式,真正落地了AI Native 研发工程化。它证明 AI 规模化赋能研发的核心,不在于堆砌大模型能力,而在于用工程思维重构 AI 的工作范式:用结构化流程替代随机对话,用固化规则约束模型行为,用持续沉淀实现能力复利,用分层架构支撑规模化落地。

京东科技开发者 638

让 AI 快速「读懂」你的代码仓:Joy-Code-Graph 云端图谱服务的三次进化

代码知识图谱不是要取代 AI 的智能,而是要补齐它对代码全局关系的认知盲区。当 AI 能一眼看清「谁调用了谁、改动会波及哪里」,它写出的代码才真正靠谱;当这份认知安全地留在自己手里、随时被 Joygen 调用、并且永久沉淀在代码仓里——AI 编程的体验,才算真正上了一个台阶。这,就是我们做 Joy-Code-Graph 云端服务的初衷。能力共享,数据自主;一次建图,长期受用。

京东科技开发者 752

【Coding生态】从代码托管到 AI 能力底座:与Coding一起共建 AI 研发生态

前两种框架能够很好地支撑对话式能力和预设流程式能力。它们适合基于提示词或预设工作流完成研发问答、知识查询、流程编排等任务。但在更复杂的研发场景中,仅仅“回答问题”还不够。当用户业务逻辑复杂时,一旦场景进入真实落地阶段,例如下载代码、修改文件、执行命令、安装依赖、运行测试、读取完整代码文件,或者与自有系统联动、将结果渲染到 Coding 页面、推送到京 ME,AI 应用需要的不只是知识能力,还需要真实的代码库操作能力和独立可执行环境。

京东科技开发者 768

GPT-5.6、ChatGPT Work 与 Codex 更新食用指南

三档模型当前都提供 1,050,000 tokens 上下文、922,000 tokens 最大输入和 128,000 tokens 最大输出,接受文本与图像输入、输出文本,并支持 web search、file search、Computer Use、MCP、Tool Search、Skills、Apply Patch 等工具。Work 可以读取你提供的文件,通过插件连接 Slack、Google Drive、SharePoint、邮箱、日历、CRM 或项目系统,调用获批工具,并在执行中展示进度。

京东科技开发者 873

把业务流程沉淀成高质量 Skill 的实践路径

使用Record & Replay创建的Skill,尽管创建流程简单,但它的本质实际是让 AI 去操作页面,这不但有可能影响我们对电脑的操作,还有可能无法稳定复现。创建Skill时,可以使用 Codex 的 Record & Replay 插件,把一次手工操作录下来,再让 AI 生成可复用流程。刚开始切换时,很容易遇到接口报错,可以让Codex排查原因进行优化,直到可以稳定执行;补充相应业务背景,说明这件事为什么要做,谁会用,输入从哪来,输出给谁看。电脑休眠、关机、软件没开时,本地任务可能无法执行。

京东科技开发者 836

政企前台AI-Agent的架构实践:打造可复用的 AI 服务平台-【灯塔计划】

不止是爆火的龙虾,还是各种Skills,MCP、Agent,脱离的具体的场景谈方案,最后只会是一场空。这一套可复用的 AI 服务平台,截止目前,通过前后端对接规范文档,多项能力已快速接入到各个场域的不同端平台,大幅降低研发成本, 并且各业务线新场景的接入从原来的 “开发驱动” 转为 “配置驱动”,接入周期从天维度缩短至小时级。

京东科技开发者 864
上一篇: 直击JDD | 王振辉:技术是驱动物流革新的第一要素
下一篇: DevOps云翼日志服务实践
京东云开发者
京东云开发者 企业官方账号 企业官方账号
博客等级 码龄8年 1万+粉丝 2141原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值