京东智能客服言犀启发式问答技术探秘

文章作者:邹波、宋双永、孙博秋

1. 背景介绍

近年来,随着智能客服机器人在电商平台上的使用越来越多,用户满意度和问题解决率已成为评价智能客服服务质量、衡量用户体验的最重要指标,而用户体验主要受到用户的交流便利性和服务机器人的答案准确性影响。为了提高智能客服机器人的服务水平,我们提出了一种启发式问答框架。

该框架在用户咨询的“前中后”全环节,通过问题预测的方式,给出若干个候选query,引导用户通过“点点点”来完成咨询,以减少用户输入,规范用户表述,收敛用户问题。

在此过程中需遵循原则:
1)候选query都是规范的表述;
2)用户点选候选query之后,系统都应该给出正确答案或进入正确对话流。

2. 落地情况

京东智能客服启发式问答主要包括,咨询前-问题预判,咨询中-联想输入,咨询后-关联推荐三大模块。目前,已有1/3的消息可通过启发式问答体系点击完成,很大程度提升了用户的交流便利性,同时根据线上业务统计效果显示,该体系帮助有效提升了整体的智能客服问答准确率、用户问题解决率以及用户的反馈满意度。

图1 启发式问答落地情况

3. 算法技术介绍

3.1 咨询前-问题预判

在顾客进线咨询前,机器人会对顾客的咨询意图进行预测(简称问题预判),并将顾客可能咨询的问题推送到前台界面,供顾客点选。这样可以降低用户咨询的费力程度,也能在一定程度规范用户的表达降低后续机器识别的难度,提升顾客整个购物和咨询过程中的体验。

3.1.1 预判引擎

我们设计一种基于海量业务数据沉淀和分析的引擎(简称预判引擎),该引擎有几个核心价值:

1)快速支撑不同业务问题预判需求接入;
2)沉淀海量业务数据和部分用户脱敏数据;
3)建立基于海量数据的问题预判统一模型;
4)挖掘并不断完善预判模型自学习能力。

随着接入业务的增多,预判引擎自身沉淀的业务数据、算法、以及预判能力都在持续提升,最终形成一个良性的闭环,提升用户进线咨询的体验。

图2 预判引擎总体架构图
数据层:通过不断接入更多信息,沉淀海量业务数据,并在不同的业务中复用这些数据。这些数据包括用户进线咨询前的购买信息,进行系统分析。
存储层:包括实时数据计算框架Flink,分布式数据存储HBase等
算法层:基于DeepCTR体系下的DeepFM和DCN等,用于建立预判模型
服务层:基于之前的数据、存储和算法层,提供用户进线的问题预判,以及用户进线咨询的订单预判等
业务层:包括在线机器人客服、在线语音机器人客服、人工客服等

3.1.2 冷启动和热启动

为什么会有冷启动?当外部系统需要使用预判引擎服务,我们得先准备好预测用户进线问题的模型,才能提供该服务。冷启动的过程,就是接收外部系统输入数据,结合预判引擎内部数据,以及用户当前进入的咨询意图,综合记录下这些信息用于建立问题预判模型。

冷启动过程中,预判引擎是不能直接提供模型预测服务的,只有当有了足够的数据支撑后,做好训练好预判模型,才能对外提供问题预判模型预测服务。

以人工客服端接入预判请求为例,如图2所示,冷启动有如下四步骤:

图3 冷启动流程图

(1)接入数据整理
a) 第一步,我们找到一些业务专家,离线对人工客服咨询的各类问题进行分析,甄别出可能对进行问题判断有帮助的信息。注意这里收集原则是,能直接或间接决定用户进线咨询问题。比如,用户有退换货申请时会提交的服务单。这个服务单对应的状态,类型等信息,很可能决定用户进线咨询问题。类似的人工客服数据还有工单、纠纷单、赔付单等。

b) 第二步,实现关联信息的线上实时获取,需要时可直接调用系统接口获取。

(2)发起预判请求
a) 当线上真实用户进线时,外部系统优先获取(1)中的相关信息。注意,这里需要实时获取,保证信息的时效性,务必是用户进线这一时刻对应的服务单、工单等信息。

b) 调用预判引擎,获取问题预判信息。由于是冷启动过程,引擎接口在调用相关信息处理模块的同时,也会调用配置问题模块,从中获取一些人工端用户经常咨询的问题。这样,即便在冷启动过程中,也能保证在每次请求有信息返回,不至于返回空。

(3)数据处理与缓存
a)调用预判引擎内部数据源,结合外部传入数据,形成一份统一的预判源信息源。比如,内部的订单信息、外部传入的服务单、工单等。

b) 将所有获取的信息缓存在DateBase中,以便后续离线流程使用。

(4)离线模型训练
a) 离线获取之前缓存数据,作为模型训练的特征;再获取用户进线咨询的意图,作为模型训练的标签。这里每一个训练样本,都是一次真实用户进线那一时刻,对应用户的订单、服务单等信息,以及进线后咨询意图分类。必须保证同一用户,同一时刻的数据,这样训练样本才是有效的

b) 模型训练:基于上面已获取的数据,训练一个分类模型。这里采用业界常用的分类模型都可以完成这个步骤,比如XGBoost等。

一般情况,受收集数据量的影响,冷启动过程大概需要1-2周。比如,我们需要建立一个100类问题的问题预判模型,预估需要总共收集50w条数据来训练模型。假设每天外部系统能有10w次的调用量,那理论上就需要5天的数据收集时间。

当完成模型建立,将模型加载到系统中,系统就能够提供线上模型预测服务。此时,外部系统再次调用,就可以获得模型问题预判的结果,引擎也就真正具备了模型问题预判的能力。

热启动流程如图3所示,主要有以下两步骤:

在这里插入图片描述
图4 热启动流程图

(1)发起预判请求
a) 对于外部系统,无需再获取任何数据,只需直接发起预判请求。所有数据获取,模型预测的步骤,都交由预判引擎完成。

b) 外部系统提供一个用户唯一标识(pin),传入预判引擎用于数据获取。比如,上文提到的服务单、订单等信息,都可以通过pin查询到。

(2)预判引擎处理
a) 根据传入pin获取相关数据。这里把冷启动过程中,在外部系统获取的数据,直接沉淀到预判引擎系统中。这样,随着越来越多的外部系统接入,引擎就能积累更多的数据,并且可以在不同业务复用这些数据。

b) 基于已获取的数据,模型预测得到问题预判结果,并直接返回给外部系统

c) 热启动过程获取的数据也需要缓存下来,后续可用于模型的训练和调优
通过预判引擎收集并沉淀外部的数据,在下一个业务接入时,这些数据都是可以复用的。同时,由于各个端的咨询业务类型都很类似,所以问题预判的模型也可以复用。这样我们就构建了一个能够快速支撑不同外部系统接入问题预判服务的引擎。随着更多的外部数据接入,预判模型的预测也能随之变得更准。

3.1.3 预判算法

基于以上收集的用户进线咨询信息进行建模。采用用户进线第一个业务问题对应的分类作为标签,模型结构可参考图5。我们围绕DeepCTR体系下,尝试了DCN、DeepFM、Wide&Deep等模型,并且增加LSTM网络用于处理用户实时特征。其中DCN模型作为Wide&Deep的扩展,能够在深度网络基础上,很好的学习交叉特征之间的关系。我们总共搜集532k条样本,分类数量总共120个,效果最好的DCN模型,准确率能够达到40.73%。
在这里插入图片描述
图5 问题预判模型结构图

3.1.4 预判自迭代模型

预判模型上线之后,我们观察到两个现象。第一,随着时间推移,模型的准确率和点击率会有波动。第二,对用户咨询意图数据做聚类分析,发现京东618、11.11等大型营销活动(下文简称“活动”)期间咨询意图分类和平时有明显区别。从咨询分布来看,活动前活动咨询和商品咨询比较多,活动后催单类的咨询比较多。通过聚类分析,我们可以把用户咨询意图分布分为平时、活动前、活动后、半年前这几种情况。

在这里插入图片描述
图6 用户咨询数据聚类分析
在这里插入图片描述
对于以上4种意图分布情况,分别用各自的数据训练模型,并交叉验证准确率结果。最终实验结果表明,各模型都在自己的验证数据上准确率最高,在其他的验证数据表现略差一些。

针对这个问题,我们设计了一套自动触发训练、验证、上线的自迭代模型。这套机制能够基于线上实时意图分布数据,自动适配分布最相似的问题预判模型。在意图分布偏差超过阈值时,自动触发模型训练生成新的问题预判模型,保证模型的时效性,提供更好的用户体验。
图片
图7 问题预判自迭代流程图

3.2 咨询中-联想输入

联想输入又叫句子自动补全(query auto-completion),常用于现代搜索引擎中,目标是在用户输入过程中预测完整的query,并按照相关性排序后推荐给用户点选。通过辅助用户输入,避免输入拼写错误或表述模糊的query,提升用户体验。

3.2.1 整体流程

现有对话系统中句子自动补全的主要流程是,获取用户输入的prefix后,先从语料库召回一批与用户输入prefix相关的候选query,再通过特定的排序算法对候选query进行相关性排序,最后取排名最高的若干个query推荐给用户。

在京东智能客服系统中,为提升整体效果增加了敏感词过滤,繁简转换,文本纠错等功能。以下是我们优化后的联想输入全流程:
图片图8 联想输入整体流程图

3.2.2 query算法排序

整体流程中的算法排序功能,通过Learning-to-rank机器学习模型对召回的query进行排序,取排序中前n个query作为最终结果推荐给用户。总体实验数据89k,使用以下三类特征,
1)意图特征,包括Query-class Distribution,Session-classDistribution等5种;
2)文本特征,包括query长度,document长度,query-document长度比例等9种;
3)统计特征,包括语料三天内点击量

算法建模采用以下思路:
实验一:仅用文本特征+统计特征,作为baseline
实验二:直接增加意图特征,用于排序模型
实验三:不直接使用意图特征,而是建立基于prefix的意图预测模型,将预测的prefix意图用于排序模型

实验结果表明,将意图特征+文本特征+统计特征用于排序效果最好,整体top3准确率达到89.1%。
在这里插入图片描述

3.3咨询后-关联推荐

关联推荐又叫下一问题预测,在给出当前问题答案的同时,将接下来可能咨询的问题推送到前台供顾客点选,以降低咨询的费力程度,规范顾客表达降低后续机器识别的难度。

传统的关联问题推荐方法有两种,要么完全靠人工配置问题,要么完全靠模型推荐问题。第一种方法过度依赖人的能力,配置工作量大,且配置的问题不具备时效性;第二种方法,也是对话系统中常见做法,可能出现一些明显的推荐错误,导致顾客觉得机器人不够智能。

京东智能客服颠覆传统独立运营配置或独立模型推荐的模式,探索AI推荐与运营配置深度融合的解决方案,充分利用AI的优势弥补人工的短板,使得两者结合产生1+1>2的效果,为产品带来提升。

3.3.1 总体流程

图片
图9 关联问题推荐总体流程图

1)离线流程
运营触发:运营判断该答案节点需要配置关联推荐问题,触发关联推荐离线问题挖掘流程
挖掘模型:自动挖掘关联推荐问题,供运营同学配置关联问题参考。
人工配置:基于挖掘结果,人工选择性的配置关联问题到系统中
数据回流:前端点击数据,可以返回给人工配置模块,供运营参考并调整配置

2)线上流程
应答树:用户请求经过机器人的意图识别和应答模块,已定位到具体的答案节点
关联推荐:该答案节点配置有关联问题推荐,根据已配置的内容出关联问题
排序模型:基于配置的关联问题,模型重新进行排序,给出最终的推荐问题供前端展示。可参考用户订单、当前意图、用户历史点击等信息,建立排序模型。
数据回流:用户点击信息,可以回流用于线上排序模型的建模
离线挖掘模型

离线挖掘采用的两种方案,挖掘结果上可以互为补充,共同给到运营做关联推荐配置问题的参考。一方面保证了挖掘出问题的多样性,另一方面也保证了问题的准确性。

方案一:计算答案结点ANSWER_NODE,到下一句意图B的转移概率,再基于意图维度进行归类和排序。该方案优势是最终结果更丰富更规范,不足之处在于,不是直接对用户的下一个问题进行挖掘,挖掘结果可能缺乏针对性。

具体步骤:
(1)计算答案节点-精细化意图转移概率
a) 对于任意答案节点ANSWER_NODE,在他之后的所有用户问题对应的意图分类,假设是10A,10B,5C,5D,10E,ABCDE分别对应不同意图,那么从ANSWER_NODE到A的转移概率就是10/40=0.25,ANSWER_NODE到C的转移概率5/40=0.125

(2)根据转移概率值、全局意图咨询量等条件筛选答案节点相关意图
a) 转移概率用于不同答案节点下推荐的意图排序
b) 意图咨询量是基于全局维度统计的,目的是筛选出顾客经常咨询的意图
c) 综合转移概率和意图咨询量筛选相关意图信息

(3)对每个答案节点的top3相关意图提取高频问法
a) 对于已筛选出的意图分类,统计该意图的高频问法,作为待推荐的标准问题

方案二:基于答案结点ANSWER_NODE,统计下一句用户问题,并基于问题做聚类。该方案优势是挖掘的问题目标更加精准,不足之处在于下一句的问题较发散,也存在部分无意义的句子。

具体步骤:
(1)提取触发答案节点后的用户问法

(2)根据意图类型等因素对各答案节点关联问法聚类
a) 聚类直接用层次聚类或k-means聚类方法
b) 对每个答案节点下的所有用户问题进行聚类。经过聚类后,可得到用户真实问法,以及问题出现次数。

3.3.2 线上排序模型

当用户输入问题走到对应答案节点,且该节点已配置关联问题推荐时,会触发关联问题推荐功能,给前端用户展示已配置的问题。在此之前,排序模型会对配置的N个问题进行重排序,将模型认为用户点击概率最高的问题排在最前面。

特征采用以下三类,包括
1)文本特征:query和document公共词数等3种;
2)意图特征:query意图与document之间的转移概率等5种;
3)业务特征:订单类型/状态,商品品类信息等5种

模型采用句子对匹配的深度模型,如ESIM、ABCNN、DIIN等。query和各个document组成句子对,通过深度相关性模型预测query和document之间相关性。

图片
图12 关联问题排序模型结构图

实验结果表明,仅用ABCNN深度模型捕获query和document相关性特征是不够的,还需要结合其他特征做XGboost融合模型效果最好,目前最优top3准确率97.9%。
图片

4. 未来提升空间

以上给出的京东智能客服启发式问答相关能力的打造,均是基于京东智能人机交互平台-‘言犀’,相关工作已经被数据挖掘/数据库领域的知名会议DASFAA录用。着眼未来,我们还可以从以下几个方向去做提升:

第一,从单个功能各自预测,到启发式问答整体预测,避免重复问题。
第二,解决多轮问题的重要手段之一,提升对话流畅度,缓解首句直接转人工。
第三,毋需事先配置,自动实现基于深度语义理解的多轮启发式问答,引导用户清晰表述诉求。

-End-

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 221

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 319

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 613

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 380

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 593

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 628

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: 京东智能客服言犀启发式问答技术揭秘
下一篇: 荣登国际顶级机械臂赛事榜首 京东探索研究院计算机视觉技术获国际认可
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