从开发平台到智能供应链,AI技术如何推动企业智能化升级?

4 月 20 日,国家发改委首次明确“新基建”主要涵盖领域后,“新基建”再次被送上热搜。

事实上,从中央深改委会议审议通过《关于推动基础设施高质量发展的意见》,到中央政治局常委会会议提出“加快5G网络、数据中心等新型基础设施建设进度”,顶层设计为新型基础设施建设按下“加速键”。

对于京东来说,落子“新基建”以及今年 3 月整合原有京东云、京东人工智能、京东物联升级为全新“京东智联云”品牌,它正在向“以供应链为基础的技术与服务企业”不断前进。对于帮助企业利用云与 AI 进行智能化升级的话题上,京东智联云有它的话语权。4 月 24 日京东智联云开发者线上技术沙龙,一起来看技术大咖们为我们解读了哪些技术亮点。

京东利用平台优势帮助企业实现新旧动能转换

京东云与AI 解决方案架构师

京东云与 AI 解决方案中心解决方案架构师明笛认为,“新基建”的“新”主要体现在两方面:

一是,从建设内容上,在传统的公路、桥梁建设外,还囊括 5G 基建、工业互联网、人工智能、大数据中心建设等新内容。

二是,从服务和受益的人群看,随着基础设施的完善,越来越多的一般消费者将因此受益,也给中小传统产业的数字化、信息化改造提供机遇。

具体来说,京东智联云如何帮助企业做智能化升级呢?

聚焦于“新基建”中人工智能这个领域,京东智联云构建了一个人工智能公共服务平台作为 AI 基础设施,整体架构包括底层基础支撑、技术中台、解决方案中台、产品形态、应用场景几个部分。

技术中台,包括了京东物联网、人工智能、大数据、区块链、AR、VR,还有移动开发等方面的基础能力,作为技术赋能的平台。在技术中台之上有着针对产业生产的全链条流程,在明笛看来,在生产各个环节,京东智联云都能利用平台优势,帮助企业实现新旧动能转换。

具体来说,在概念设计环节,假如企业想开发新产品,对于它关注的用户、市场、使用场景、竞争优势、投入产出比等问题,京东智联云都可以为企业的商业分析提供参考。

在开发和测试环节,京东人工智能公共服务平台提供开发测试模块。针对传统产品,京东智联云还提供工业设计软件,帮用户在概念设计后,进行产品设计。

面向软件企业,会提供基于研发测试流水线的产品,以及京东自研的中间件产品,帮助软件企业开发做云架构迁移,提供集成部署和发布环境,加快开发进度。针对硬件企业,提供物联网平台,帮助企业实现设备集成做好智能家居、智能物联网的开发。

产品生产完之后在流通销售环节,可以依托京东智能供应链对流通领域进行赋能,帮助企业做精准用户触达和营销,提高产品最终转化率。

在现场,明笛还分享了京东智联云帮助水果机器人判断鲜橙新鲜程度的案例。利用京东 AI 图象识别能力,帮助合作企业解决了判断鲜橙新鲜度——“新鲜度不高的先榨汁,更新鲜的后榨汁”的核心诉求。

NeuFoundry,帮助企业快速打造智能中台

京东云与AI人工智能平台部架构师

什么是 NeuFoundry?它是京东智联云基于京东丰富的业务场景,以国家级的智能供应链平台为背书,为企业定制的智能中台。NeuFoundry 覆盖从数据标注-模型开发-模型训练-服务发布-生态市场的人工智能开发全生命周期,并预置高净值的脱敏数据、经实战验证的成熟模型以及典型项目场景,同时提供多种安全、灵活可定制的部署及交付方案。

对企业的赋能,离不开被称作“企业私有化 AI 能力铸造厂”的 NeuFoundry,它主要包括:数据管理功能、AI 能力定制化功能、AI 服务支撑三大板块功能。

在现场,京东云与 AI 人工智能平台部架构师朱二涛介绍了常见的机器学习预测算法原理。

首先,他提到了机器学习和深度学习的两点区别:

  • 特征提取上,机器学习主要靠手动完成,深度学习由多个层完成,通过训练大量数据自动得出模型。
  • 数据量和计算性能要求上,机器学习执行时间远少于深度学习。深度学习需要大量训练数据集和算力。

机器学习可分类为监督学习和无监督学习。监督学习又可分为:分类任务(如逻辑回归、朴素贝叶斯、决策树算法等)以及回归任务(如线性回归、随机森林算法等),而无监督学习,则是以聚类任务为代表。

那么,NeuFoundry 中自动化机器学习使用的是什么架构?

传统机器学习项目全流程,需要经历数据收集、数据清洗、特征工程、模型训练、模型发布以及模型预测等全生命周期。

朱二涛重点介绍了一下特征工程,在机器学习领域有这样一句话“数据和特征决定了机器学习的上限,模型和算法是逼近这个上限“,因为大家都知道,模型和算法是不可能 100%准确,只是我们看到的误差最小而已。在原始数据的隐含业务特征不是很清楚时,特征工程的作用就得到了很大的凸显。

原始的特征工程,可能更多依靠算法工程师对业务的理解以及历史经验。而除此之外,还有自动特征工程,自动特征工程进行了自动化的特征交叉和特征选择,能够构造出一些仅凭算法工程师经验无法构造的隐晦特征,然后拿新特征去做模型训练,从而得到更精准的结果。

在 NeuFoundry 中,就用到了自动特征工程,如手工构造直观新特征,包括经典通用特征、机器学习比赛 top 选手的特征工程方案、京东商城里在零售库存物流方面的业务经验,也会被囊括进来。

另外,NeuFoundry 的自动特征工程,还会利用机器学习平台计算力的优势,大量枚举候选有效特征,使用简单模型进行有效性验证来自动生成隐晦特征。

在后续的模型训练环节,通过 Auto-Sklearn 自动进行模型选择和参数调整,可以最短的时间消耗下找到适合的模型和参数,以一定的计算代价,代替算法工程师的工作时间,训练生成一套模型组成的服务,进行评估模型效果。

想要上手 NeuFoundry,创建一个自动化机器学习分类的训练任务?赶快关注京东人工智能开放平台,以及通过阅读原文回看分享视频吧。

传统客服向智能客服升级转型,是大势所趋

京东云与AI自然语言部架构师

疫情期间,京东智联云的疫情机器人走进了更多人的视野。除了提供科普知识、热门问题、定点医院信息、在线药房链接等,机器人还能通过 AI 对疑似病患提问进行分析判断。实际上,京东很久以前就开始在智能客服机器人领域布局,京小智在两年前就已诞生。售前导购机器人,是这个布局中的重要一环。

提到智能客服,很多人都会想到售后处理机器人。京东自然语言部架构师陈蒙介绍到,售前导购机器人更像是个性化的售前助手,可以解决关于产品的疑问,同时也可以提供购买建议。

以京小智为例,它通过智能应答系统,能够回答用户提的各种问题。当它觉得足够自信时,会直接回复。即:机器优先模式。同时,京小智还有一种模式,即:辅助人工模式,也叫“人机协作模式”。具体来说,当客服在线时,可以选用人机协作模式,它会提供答案供工作人员参考,加快客服人员回复效率。

依靠这种模式,在 618 这种大的节日导致咨询排队、客服紧缺的情况下,会尽可能先让机器答,机器处理不了的问题,再让人工回答,这样就可以大大减轻客服工作负担。

此外,在智能营销上,京小智也能给提供建议。卖完东西后,它还可以做决策分析、为商家提供更多数据支持。

那么在这样产品背后,会遇到哪些技术挑战,又需要什么样的技术支撑呢?

售前咨询对话这个问题与其他的自然语言处理任务相比不一样,需要让机器考虑上下文,涉及到上下文建模的问题;以及任务型对话,如:需要系统做查询才能给出答案的场景;还需要考虑到用户情绪进行智能回复,以及对问题时效性的保证。

目前京小智在技术上的路线,主要分成两大部分,第一是应答,第二是转化。

应答指的就是“回答用户问题”。陈蒙提到,对于应答,就是要组建一个强大互补的应答者联盟。面对用户千奇百怪的问题,应对技术也必须要有不同的技术方案,比如对应分类器、检索式对话、生成式对话、知识图谱、推荐机器人、阅读理解机器人等等。

举例来说,分类器主要适用于高频的或者答案相对固定的问题,优点是对头部问题的覆盖非常直接,缺点是在分类错误的情况下,更新不是特别灵活。检索式对话则提供灵活的个性化解决方案,适用于商家自定义的长尾问题,优点是问法和答案都可定制,非常灵活,缺点是泛化能力有限。

对于转化,机器其实需要像人一样学习,学习一些精准的智能营销导购技能。比如有用户在咨询完后,说“考虑一下”,这时,机器就需要判断:“该用户到底有没有购买意愿?他的购买意愿有多强?如果购买意愿很强,是不是可以在五分钟后,给对方主动发消息问他考虑情况或者发券,智能的催拍催付”,这样其实是非常直接促成转化的手段。

售前导购咨询的前景如何?消费者期望智能客服是客服、更是行业专家。陈蒙也给出了自己的看法:

  • 传统客服向智能客服升级转型,是大势所趋,“新基建”是最佳契机;
  • 智能客服的下一个大市场是——智能营销;
  • 最高效的产品形态是人机融合,而不是完全取代;
  • 具备复杂对话能力的语音外呼机器人大有可为。

C2B 反向定制驱动智能供应链变革

京东云与AI人工智能平台部高级产品经理

什么是 C2B?许俊恺认为,从消费侧数据入手,进行相应分析,反哺供应侧,在通过细分人群的划分,用数据驱动零售侧进行精准的触达,构建以消费者为中心的供应链结构。

对于 C2B 的具体阐释,就是在供应侧,对人货场消费大数据进行解析,解决“为谁做”的问题;在零售端,通过用户洞察和市场洞察,提供相应的决策建议和精准营销,增强精准触达能力,在合适时间、以合适方式触达消费者促进消费者真正完成对商品转换的提升,形成有效率的营销。从供给侧到零售端,通过用户分析的一以贯之,保证实现“为谁做的产品就卖给谁“的效果。

京东的智能供应链就是以人工智能算法为核心,通过在生产、流通、消费的全环节的智能化能力的输出,全链条提升人货匹配效率。京东的供应链平台,在应用服务层,提供应急管理、产业创新、KA 企业方面的赋能;在平台产品层,提供智能供应链管理平台、智能C2B平台以及供应链企业信息管理平台等等相关平台化产品,在能力层,则有大数据分析能力、AI 能力、云计算来提供相应的技术支撑。

总的来说,智能 C2B平台由市场洞察、用户洞察、品牌营销和反向定制 4 个核心模块组成。通过市场洞察和用户洞察相应的消费数据分析,反哺到生产和消费侧,提供反向定制、精准营销等等定制化产品服务,切实提升商品竞争力和销售表现。

在用户洞察方面,其实是对用户搜索,App 浏览和使用习惯等行为数据,评论、问答等评价数据以及用户画像进行综合研判,来推断用户动机,再通过 AI 算法模型,具体分析出用户最终对产品的购买意向和程度。在市场洞察方面,则对整体市场、细分市场以及竞品进行相关的分析,帮助客户了解目前市场上商品分布,品牌分布等等情况。

在通过整体数据分析后,得到的数据结论,往上游会支撑到生产端,往下游支撑到消费端。生产端这一边,我们就把它叫做反向定制。

反向定制,一方面,通过核心指标选定,对商品属性本身的市场,和市场上相关表现指标,进行对应,输入到模型,找到在市场上表现会比较优异的商品属性的复合组合。另一方面,也会针对用户在商场里发生的行为,包括评论、问答,搜索,挖掘用户隐性痛点,帮助用户去找到他们真正想要的东西,提供给品牌商,定制爆款产品。

京东的 C2B 反向定制总结一下可以解决以下问题。

  • 基于京东海量用户和商品数据,从消费者需求出发,多维度深度挖掘消费者潜在需求,定制爆款;
  • 支持基于 UV 转化率的定制,提升新品转化、实现老品升级;
  • 支持基于评论等文本数据,进一步挖掘用户痛点和产品卖点,辅助品牌商进行亮点打造。

许俊恺最后列举了一些大型品牌商的具体案例,基于消费者需求洞察的新品反向定制,京东提供的全链路支持,使得品牌商精准匹配消费者需求以及达到成本的降低和利润率的提高。

技术的核心在于落地实施和价值创造,而京东智联云依托智能供应链完善的平台架构和服务体系,正是推动企业数字化、网络化、智能化升级的有力推手。

点击 【阅读】 获取沙龙视频

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 220

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 236

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 325

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 387

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 326

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 412

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 566

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 621

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 390

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 475

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 598

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 632

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 722

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 642

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 676

【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 565

【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 729

【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 554

【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 911

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 753

【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: PPT | 新基建背景下的企业智能化升级
下一篇: PPT|微服务架构下,服务治理体系的演进
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