信息产业浪潮中,京东IoT的技术演进与实践创新

物联网正在改变着我们的世界。如今,在智能园区、智能城市、工厂,甚至街边的自动贩卖机中,处处可见物联网的踪迹。

据前瞻产业研究院的物联网相关报告预测,全球物联网设备数量将在一年内(2020-2021年)从307亿台增长到358亿台。前景一片广阔,各大企业也早已开始强化布局,积累各自的物联领域能力。如何落地IoT技术,让IoT更为快速地进入企业、进入千家万户,创造业务价值,是目前行业面临的挑战和机遇。

1月12日,由京东科技策划主办的线上公开课,来自京东科技IoT产品部的资深架构师黄勇通过《智联万物,京东IoT技术创新与实践》的演讲,梳理IoT产业的发展与技术演进历程,分享京东对IoT领域技术发展的趋势判断,展现京东在IoT技术与产业方面的创新与实践。

无数人提及未来10年是属于万物互联的时代。无疑,IoT将在未来扮演一个十分重要的角色。1982年,卡内基梅隆大学的学生发明了与 ARPANET 连接的可口可乐机器,从那时到现在,IoT的历史其实不过短短40余年。这中间,IoT技术经历着波浪形的成长,时高时低。在中国,IoT同样是一个新兴的产业,直到2011年,我国将IoT纳入“十二五”规划,中国才在国家层面有了IoT相关积累,后经过新基建、工业互联网、产业物联网发展,IoT在宏观层面越来越热,IoT技术基础也越来越成熟。

那么,IoT究竟意味着什么呢?互联网与物联网之间有着一定的联系,从数字化的对象出发,就可以对两者进行区分。狭义的互联网,是指对内容的数字化,而物联网的数字化对象,则是智能家电、机床、高炉、流水线、车辆等,关注万物,所以叫做“万物互联”。

 

2020年JDD大会,京东首次系统阐释了面向未来十年的新一代基础设施——京东数智化社会供应链,即用数智化技术连接和优化社会生产、流通、服务的各个环节,降低社会成本、提高社会效率。在这个长期的目标中,物联网作为重要的基础,连接了物理世界和数字世界,为社会供应链效率提供稳固的基石。

从技术层面讲,一般来说物联网技术分为四层:感知层、网络层、平台层和应用层。

感知层是物联网建设的重要成本项,把传统物件变成智能体的技术都需要一定的成本。感知层涉及到丰富的硬件,但归纳起来主要有三种用途:一是标识物体,例如用二维码、条码、RFID技术或NFC技术捕获信息;二是捕获数据,例如用温度传感器、加速计、陀螺仪等感知环境和动作;三是操纵物体,例如用线性马达、继电器等控制物体。

IoT技术发展到现在,感知层仍有一些需要突破的方向:更敏感和更全面的感知能力、解决低功耗的问题,以及解决小型化和低成本问题。

网络层实际上也是成本项。网络层的主要职责是连接感知与平台层,在通过感知层完成数字化后,通过网络层把数据实时上传到网络层进行处理。目前,因为成本、功耗等原因,实时传输实际上很难做到,未来这也是一个有待攻克的方向。

 

网络层主要有两种类型,一个是接入网,即贴近边侧的网络,它可以连接感知层,特别关注组网和协议;另一个是核心网,很多时候会复用现有的网络,和互联网的基础设施趋同。

网络层未来的突破方向,首先是优化连接成本、连接扩大规模,低成本的联网技术能提高IoT的便捷性和易得性;另外,通过软件定义网络的方式,也能让IoT的互达性越来越好。

平台层,当设备的数字化信息被网络层搬运后,就轮到了平台层进行发挥。平台层主要解决“效率”问题,通过现代的软件技术思路及落地优化,加快构建速度,降低单设备连接和数据处理成本。

平台层的主要涉及连接管理、应用使能、设备管理与垂直领域效率提高,未来的突破方向可以向着与云、大数据、AI技术与IoT平台结合的方向,降低物联网能力的使用门槛。

应用层是在整个IoT链路中的价值抓手。最大的挑战和机遇,是发掘业务价值。

京东科技认为,万物智联技术将遵循这样一条发展路径:解决设备感知问题→在云端建立设备孪生的实体/数字体,低延迟地把现场的物体反映到云端,变成数字化的孪生对象→场景孪生,解决云边端一体协同和不同场景数据的融合计算问题→数字孪生供应链,构建生态,创造价值。

在具体的技术点上,京东科技认为IoT有四个重要的方向:

1. 数字孪生,把物理世界和数字世界联系在一起,将万物数字化,改变人类与物理世界交互的方式;

2. 边缘计算,随着网络技术的延伸,将云端事务处理迁移到边缘,以实现低延迟、高性能;

3. 物应用框架,随着物应用和物联网的深化,应用形态会越来越多,应用框架和应用生态也将更加重要,物联网未来的发展趋势中,事件驱动的流式计算是将来的IoT应用的一个核心计算形式;

4. IoT数据智能,IoT会产生大量数据,物联网产生的数据如何与其他数据结合,以及如何解决安全上的问题,都是数据智能方面有挑战的方向和趋势。

针对这些发展方向,京东科技在IoT技术方面做了很多探索。目前,业内比较常用的说法,就是“数字化、网络化、智能化”,这是一些物联网或和工业互联网发展一定绕不开的名词。京东科技认为,简单的表述,数字化由IoT技术承载,网络化靠云能力支撑;智能化发挥AI的优势。

IoT能力是以孪生为核心的物联网基础设施,通过直连、代理等设备接入方式,经过协议适配、设备连接、消息处理后,将其连接到核心能力层的数字孪生世界,向上层提供孪生服务能力。

在这个数字孪生世界里,京东科技目前所做的事情,围绕着构建设备孪生、场景孪生,以及构建数据处理的能力展开。把物理世界的设备通过各种方式连接到数字孪生世界,在其中进行偏向物特性的基础处理,提供插件化的业务拓展机制,并把获得的信息传递给上层具体业务领域应用或数据商,如大数据平台、监控或警告系统等。

具体到实践中,京东科技在连接设备、描述能力、表达设备和表达场景等角度进行了一些探索。

1. 连接设备。京东科技在实际的物联网落地中,积累了丰富的设备连接经验。比如在智能家居领域多用Socket等长连接的方式,在较通用的物联领域会用MQTT协议,而在低功耗领域则采用CoAP协议。在具体的工业项目中,边侧会提供很多网关和更丰富的连接方式。设备连接到云端后,京东科技主要攻克了高性能集群,水平扩展支持,以及海量设备接入和主题订阅。

2. 描述能力。设备连接后,通过代码方式实现设备的交互逻辑,是一种比较容易的方式,但这种方法的工程效率不一定高。为了解决这类问题,京东科技采用物模型来表达设备运行特性。物模型是京东科技物联管理平台运转的重要基础,简单来说就是“属性、事件、服务”,模型之间可以存在嵌套,以反映物理世界对象之间的关系。通过物模型数量的沉淀、可描述角度的增加,平台能力正在不断提升。

3. 表达设备。京东科技在核心代码中深度实现基于物模型的物能力描述方式,结合上下行数据流,实现设备的数字化表达,进而提供物理世界设备的数字化“看”和“动”的能力-设备孪生。值得注意的是,结合实际应用场景和认知深入,京东IoT在设备表达上经历了一些关键的技术实践变化,从最开始的“设备快照”,演进到后来的“设备影子”,直至现在的设备孪生。

4. 表达场景。设备不是孤立的,处于业务场景之中;设备孪生也被场景孪生所包含。场景孪生包含设备、人、环境等要素,需要通过场景引擎串接起来,完成一系列场景的任务,实现数字与现实结合的场景能力。

但这些仅仅是在IoT平台类技术上的一些探索,没有业务落地的技术,只能是空中阁楼。京东的IoT业务有哪些落地呢?实际上,经过多年深耕,京东IoT早已在消费、地产/社区、能源等领域积淀了大量成功的落地实践案例。

京东在消费领域具有天然的优势和根基。2014年,京东开始尝试做消费物联网,是从智能家居开始,基于7年多的积累,京东物联网能力孵化出智能家居服务系统和社区管理系统。这些系统可以连接京东设备或广泛的第三方设备,结合京东的零售能力、社区服务能力,提供丰富的消费互联网解决方案。

地产/社区领域与消费领域有着内在的联系。智能家居领域的设备接入往往从设备设计阶段就开始,大量工作都产生在产品研发阶段,发布之后偏向解决并发性能问题和连接稳定性问题;但是在更广泛的ToB领域,IoT连接设备众多,且连接的协议不同,顶层标准设计缺失,没有统一的标准和规范,甚至项目开始时设备已经安装完,导致设备互联互通充满挑战。进入地产领域,京东在这些问题上积累了较为丰富的经验。基于京东物联网基础能力,为地产商、社区服务商和物业服务人员提供整套基于场景的解决方案和IoT技术能力。

在能源领域,京东科技有着相当大的投入,并取得了丰富的成果。

在典型的火电站合作项目中,数据采集的方式多样,数据频度很高,AI分析对算力的要求较高。京东科技利用自身在云服务成本和计算效率方面的优势,很好的完成数据采集、计算、建模和参数优化的技术过程,帮助降低火电站的生产效率。

从“网”的角度,京东科技通过与一些能源企业合作,解决边缘的海量接入问题,验证了物联管理平台的并发和扩展性能,打磨了物联管理平台的业务能力,很好的完成了这项作业。

 

从IoT的发展历程中可以看到,IoT还是一个新兴的行业,技术和场景应用落地正在奔向快车道。京东作为国内较早一批探索IoT的科技企业,也在跟着云和万物互联的时代,在探索中不断学习成长。

万物互联正当时,消费者端想要获得更优的体验,体会到真正的智能带给生活方式彻底的改变,IoT产品和服务的提供商,下一步的首要任务就是要早日解决数据互联互通与数据融合的挑战,从技术角度和商业考量上,扫清IoT进一步发展的障碍。

点击【阅读原文】

查看技术公开课视频回放

回复关键词“PPT210112”

获取演讲PPT和视频资料

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 44

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 225

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 314

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 375

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 320

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 407

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 562

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 615

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 383

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 469

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 595

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 674

【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 907

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: Elasticsearch和Kibana变更开源许可协议;Facebook利用AI增强为视障人士描述照片能力...
下一篇: PPT丨智联万物,京东IoT技术创新与实践
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