提高IT运维效率,深度解读京东云AIOps落地实践(异常检测篇(二))

作者:张宪波、张静、李东江

如何提高IT运维效率是众多运维人员的难题,这不仅是对内容繁杂、持续变化、支持不同的业务需求加以描述、加载和维护,更要对运维和业务运维需求、过程、结果的管控,以及对整个管理信息系统运行状态的管控。京东云AIOps的时间序列异常检测识别故障对系统效率大大提升。它能基于深度学习对运维时序单指标和多指标指标进行异常检测,快速发现线上业务问题,为运维人员降本增效。

基于深度学习对运维时序单指标和多指标指标进行异常检测,快速发现线上业务问题

时间序列异常检测识别故障对系统的正常运行颇为重要,准确率高的异常检测对系统的稳定性具有重要意义。时间序列的异常检测已经研究了几十年,业界提出了各种有效检测方法。我们提出了一种基于深度学习的时间序列异常检测模型。该模型由三条并行管道组成,每条管道包含一个卷积单元,该卷积单元与改进的注意力机制串联,负责时间和空间特征提取。在京东内部多个数据集对所提出的模型进行评估,结果证明了所提出模型的有效性,所改进的注意力机制的在运维多指标异常检测上有较好的表现。

为了确保系统稳定运行,需要用一个或者多个指标来评价系统是否在正常运行,常用的评价指标有单变量时间序列(UTS)和多变量时间序列(MTS)。例如,交易量和网络流量是关于在线支付的两个常用监测指标。挖掘时间序列的异常值对于系统的稳定性以及根因分析都具有重要意义,及时发现这些异常值,可以有效的降低故障的发生的概率。

现有的时间序列异常检测分析方法大致可分为基于深度学习的方法、基于非深度学习的方法和传统方法。自回归移动(AR)及其变量如自回归平均模型(ARMA)和自回归求和滑动平均模型模型(ARIMA)是分析时间序列的一些基本方法。动态时间规整(DTW)是另一种基于距离的经典异常检测方法,其变种如 DTW-I、 DTW-D 和 DTW-A为常用的baseline方法。异常检测也可以简单看成二分类问题,所以机器学习算法,如隐马尔可夫模型(HMM) ,k 最近邻(k-NN)和支持向量机(SVM) ,也是用于异常检测的常用算法。

上述方法为时间序列分析打下了基础,然而,为了更好地适应特定的实际领域,非深度学习方法不能适应计算机系统复杂和动态的变化,这也是非深度学习方法的一个局限性。深度学习具有强大的特征提取和行为预测能力,这使得深度学习可以很好的适应异常检测,特别是对于有大量输入信息和动态特征的情况。

卷积神经网络(CNN)是实现深度学习的最常使用的框架之一,并逐渐成为图像处理方面的主流技术。除了卷积神经网络(CNN)之外,递归神经网络(RNN)因其对历史信息的记忆能力而在时间序列的异常检测有着很好的表现能力。基于类似的 RNN 设计,其变种长短期记忆人工神经网络(LSTM)和门控递归单元(GRU)在时间序列异常检测问题上具有更好的性能。

基于 DL的时间序列异常检测模型,如 MC-DCNN ,ALSTM-FCN ,C-LSTM ,TapNet 等在业界被频繁使用。与基于非深度学习的方法相比,这些模型需要很少的先验知识,但能够获得更好的检测结果,特别是当涉及到复杂和传统方法难以解决的情况时,深度学习方法能够很好的处理。

注意力机制已成为业界算法同学的一个广泛选择,基于深度学习的框架结合注意机制往往获得更好的性能。它也被用于异常检测任务,我们对现有的时间序列分析注意机制进行了细微的改进,以更好地适应实际应用。

我们提出了多注意综合卷积网络(Mac-net)异常检测模型。时间序列以快照的形式存储输入到 Mac-net模型中,Mac-net模型由三条平行的卷积注意管道和一个全连接组成。卷积注意管道包括 CNN 单元和改进注意力单元。CNN 单元负责空间特征提取,注意单元负责时间特征提取。我们改进的注意力机制将大部分权重分配给重要的历史输入,同时抑制其他较不重要的输入,从而优化权重分配。

模型要检测的时间序列可以是 UTS 或 MTS,这三个并行管道设计为多尺度感知器。我们设计的注意力机制可以很好地捕捉时间序列异常序列的内在特征,通过更多地关注与当前序列严重偏离的历史序列来进行预测,主要是因为这些序列在识别异常与否时比其他序列贡献更大。

我们的模型创新点主要体现在以下两个方面: 提出了一种新的基于深度学习的网络结构 Mac-net,并设计了一种专门用于时间序列分析的放大注意机制,使用公共数据集和京东数据集进行了实验评估,证明了 Mac-net 的有效性和可扩展性。详细模型技术细节如下:

我们首先简要介绍时间序列的异常检测,然后详细说明了 Mac-net 模型的设计细节,以及我们所提出的放大注意机制的算法实现。

时间序列的异常检测

假设一个时间序列的周期为X = (x0,x1,…,xt-1,xt),其中t是当前序列的时间戳,而元素 xi,i ∈[0,t] 是在时间戳 i 处的 m 维观测值,因此,X 是一个矩阵X∈Rmxn。具体来说,如果 m = 1,X 是 UTS,如果 m > 1,则是 MTS。异常检测是确定当前序列 xt 是否异常。我们采用时间序列的快照图像作为输入,为 CNN 处理提供了方便。简单来说,我们检测的是包含 xt 的子序列,而不是单个点。

Mac-net模型

Mac-net 模型的总体架构,包括两个主要块,即三个平行的管道和全连接(FC)层。其中,并行管道负责特征提取,CNN 单元提取空间特征,注意力单元提取时间信息,实现权重分配。每个 CNN 单元包括卷积层、批归一化层、激活层和Dropout层。这三条管道的卷积层都有16个内核,它们的步长为1。这三个管道的内核大小分别为2x2、3x3和5x5。除了内核大小之外,所有其他设置在三个管道中保持不变,我们使用 ReLU 作为激活函数,Dropout率为0.4。

图1 Mac-net 的体系结构示意图

输入为 h + 1快照图片,包括一个当前序列和 h 历史序列,并同时输入到三个并行管道中。每个通道地输出相加并取平均值以进行最终检测。并行管道具有不同的内核大小,因而具有不同的感知域。时间序列的快照照片不同于一般的人像照片。尽管在快照图片中有多条曲线(UTS 的一条曲线) ,但图片的大部分区域是空白的,这意味着图片值矩阵中的大多数数字为零,如下图2所示,在这种情况下,单一大小的卷积内核可能无法获得全面的洞察力。三条平行管道的混合可以很好地克服这一问题。不同大小的卷积核可以互补地工作,并提供全面的感知。根据我们的实验结果可得, 2x2、3x3和5x5的组合效果最好。每个 CNN 单元后面跟着一个注意力单元。

图2 (a) UTS 输入序列,(b)值矩阵

最后将每个管道的注意力输出的结果输入到后面的全连接层中。由于每个管道的卷积核大小不一致,所有管道输出的结果直接求和是不行的。在注意力机制后面加个全连接层,以统一输出形状,从而使求和成为可能。总和的平均值最终输入到统一的全连接层。后面包括两个全连接层,分别是32个和2个神经元。最终输出结果是当前时间序列是否为异常。

放大注意力机制

注意机制最初被提出用于机器翻译,并很快成为集成在深度学习体系结构中的主要设计方法。注意机制的基本思想是模仿生物系统,即使感知到大量的信息,它们也会有意识地关注感知的某些部分。常用的注意机制如加性注意机制、放缩点积注意机制等需要额外的查询参数和关键矩阵计算,这肯定会增加计算开销。此外,这些注意机制计算出的权重被简单地分配给每个元素。为了进一步加强重要因素对注意的影响,同时抑制那些不相关的片段,在深入研究内在时间序列的基础上,我们提出了一种放大注意机制。

注意力机制最常用的形式之一,如(1)所示,是缩放点的产生。

当:

缩放后的点生成,“柔和”地最大化了那些具有较大相似性的元素所产生的效果。对于时间序列而言,与待检测时间序列偏差最大的历史序列对最终决策的贡献最大。以下图3中的UTS输入为例。红色虚线框是要检测的序列,蓝色虚线框为所需的历史序列。显然xt-2与xt的偏差最大。根据实际经验,与xt-1和xt-3相比,xt-2被认为是识别xt异常状态的优先参考。鉴于这种先验知识,在抑制分配给其他权重的同时,放大分配给xt-2的权重是非常必要的。因此,我们试图减少分配给那些不太重要的部分的权重。

图3 UTS输入样例

红色段xt将被检测,蓝色段xt-1、xt-2和xt-3是作为辅助参考的历史数据段。

实现放大注意力机制有三个主要步骤。首先得到表示历史片段 xt-h ~ xt-1与当前片段 xt 相似性的相似向量 S = (st-h,st-h+1,… ,st-1)。所需的历史片段数 h,可以根据异常模式确定,通常可以通过试验确定。在我们的示例中,h 被设置为10,这意味着当前检测需要过去的10张历史快照照片。相似度计算方法有很多种,我们选择了余弦距离,如(3)所示

如上所述,我们的目标是挑选出偏离 xt 最多的片段,即相似向量的最小元素。

其次,根据相似性结果得到权重向量w。与直接将相似性结果 放softmax运算的缩放点生成不同,我们使用log代替exp运算,并将权重向量分成两部分。正如我们所提到的,我们加大了重要历史片段对模型结果所产生的影响。我们使用log操作,因为当输入在[0,1]内时,值的变化比exp严重得多。

基于以上公式(4),smin是最终识别的最有价值的信息。同时,[st-h,smin-1]和[smin+1,st-1]不那么重要。为了扩大对重要序列片段的关注,我们将权重计算范围缩小到[smin,sh-1],因为这一子时段包括xt的最近相邻的序列。[st-h,smin-1]被赋值为一个很小的值,因为它们远离xt。

注意力机制的最后一步是得到结果的乘积乘以权重矩阵并归约,即注意力输出=reduce_sum(x’· w) 表I给出了注意机制的算法过程。

表一 放大注意机制算法

由于在 Mac-net 中有三个管道,我们得到三个独立的注意力输出,即 、 和。这三个注意力输出的平均值作为并行管道的最终输出,输入到全连接中进行最终输出。

通过我们京东内部数据和公共数据集实验评估来证明 Mac-net 在异常检测任务中的有效性。我们首先在两个 UTS 公共数据集和两个 MTS 公共数据集上评估模型。为了进一步说明该方法在实践中有良好的扩展性和有效性,我们还使用了我们京东内部两个数据集作为测试集。

数据集

我们使用两个 UTS 公共数据集和两个 MTS 公共数据集来演示 Mac-net 的异常检测性能。注意,一些公共数据集最初并非用于异常检测,而是用于时间序列的二分类。尽管如此,异常检测基本上是一项二分类的任务。因此,进行这些实验具有一定的有效性。

两个 UTS 数据集是从 Numenta Anomaly Benchmark (NAB)数据集中选择的。这两个 MTS 数据集收集来自不同领域的各种 MTS。我们选择了SelfRegulationSCP2和Wafer,因为它们的维数和类别与我们的实际情况相似。除了公共数据集,我们选取了两个京东内部模型落地的数据集 A 和 B。下图4显示了两个数据集的正常序列(标有 a 的蓝框)和异常序列(标有 b 的红框)。

图4 数据集 A 和 B 的(a)正常和(b)异常序列的显示

模型评估

Mac-net模型 首先在上述六个数据集上进行了测试,来证明我们提出的放大注意力机制具有效果提升作用。检测结果见表二。我们选取精确度,召回率,以及 F1-score(F1)作为评估指标,公式如下,其中 tp、 fp 和 fn 代表真正的阳性、假阳性和假阴性。

从表二中我们可以看出,Mac-net 在所有测试数据集上获得了最佳性能。

表二 MAC-NET 在六种数据集上的评价结果

通过模型评估证明了我们的注意机制对现有方法的有一定的提升。同时我们构造了两个比较模型 Abl-mdl-1和 Abl-mdl-2。Abl-mdl-1和 Abl-mdl-2都与 Mac-net 共享相同的架构,只是注意力单元不同。Abl-mdl-1用缩放点产生取代 Mac-net 中的扩大注意机制,Abl-mdl-2用 LSTM 层(16个单元)取代扩大注意机制。从结果可以看出,我们的注意机制优于常用的注意机制和 LSTM 操作。放大注意力机制是基于时间序列的内在特征设计的,并试图以最优方式分配权重。

除了更好的检测精确度外,我们还评估了我们的模型与两个模型(Abl-mdl-1和Abl-mdl-2)的收敛速度,如下图5所示。两个基于注意力的模型,即Mac-net和Abl-mdl-1,都实现了最快的收敛,而Abl-mdl-2则较慢。与其他两个模型相比,在15-20个时期的训练期间,Mac-net震动更少,即到了更稳定的状态。

图5 Mac网络、Abl-mdl-1和Abl-mdl-2的收敛速度

• Multi-Attention Integrated Convolutional Network for Anomaly Detection of Time Series. ICCAE.

•ieeexplore检索: https://ieeexplore.ieee.org/document/9762449

•团队介绍:

京东科技从2018年开始建设智能运维,基于京东多年一线运维经验,以大数据和人工智能技术为抓手,形成以应用为中心的一体化智能运维解决方案。利用京东内部历年大促场景的数据积累,对算法进行不断的优化训练,在监控、数据库、网络、资源调度等多个纵向场景取得突破,可移植性强,自研通用化智能基线算法学件10+,自研通用化异常检测算法学件10+,场景化异常检测算法方案5+,具备多种自研通用化根因定位算法学件,可以自动触发多维实时根因定位 ,从上万维度属性值中定位到根因维度,自研5种以上增量式学习模板提取与相关分析算法学件,运维知识图谱内涵盖节点30W+,以应用为中心向外延伸出的图谱关系达90W+,赋能根因分析快速精准查询调用。发表IEEE国际会议论文(AIOps方向)8篇,申请40余项智能运维专利。

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: 全栈角度看分页处理
下一篇: 互动玩法任务平台介绍
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