京东商家智能助手:Multi-Agents 在电商垂域的探索与创新

电商助手是一款集合了多种电商经营决策功能的工具软件,旨在帮助电商从业者完成从商品发布到订单管理、客服沟通、数据分析等一系列电商运营任务。

京东零售基于 Multi-Agents 理念搭建了商家助手大模型在线推理服务架构,这一系统的核心是算法层基于 ReAct 范式定制多个 LLM AI Agents,每个 Agent 都有专门业务角色和服务功能,可以调用不同的工具或多 Agent 协同工作来解决相应的问题。

以下是京东零售全渠道生态部关于《京东商家智能助手:AI 多智能体系统在电商垂域的探索与创新》的探索实践,包括Multi-Agents 如何模拟真实的商家经营、ReAct 范式的 Multi-Agent 在线推理架构,以及Agent 落地垂域的样本、训练与评估监控的方法。欢迎大家一起交流

现实中,商家如何进行经营决策

Agent 需要模拟人类的决策过程,因此需要先了解现实中的经营是如何进行的。

通常,平台向商家传递各种各样的信息,包括新的玩法、新的规则条款,以及可能的惩罚通知等。面对平台的各种消息和随之而来的疑问,商家需要一个经营助手协助,他通常扮演着一个专门提供平台知识百科的咨询顾问角色。

当商家提出赔付、运费等与业务相关的复杂问题,需要先理解需求,然后从长篇的业务文本中抽取出问题解决的大方向或目标。定位问题后,形成逐步的解题思路,再灵活调用各种资源和工具来解决问题,其中包括调用知识库、进行搜索和检索,以及使用人脑进行总结和筛选重点内容。经过这一系列操作后将问题的最终答案返还给商家。

那么如何将现实空间的平台咨询顾问映射到 Agent?顾问这个角色是我抽象出来的,京东实际上并没有这样的角色。对于商家来说,每天提供专属服务的实际上是我的许多同事,包括在线客服、业务运营人员以及产品经理,他们解答各种问题。那是否需要为每个岗位角色构建一个 Agent?解决这个问题时,我们还要回到应用场景,从商家的需求出发:无论谁在回答问题,对商家来说都只有一个人帮助他们解答问题。因此,构建一个 Agent 即可,它映射到为商家提供专属咨询服务的多个业务岗位的人。 构建这样一个 AI 版的 Agent 对商家和平台都有好处。对商家而言,他们将体验到一个永远在线的百科全书,能够突破时间、体力和知识掌握的极限。对平台来说,可以降低成本。

除了上面单一的 agent 提供专属服务的情况,当我们讨论到多领域助手与商家的经营协作时,整个团队是如何协作经营的呢?比如,商家提出了一个问题:“最近我的店铺经营得怎么样?”这个问题看似简单,但实际上是商家每天在处理完各种信息后首先会思考的。

对于现代电商商家来说,了解经营状况通常从查看数据开始,然后才能评估经营状况。他不会直接去系统读取数据或编写数据库查询语言,而是直接“调度”数据分析师这一角色,因为商家清楚自己的目标是数据相关的服务。于是,他将任务分配给团队中的数据分析专家,这位专家经过一系列操作后,会返回给商家一份数据报告。接下来,商家需要阅读并理解这份数据报告,他可能会发现新用户的留存率不佳的问题。这时,商家会根据新发现的问题更新决策。

商家的上述过程是 agent ReAct 范式的一个典型例子,即基于观察(observation)来更新整个推理(reasoning)过程。 在解决问题的思路上,人类和 Agent 非常相似。

接下来,更新的决策就是商家重新选择一个角色,比如用户研究专家,来分析新用户的偏好,解决新用户的留存率不佳的问题。这样的“拿到结果更新决策 - 调度新的专业角色 - 输出结果”会不断循环往复。

一个经营诊断与优化的问题,电商商家团队的成员要懂得数据分析、平台知识、用户研究、商品选品、定价、营销投放,还需要有人掌握制作图片和音视频素材的技能,以及完成所有操作和客户售后运营。而商家自己,需要清楚地了解每个团队成员的专长(profile),以便在更新决策时知道如何调度这些资源。此外,商家还需要能够理解每个专家返回的结果,这对商家来说也不是件容易的事情。

当商家发展到一定阶段,他们通常会聘请一个“最强大脑”来代理所有这些调度工作。这个“最强大脑”可以被理解为一个“总管”。有了总管,所有的调度工作都由总管代理完成,而商家只需要与总管沟通即可。这样的协作模式可以极大地提高商家的经营效率。商家想要完成一个经营诊断,他只需向总管提出:“帮我看看最近经营得怎么样?”然后他就可以耐心等待。总管在接到任务后,会进行一系列的操作,最终给出结论:“你最近新客户的留存情况不太好,我这里有一些商品营销创意的建议,你看看是否采纳。”相关的专家们的输出材料会作为附件提供给商家。

从单一个体到各个专业领域的专家团队,再到基础的执行工具,共同帮助商家完成了一个决策过程。在当前的团队配置中,可以关注三类主要角色:

  1. 领域专家:以咨询顾问为代表,这类角色不仅具备决策能力,还能够调度工具。在 AI 空间中,他映射我们的 Agent。
  2. 工具:这类角色不具备决策能力,只能执行任务。在 AI 世界中,映射为软件系统中已有的多种原子服务能力接口 API。
  3. 总管:作为整个决策发起的引擎,总管不需要在某一领域深耕,但必须具备通用的电商知识,了解如何经营业务。在面对问题时,总管能知道如何发起调度,负责整体的专业服务流程编排,在 AI 空间中,他映射我们最强的 Agent。

构建 AI 版的商家经营团队

商家经营团队的运作模式为我们提供了 AI Agent 的现实版样例。现在来到 AI 空间,请出我们的商家智能助手,我们暂且称呼它为 Mario X。将现实空间的团队映射到 AI 空间,我们用大量 Transformers 和研发代码构建了一个 AI 版的商家经营团队:一个由 Master Agent(主代理)领导的多领域 Agents 团队,团队同时掌控着一系列原子能力工具 API。

这样的 AI 团队带来了多方面的好处:

1. 体验提升:商家可以享受到 7*24 小时的在线服务。

2. 效率提高:商家不再需要学习使用各种工具和专业知识,只需用他们最熟悉的经营语言与 Master Agent 沟通,即可直接享受系统提供的各种服务。

3. 决策质量提升:由于有大量的备选方案可供选择,商家的决策效率和质量自然会提高。

4. 成本节约:商家可以减少人力和时间的投入,平台也可以减少不必要的运营开支,让我们的业务人员从繁琐的问答中解放出来。

 ReAct Agent 构建

构建 ReAct Agent 时,每个 Agent 会经历一个 inner loop,这个内部循环称为 reasoning(推理),它对应于我们之前讨论的思维过程,即生成解题思路和大目标的步骤。reasoning 过程包含两个主要部分:

  1. Thought(思考) :我将其定义为用人类自然语言描述的解题决策思路。但是,为了调度系统工具,LLM 需要发出指令,因此需要将这种人类语言翻译成系统能解析的研发语言(即下面的 action code)。
  2. 生成 Action Code(动作代码) :基于生成的 Thought,Agent 会继续生成 Action Code。这个 Code 不直接执行 Action,而是执行 action 的指令。Action Code 是基于 Thought 解析出来的,因为 Thought 是拆分多步骤的解题思路,所以 Action Code 是对应的一系列任务。每个任务的定义可能非常复杂,提取 JSON 中的一些简单字段来说明:
    1. 调度对象:告诉系统你要调度的工具是谁,比如 Master Agent 可能会调度其他 Agents 或 API。

    2. 输入信息:提供给调度对象的信息,即函数的输入参数。

    3. Job Description:如果调度的是 Agent,需要让 Agent 明白分配给它的任务是什么,类似于工作描述。

    4. Trust_Mode:这是考虑性能和 Agent 质量的一个字段,它决定了 Agent 在接收到工具返回的 observation(观察结果)后,是再次进行 reasoning 还是直接输出结果。

      Action Code 是服务端可解析的代码,它会与环境中广义的 Agents API 和 Tools 进行交互并执行代码。当这些工具完成工作并将 observation 返回给 Agent 时,Agent 将进行下一轮的 reasoning。这个过程会一直持续,直到 Agent 生成了一个 Trust_Mode 变为 1 的输出,这意味着 Agent 认为所有的推理和调度都已完成,可以将结果推送给用户。

 Multi-Agent 的工作流程

打开 Mario X 首先会与商家打招呼。第一轮商家提问:“在京东开店需要交多少保证金?”时,用户和 Master Agent 之间建立了联系,它会再从 Memory 中获取与用户相关的近期和远期特征。

接下来,Master agent 开始内部推理。在这个阶段,Master agent 的 LLM 理解商家提出的问题,但意识到缺少必要的条件,因此无法直接派发任务。LLM 需要向商家追问一个条件,因为保证金与商家经营的类目密切相关。这时,它会调用一个名为 Echo 的工具,Echo 的作用仅仅是将信息传递给用户,不做任何处理。此时 Master agent 将 Trust_Mode 设置为 1,因为 Echo 的任务是单向传递信息,不需要再返回给 LLM 进行推理。Action Code 开始执行,Echo API 被唤起,将问题传回给用户,同时将上下文信息推送给 Memory。

第二轮,商家回答说他卖花,这时用户的信息再次流向 Agent,LLM 根据商家提供的信息和 Memory,生成解答思路在 Thought 中。LLM 知道现在需要调度的对象是 Consulting Advisor,即前面提到的平台咨询顾问 Agent 版。LLM 向 Advisor 传递了一个 Job Description,因为 Advisor 是一个 Agent,需要与之沟通并分配任务。Agent 之间的通信协议也是基于 Action Code,告知 Advisor 商家需要查询的类目对应的入住保证金费用。此时 Trust_Mode 设置为 1,意味着 Advisor 完成任务后不需要再返回给 LLM,因为 LLM 信任 Advisor 专门执行此类咨询任务。这是出于性能考虑,避免让用户等待过久。随后,Advisor Agent 执行任务并返回输出,同时更新 Memory。最终,Master agent 回答用户的问题。

第三轮,当客户提出为花店起名时, Master Agent 的 LLM 识别出这是一个明确的问题。为了解决这个问题,将会进行 3 轮 ReAct。第一轮:不需要调用其他 Agents,而是直接调用一个特定的 API 会更加高效。它调用的是一个名为“Shop Name Generator”的 API,这是一个基于大语言模型的起名工具,它需要接收的输入参数是店铺的类目信息。他从 Memory 中提取了之前 Advisor Agent 提供的信息,即商家经营的是“生活鲜花”,并将这个信息作为参数传递给 Shop Name Generator。在这一步,Trust_Mode 为 0,这意味着 API 生成的店铺名字将返回给 Master Agent 做其他的推理,而不是直接输出给用户。我们回到了 ReAct 流程中,API 输出了一系列的店铺名字,但用户此时还不会看到任何输出的结果。

所有这些步骤完成后,相关信息都会被推入 Memory,这就是 Multi-Agent 工作架构的一个例子。对于普通的 Agent 与 Master Agent 的区别在于,Master Agent 直接与用户交互,而普通 Agent 则接收来自 Master Agent 的 Action Code,这些 Action Code 转化为服务层协议,作为它们的输入参数。

 分层次架构

Multi-agent 架构采用分层次的方法,将一个大模型的复杂生成任务,拆解成了多个层级化的下一步文本预测。这样,每个模型需要处理的推理难度就相对较小,因此模型的规模不需要很大,从而减少了训练和部署的计算资源消耗,并且可以快速迭代。同时,也可方便灵活地接入各种资源方,比如营销的 Agent,我们可以迅速地将其整合进我们的系统中。

这种架构也有一些潜在问题。首先,可能导致风险的累积。如果 Master Agent 出错,那么整个任务的结果可能就会受到影响。因此,我们实施了全链路监控,以确保系统的稳定性和可靠性。此外,由于可能需要经过多个 LLM 生成步骤,响应时间有时可能会较长。此外,商家面临的问题通常涉及工具操作,这些问题都需要结合具体的业务情境来解决。因此,对于我们的 Agent 来说,它们也需要“死记硬背”所有 Tools 的能力。目前,我们正在进行的工作包括在整个推理流程的多个环节中整合 Retrieval(检索)过程。例如在生成 Thought 之后,Agent 可以暂停并调用检索工具或 Agent,等待 Observation 返回后再明确调用哪个 Tools,然后生成 Action Code。这意味着 Thought 和 Action 可以分两轮生成,这是我们正在努力实现的一些改进。

商家智能助手:关键落地技术

今年 2 月份,我们推出了一个专门处理招商入驻问题的 Agent,并将其部署在京东的招商站点上。这个 Agent 帮助许多商家解答了他们关于入驻的相关问题和操作步骤。目前,这个全新的 muiti-Agent 架构助手产品已经在京东商家端进行灰度测试阶段。

技术上,我们目前的系统能够解决商家经营场景中的一些确定性输出问题。所谓确定性输出,是指商家面临的一些答案明确的问题,比如关于平台规则的疑问或具体的操作步骤等,这些问题相对基础,并不包括那些开放式的问题,比如“告诉我如何做好生意”。

我们在建设一个能够真正帮助商家做生意的靠谱助手,搭建完整 AI agent 经营团队。这个系统将涉及非常广泛的知识领域,处理的问题也不会有确定的答案,可能需要引入强化学习等更先进的技术来解决。

ReAct SFT:垂域样本构建

在解决相对确定性输出的问题时,我们的核心工作在于构建垂直领域的知识。这意味着将人类专家的知识传授给系统,特别是针对商家领域的知识。对于这类问题,通常使用标准的 SFT 加上一些预训练模型基本上就足够了。

如何构建样本?鉴于我们先解决比较确定性的问题,我们可以从在线客服、运营和产品的回复,以及商家满意度收集的接口等获得真实的数据,然后对这些数据进行清洗。接着,研发团队会根据系统的调用路径构建一个全面的路径树。最后,业务人员将构造一些剧本,描述可能的问答场景。

将这两部分结合起来,我们就得到 SFT 样本 的基础池。接下来,对基础池进行丰富度扩充。其中最主要的是对问题(Q)的扩充。有了问题和答案(A),以及调用路径,我们接下来需要生成中间的标签(label)即 thought 和 action code,这就需要依赖先验的知识库。此外,还需要研发的配合,他们需要按照标准来注册 API。因为工具的调用靠注册信息的质量,如果两个不同的工具,它们的描述写成一样的,那么我们的大模型也无能为力,因为它只能通过工具的自我介绍来选择工具来执行任务。因此,知识的准确性非常重要。

复杂输入下的 Thought 生成

复杂输入的问题,不像简单输入那样直接。解决这类问题,关键在于遵循 Agent 推理的流程:先生成 Thought,再解析 Action Code。因此,生成一个强大的 Thought 变得非常重要。下面看一个复杂输入下,确定性输出的例子,我们来对比单纯用 RAG 和用 LLM agent 解题的效果,比较一下有和没有好的 Thought 的区别。

(1)RAG 解题

例如,用户提出了一个问题:“在京东卖红酒要多少钱?”如果直接使用 Retrieval(检索增强)来解决问题,按照经典的方式,先进行 Query(查询)并计算 Similarity(相似度),然后召回一些文本。在召回的文本中,可能会看到白酒、黄酒等,但实际上并没有答案,因为红酒这个类目在我们的知识库中并不存在,它不是开店保证金的一个选项。基于错误的信息片段,再加上用户模糊的问题,即使是非常强大的 Summary Model(总结模型)也无法给出正确的答案。

要解决这个问题,我们需要让模型理解红酒实际上与哪些类目是有关联的。这就需要模型不仅要有检索能力,还要有推理和关联的能力,以便正确地将问题与相关的知识库内容关联起来,从而提供准确的答案。

(2) LLM Agent 解题

助手中的 Advisor 在经过训练后,会以特定的方式解题。还是开始于 Master Agent 与用户的对话。Master Agent 并不直接理解这个问题,而是将用户的询问,例如“京东红酒入住资费是多少?”通过 Action Code 传递给 Advisor。Action Code 中的 Job Description 是“请回答京东红酒入住资费”。

Advisor 在处理这个查询时,首先理解红酒实际上属于葡萄酒这一类别。因此,Advisor 的 Thought 中生成出应该查询的是葡萄酒类目的入住资费,并确定了使用哪些关键词来传给调度的检索 API 做关键入参。在生成 Action Code 时,Advisor 会传递给检索 API 这个关键入参,即 Search Query“葡萄酒保证金“。这个参数不再是用户的原始问题,而是根据 Advisor 的推理进行了调整。API 本身没有决策能力,但由于 Agent 具有推理能力,它能确保传递给工具的输入是正确的,从而用正确的参数唤起正确的工具。

在第二个任务中,Summary API 接收到一个关键的输入参数,称为 Thought for Answer,即回答思路。这个思路是 Advisor 在推理过程中在 thought 生成的关于红酒与葡萄酒类目关系的理解。Advisor 告诉用户红酒和葡萄酒之间的关系,并按照葡萄酒类目的答案来回答用户的问题。

接下来,advisor 继续遵循经典的 RAG 流程。此时,Search Query 变为“葡萄酒保证金”。虽然召回的葡萄酒与原始问题的“红酒”相似性不高,但由于顾问使用了“葡萄酒”和“保证金”作为搜索关键词,并将回答问题的思路作为 Prompt 的一部分传递给总结 API,API 就能够根据 Advisor 提供的推理思路,正确地回答关于红酒保证金的问题,即通过查看葡萄酒的保证金来得知红酒的保证金情况。

复杂输入下的 Thought 训练

在复杂输入的情况下,训练出能够准确生成 Thought 的模型是关键。由于这类问题的答案并不直接存储在知识库中,我们需要从算法层面进行构建。我们的方法是分析 Bad case(不良案例),从中发现问题并拓展解题思路。

当遇到一个新案例时,我们会与业务团队沟通,以获取新的知识点,并按照既定的模式进行预先处理。理解不同类目之间的关系是解决相关问题的关键。因此,我们为模型提供了大量类似的文本进行预训练(pretrain)。

在自监督学习阶段,模型学习了与业务相关的各种关键词、相似词以及它们与类目的关系。这样,当模型遇到葡萄酒相关的问题时,它已经通过预训练了解了如何处理这类问题。随后,我们对模型进行标准的 SFT,在这个阶段,模型会学习到具体的知识点,比如葡萄酒的相关信息。模型已经知道如何回答关于葡萄酒的问题,并且通过训练了解了葡萄酒与其他类目的关系。当用户询问关于红酒保证金的问题时,模型能够通过分析和推理,提供准确的答案。

通过这种方式,我们可以训练出能够处理复杂输入并生成有效 Thought 的模型,这些模型能够更好地理解和解决商家面临的实际问题。

全链路 ReAct 监控

为了定位 Bad Case,我们实施了全链路 ReAct 监控。具体来说,我们会收集在线推理生成的 Thought、Action Code 和 Observation,然后通过人工打标 + 大模型来进行评估。

评估函数会将人工打标的输出与 Agent 生成的输出进行比较,以确定两者之间的差异。这个评估与 Agent 的具体定义紧密相关,因为不同的 Agent 可能有不同的评估标准。评估主要基于三个结果:Thought、Action Code 和 Observation。值得注意的是,Observation 虽然是作为下一轮推理的输入,但它本身并不是由 LLM 生成的,它的质量会影响下一轮的 Thought 生成。

对于 Observation 的评估可能包括预测销量的准确性或用户对生成图像的满意度等,这些指标并不完全由 LLM 控制,因此 Observation 的评估也与服务的业务指标相关。

基于这些评估结果,我们会有一个流程来决定 Agent 的表现。如果 Agent 在第一轮的 ReAct 得分很低,我们会继续累积这个分数,但如果得分低于某个阈值,我们将停止后续的推理,并且该 Agent 将不再参与后续得分的累加,意味着它已经退出了推理过程。如果 Agent 的得分符合要求,我们会检查是否为最后一轮推理。如果不是最后一轮,Agent 将更新后进入下一轮评估。如果是最后一轮,将触发结束流程。

在多轮推理和评估后,当触发结束评估时,我们会得到一个全链路累积的 ReAct 得分。这个推理过程是链式的,涉及到递减的折扣因子γ和η,这些因子会影响 Agent 的 ReAct 得分和整体得分。我们的评价核心在于能够快速定位问题节点,这是由我们的架构决定的,必须通过这种方式来尽早发现并解决问题,防止问题在推理过程中蔓延。

展    望

我们需要帮助商家更好地经营生意。尽管在平台上有许多类似参谋的工具,比如供应链管理、选品、定价等,但目前还没有一种方式能够让商家根据自己的业务思路,按照黄金流程组合使用这些工具。无论是问答数据、沟通数据还是交互数据,这些都需要我们去收集和整合。

我们需要将人们做生意的思维方式从人脑中提取出来,这包括训练大型模型来寻找和学习人类专家的知识。此外,我们还需要引入强化学习。 因为对于商家提出的复杂问题,如“我的生意做得怎么样?”可能存在多种解决方案,每个团队的解法可能都不同。要判断哪一个更好,可能需要每个做生意的人根据自己的打分逻辑来评估,同时还需要在市场反馈中验证。

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 46

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 226

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 315

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 377

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 322

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 563

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 384

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 470

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 596

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 564

【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 908

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: 同样的APP为何在Android 8以后网络感觉变卡?
下一篇: 让农户“养得起、管得好、卖得出、赚得多” 京东农业科技放大招!
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