区块链公链“三元悖论”专题之可扩展性(Scalability)

Alt
随着BTC系统的问世,区块链技术在这10多年的时间里被越来越多的人所认知,区块链构筑了数字经济时代的价值网络基础。而区块链公链背后的经济模式、共识机制、密码学等技术问题中,一直存在着一个有着持续热度的“三元悖论”问题(也称“不可能三角”问题),即在区块链公链中,无法将“去中心化”(Decentralization)、“安全性”(Security)、以及“可扩展性”(Scalability)三种特性很好的兼备。
在这里插入图片描述

  • “去中心化“是指任何人都可以作为节点参与区块链系统的生产和验证,节点数量越多,则去中心化程度越高,这也是区块链区别于传统互联网系统的核心特性。
  • “安全性“是指为了获取区块链系统控制权所付出成本的高低,付出的成本越高,则安全性越高,这也是区块链系统能够使参与者形成”共识“的基础。
  • “可扩展性“是指区块链系统处理交易信息的能力,很大程度上取决于交易处理性能,即TPS(每秒处理交易的笔数),事实证明,可扩展性是当今区块链系统无法适用于实际应用场景的最大障碍(比如比特币),造成此结果的主要原因是每笔交易都要在所有节点上达成一致,以及各节点参与区块链系统所付出的成本。

事实上,在“三元悖论”中,三种特性都有各自独立的技术发展路线,牺牲某一种特性,并不代表可以换取另外一种特性的提高,只是在现有技术条件下,一个区块链系统想要将这三种特性最大化的融合,通常都会有所取舍;而且,如果抛开“三元”中的“去中心化”和“安全性”,那就根本谈不上“区块链“和”系统“,所以我们看到这些年来,各区块链公链系统在试图突破“三元悖论”问题时,最常优先考虑的,就是通过提高TPS,来优化系统的性能。

所以作为这个专题系列的第一篇文章,我想首先从可扩展性方面出发,讲讲目前能够带来区块链系统“可扩展性“提升的一些方法和技术路线;希望在阅读这篇文章后,大家再看到类似“千万TPS”之类的宣传口号时,就会有更加深入的理解。

在讲可扩展性之前,我们先来了解下可扩展性当中的核心指标“TPS“这个概念:

TPS(Transaction Per Second)指的是系统平均每秒处理的交易数量,对一个区块链公链系统来说,TPS是衡量系统性能的重要指标;TPS是计算出来的,即用一段时间的总的交易数除以这段时间的秒数,得到的是一个平均值,这个平均值并不代表系统每秒都会处理等量的交易,系统实际在每个时间段处理交易的数量是有高有低的,以比特币为例,因为比特币的两个区块间隔时间为10分钟(600秒),如果在这段时间,打包块里面有2400笔交易,那比特币的TPS就是2400/600=4,是的,实际上比特币的TPS确实只有4左右。
在这里插入图片描述
比特币历史交易数量图(上图来自京东智联云BDS区块链数据服务)

作为对比,这里给大家一些数据参考:Visa在1600TPS左右(峰值56000TPS),网联双11活动峰值在10万TPS左右,目前主流的区块链系统以太坊目前在20TPS左右,而中心化的区块链系统XRP也只有1500TPS左右。

所以,在回归到现实应用中时,区块链公链系统的TPS是一个无法回避的问题。

理论上,当在带宽无限大、数据传输延迟无限小、计算能力无限强的情况下,区块链系统中数据达成共识的效率可以无限高,TPS也就可以无限高;但实际情况中,参与区块链系统大部分用户的带宽、计算机处理能力都是非常有限的,所以对于区块链公链系统设计者来说,在保证网络的性能最优的同时,将用户网络能耗降至最低,成为了一项非常大的挑战。

近几年来,各公链项目方都为了提升系统TPS而在技术上另辟蹊径,行业内也不断出现一些与之相关的专业术语,比如POW、POS、跨链、分片、DAG、异步共识组、零知识证明等。
在这里插入图片描述
NSDI上关于异步共识组的论文

而在这些技术中,目前提升区块链公链系统可扩展性(主要是提升TPS)的主流方式大致为以下几种:一是改变共识机制,二是更换DAG网络,三是采用跨链技术,四是采用分片技术。

一、改变共识机制:除了BTC系统所使用的POW(Proof-of-Work工作量证明)共识机制外,业内比较流行的还有POS(Proof-of-Stake权益证明)、DPoS(Delegated Proof of Stake委托权益证明)、Algorand(POS升级版,纯股权证明)、PBFT(Practical Byzantine Fault Tolerance,实用拜占庭容错算法)等,如果算上各种“升级版“、”改良版“的话,市面上至少有上百种共识机制可寻,但这些共识机制的出现,大都是为了改善比特币所使用的POW所导致的TPS不足,而在改良的过程中,各共识机制也都采取了各种各样的权衡与妥协。

由于BTC系统所采用的PoW历经10多年的风霜雪雨依然屹立不倒,所以起初很多共识机制都是在PoW的基础上进行迭代来优化TPS,比如调整区块大小,改变区块结构,解耦区块产生和交易打包过程等,然而这些调整在提高TPS的同时也带来了一些新的问题,比如增加区块大小虽然可以使单个区块存入更多的交易,但由于区块变大也会让网络传输延迟变高,从而增加分叉风险;再比如Bitcoin-NG可以在PoW共识下达到很高的TPS,但也会造成个别节点权力过大的问题等。

基于此,PoS、Algorand等完全违背PoW初衷的共识机制随之出现,这些共识机制旨在颠覆PoW机制的“挖矿”概念,并向用户宣导“系统中最大既得利益者不会去伤害系统”的共识理念(类似于传统企业中的股东机制),由于这些机制多或少的牺牲了去中心化,所以用户基本无须挖矿且没有繁重的哈希计算过程,故系统可以非常快速的使用户参与其中并产生相比于PoW更大尺寸的区块,因此其TPS表现自然远高于PoW(有些公链项目自称可达百万、千万级TPS)。

二、更换DAG网络:区块链的基本结构,是以链的形式串连区块,然而,DAG (Directed Acyclic Graph有向无环图)将链式结构更换为网式结构,取消了交易区块的概念,更换为将每笔交易都与其它多笔交易相连(后一笔交易验证前一笔交易),各交易间相互验证达成共识,从而实现靠交易量提升DAG整体验证效率,最终达到提升TPS的目的。
在这里插入图片描述
DAG示意图

不过,DAG的优缺点也都比较明显,先说优点,DAG的主要优点有二,一是在有限带宽的条件下,DAG可以通过异步并发的方式记录更多的数据,从而提升TPS,二是DAG结构避免了传统链式结构在算力过大时的算力浪费,以及易分叉等问题;DAG的主要缺点也有二,一是最后交易的确认时长不可控(依赖不断产生的新确认交易者)导致的稳定性不足,二是安全性方面没有经历过类似比特币经历的大规模验证。

三、采用跨链技术:跨链分为多链和侧链两种方式,多链,顾名思义就是采用多个链并行的方式进行交易,相较于单链方式,多条链并行的TPS一定是大于单链方式的,但随着交易量的增加,跨链数据的互通需求随时增多,一笔资金可能在多个链上进行流转,一个账户也会在多个链上产生交易,这些会带来管理难度的极大提升,所以,多链并行的实现中,计算TPS往往是简单的累加。随着预言机等跨链技术的成熟,多链势必会有较大的发展前景。
在这里插入图片描述
跨链示意图

侧链技术也被称为“链下状态通道(off-chain state channel)”,是在用户间搭建临时线下交易通道,所有中间交易都发生在链下,主区块链上仅验证最终状态,解决同一对用户的频繁交易给区块链系统带来的TPS压力,间接提升区块链系统的可扩展性。比如有两个商户一天内多次互相交易,但是当一天结束时,却发现双方你来我往了1000多次交易,但来往金额却刚好相抵归零,这正是侧链技术最适合运用的场景。其代表项目闪电网络(Lightning Network)和以太坊的雷电网络(Raiden)。不过,需要强调的是,侧链虽然帮助区块链系统减少了压力,但它的TPS数量其实不应该计入区块链系统的TPS。

四、采用分片技术:分片技术,即将每个交易块分解后的各个分片发布到区块链网络中,各分片为并行状态,这样每个节点不必下载全部交易数据,从而大大提高区块链系统的处理速度。需要注意的是,分片技术与跨链技术最大的区别是,所有分片仍然基于同一条链,因此,在不同的分片间高效协同以保持共识的有序性和正确性极具挑战。
在这里插入图片描述
区块链与数据库分片对比示意图

分片条件下的TPS计算,应以交易的终局状态达成为准。将各分片瞬时TPS累加进行宣传是常见做法,但缺乏实际意义。分片是目前的热点方向,第一个使用分片技术的是Zilliqa,ETH2.0、Harmony等其他项目也一直在努力将分片技术集成到区块链系统中。

可以看到,提高TPS的技术路线各有利弊与挑战,希望通过京东智联云-区块链公链“三元悖论“专题系列的文章,大家可以从“去中心化”(Decentralization)、“安全性”(Security)、“可扩展性”(Scalability)这三个方面去了解区块链公链系统的特性,以及在实际应用场景中能够更好的挑选一款合适的区块链系统,去解决一些问题。
在这里插入图片描述
京东智联云区块链数据服务【BDS】:京东智联云将区块链的链式、非结构化数据通过技术手段进行结构化存储,实时同步到高性能数据库中,并据此推出了一款可视化的区块链数据查询服务(BDS),帮助用户完成简单的条件查询和复杂的SQL原生查询。

产品特点:

  • 涵盖了 BTC、ETH、EOS、LTC、XRP、BCH 等几十个知名区块链项目,自定义了涉及用户、交易、区块等 100+
    独家数据指标,联网即可查询链上实时数据,即开即用,方便快捷。
  • 支持标准SQL查询语句,可轻松实现复杂的查询逻辑;依托京东智联云的软硬件及架构支持,同时具备查询速度快、查询效率高的特点。
  • 支持图形化、可视化界面,通过点击和拖拽的交互方式进行数据查询,可实时生成各类BI图表,定制专属与您的区块链数据仪表盘。

产品示例:
在这里插入图片描述
在这里插入图片描述
点击【阅读】,即可获取区块链主流公链最新数据

Alt

Alt

相关推荐

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 220

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 311

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 374

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 318

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 405

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 561

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 612

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 379

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 467

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 592

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 627

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 719

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 640

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 673

【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 563

【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 552

【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 610

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 906

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 871

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

京东 Oxygen xLLM 大模型推理引擎正式捐赠开放原子开源基金会,共建国产 AI Infra 生态

下一阶段 AI 基础设施的核心命题,不是简单的算力堆叠,而是让工程本身变得智能——让调度系统能自主感知负载特征并动态优化,让推理引擎能根据模型结构和硬件特性自动生成最优执行方案,让整个 AI 工程链路具备自感知、自决策、自优化的能力。未来,Oxygen xLLM 的项目官网、社区沟通渠道及微信社区将陆续向开发者开放,诚邀芯片厂商、模型厂商、云厂商、企业用户及个人开发者共同参与,让国产大模型推理引擎在开放生态中加速成长。硬件层,原生支持 GPU / NPU / MLU 多类 AI 芯片,深度适配国产芯片。

京东科技开发者 1007
上一篇: 《六周玩转云原生》- Serverless的前世今生
下一篇: 京东小程序开放平台,他来了
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 2140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