解锁保险新世界-带你走进保险基本法

作者:京东保险 薛艳凯

一、 引言

提到京东,大多数人的第一印象便是那座繁华的购物商城,便捷的购物体验深入人心。但在这片商业沃土上,还孕育着一群特殊的京东人——他们不卖“商品”,却以传递保障、守护幸福为己任,那就是京东保险人。我所在的部门是保代业务研发部,专注于为保险代理人提供全方位的技术与业务支持,我们致力于持续优化服务,为代理人创造更多机遇,共同推动保险行业的繁荣与进步。

代理人是客户与公司间不可或缺的信任桥梁,其角色在业务环境的多变与挑战中显得尤为重要。为了维护这一信任桥梁的稳固,确保业务运营的有序与高效,规章制度的建立成为了至关重要的任务。正是基于这样的需求,基本法应运而生,它不仅是一套管理、薪酬体系,更是引导与规范行业运作的智慧结晶。基本法如同基石,稳固地支撑着保险代理业务的健康发展,确保每位代理人都能在明确的框架内发挥潜能,并得到丰厚的佣金奖励。

为提升代理人和内勤的服务效率,需要搭建一套智能化、自动化、个性化的系统架构来实现业务流程的优化和创新,同时可以快速响应市场变化、精准评估风险。而现有的架构已不满足当前环境的需要,且系统问题频出,不仅给业务团队带来了沉重的负担,也严重影响了公司的运营效率和客户信任。面对这一问题,我们深刻认识到重构系统的紧迫性和必要性。接下来就让我们共同走进基本法系统的蜕变之路吧。

二、 基本法介绍

保险基本法,是针对保险营销员(包括代理人和从业人员)的日常基础管理规定,而非统一的法律条文。这些规定详细覆盖了展业、晋升、奖惩以及利益分配等各方面,是保险公司推动其营销队伍发展的核心工具。在京东保代业务中保险基本法主要服务于公司的外勤业务人员--代理人,通过设定明确的规则和标准,来指导代理人的职业发展、业绩考核以及薪酬分配。这不仅关乎代理人的收入和发展,更直接影响到保代业务的稳定和市场竞争力。

2.1基本法核心内容

日常管理:包括代理人的签约、异动、解约等日常行为规范,同时提供员工培训,确保队伍的稳定性和专业性。

薪酬与福利:明确了薪酬的计算方式,包括直佣、间佣、非现金奖励等,同时涵盖了员工福利,如养老金等。

业绩考核:代理人从初级业务员到营业区总监,每一阶段都有明确的业绩要求和相应的激励措施,设定了清晰的晋升路径。从业务达成率、继续率、团队指标等多个维度进行考核,确保代理人的工作质量。

2.2 系统业务链路流程





三、基本法面临的挑战

3.1 系统复杂性

数据处理复杂性:随着业务规模的扩大,需要处理大量的业务数据,包括客户信息、保单信息、业绩数据等。由于数据的多样性和复杂性,系统建设面临着巨大的挑战。

系统定制化需求:基本法现存在三套版本,共涉及36个佣金项、17个职级,后续还会有新增基本法的要求。三套基本法彼此存在较大差异,这要求系统开发团队不仅要具备深厚的保险业务知识,还要具备强大的系统定制能力,以满足业务团队对不同版本基本法的特定需求。

政策与法规变动:保险行业政策法规频繁变动,且受到严格的监管。为适应政策变化,及时更新相应基本法规则,确保基本法的合规性,系统必须具备良好的灵活性和可扩展性。

3.2 业务复杂性

产品种类多样化:保险公司提供的产品种类繁多,包括寿险、财险、车险等。每种产品都有其独特的保险条款和费率结构,这就对基本法的制定和执行提出了更高的要求。

销售渠道多样化:保代业务通过多种渠道销售产品,包括代理人线下渠道、网销渠道等。不同渠道的销售模式和客户需求各不相同,这就要求基本法能够灵活应对各种销售场景。

风险管理:保险业务本身就存在较高的风险性,包括信用风险、市场风险、操作风险等。基本法需要在促进业务发展的同时,加强风险管理,确保公司的稳健运营。

四、基本法系统蜕变

4.1 系统全场景架构







4.2 系统重构对比





重构前重构后
可读性代码高耦合、重复、混乱,难以理解和修改代码低耦合、消除重复、逻辑清晰 复杂度降低,便于理解
系统灵活性系统模块化程度低,不利于维护和扩展模块化设计、易于维护和扩展‌
可靠性0%99.99%
安全性错误处理机制缺失自动复核、链路跟踪
性能依赖实时数据,存在不必要的资源消耗,系统响应时间长、吞吐量低,执行时长6小时指标预加载、引入drools规则引擎,响应时间短,执行时长30分钟

五、系统关键破局点深度介绍

5.1模块化解耦,明确职责划分

组件化设计:组件化设计是现代软件架构的核心策略,将复杂系统细分为多个独立、自治的组件,每个组件专注于单一业务领域(如基础规则、业绩奖励、职位级别管理、绩效评估、团队协作等),极大地提升了系统的可维护性、可扩展性和复用性。这些组件内部封装了详尽的业务逻辑、精细的数据模型及标准化的服务接口,确保了组件间的低耦合与高内聚。

可配置化:赋予了系统极高的灵活性,允许通过直观的配置界面调整组件的行为与属性,无需修改代码即可快速响应业务需求变化。这一特性极大简化了基本法规则的定制流程,降低了运维成本。





自由组合:用户能够像搭建积木一样,根据具体场景灵活选择并组合不同组件的版本,快速构建出符合个性化需求的基本法,极大缩短了基本法的落地时间,满足了市场多样化的需求。





5.2引入规则引擎

针对基本法佣金和考核规则多样性,引入了drools规则引擎作为解决方案。通过声明性语言DRL(Drools Rule Language)极大地简化了规则的描述过程,使得业务逻辑更加直观易懂,同时也显著提升了规则编写的灵活性和效率。

规则与代码解耦:通过将业务规则以脚本形式存储在文件中,实现了规则与业务代码的解耦,便于规则的修改和管理。

抽取通用指标并预加载:识别并提取佣金计算和绩效考核中的通用指标,通过数据预加载机制,减少实时计算的数据访问压力。

规则配置化:

可视化配置界面:提供友好的页面视图,将抽离出的指标(FYC、RYC、R13等)、条件符号(如大于、小于、等于等)、算法符号(如加、减、乘、除等)、逻辑符号(如或、且等)作为可选项呈现给业务或研发人员。用户只需通过选择的方式,即可轻松组合出所需的业务规则,无需深入了解DRL脚本的语法细节。

自动生成DRL脚本:在用户完成规则配置后,系统将自动根据用户的配置选项生成相应的DRL脚本。这一功能不仅大大减少了研发人员的编码工作量,还确保了规则配置的准确性和一致性,有效避免了因人为错误导致的规则执行问题。

直观读取规则:通过页面视图展示的规则配置结果,用户可以清晰地看到每一条规则的构成和逻辑关系,无需阅读复杂的DRL脚本即可理解规则的含义。这种直观性不仅降低了配置人员的学习成本,还提高了规则审核和验证的效率。





5.3多维度执行 + 数据版本隔离机制

基本法可以拆解到基本法版本、业务团队的不同维度执行计算任务,也可以将团队、佣金、考核组件单独执行,相较于之前架构更灵活高效。同时计算结果数据采取数据版本隔离,可以支持任务重复执行,并进行多个版本的数据比对,为佣金与考核预测提供坚实的技术支撑。佣金预测让代理人能够实时掌握任务进度,包括已完成的出单量、已获得的佣金收入、当前佣金与下一个佣金档位之间的差距等关键信息。这些信息可以让代理人认识到自己的提升空间,激发挑战欲望,提升工作积极性,为争取达到更高的佣金档位而努力。



收入追踪



该技术实现不仅为佣金与考核的精准预测铺设了技术快车道,更为基本法制定者赋予了前所未有的灵活性。在基本法制定过程中,可轻松切换不同规则进行组合,即时验证方案可行性,有效降低了试错成本,缩短了决策周期。对于新基本法方案的推行,通过数据驱动的验证与优化,确保新方案既符合市场趋势,又贴合团队实际。

5.4完善研发核对机制

5.4.1数据核对

为确保本月对账手续费的佣金核算准确无误,我们在业务审核前增加了核对流程。基于手续费预设比例精准计算出应付佣金的合理区间,系统自动化地将直接佣金(直佣)、间接佣金(间佣)及其他各类佣金项进行汇总,通过比对汇总结果与预设佣金区间,确保所有佣金支出均严格控制在合理范围内,有效避免了人为错误。既保障了代理人的应得利益,也维护了公司的财务健康。此优化机制不仅提升了工作效率,还显著增强了数据处理的准确性和可靠性。

5.4.2 多维度业务数据分析

接入BI报表系统,实现了数据的多维度可视化分析,为数据验证与洞察开辟了新路径。不仅深化了对数据复杂性的理解,还显著增强了数据的可解释性和可信度。通过拖拽式界面轻松构建图表与仪表板,能够直观展现数据在不同维度下的变化趋势与关联关系,从而快速识别异常值,进一步验证数据的准确性。此外,多维度的视角还促进了跨部门间的数据共享与协作,共同挖掘数据背后的商业价值,为企业决策提供坚实的数据支撑。





六、系统稳定性建设

6.1告警机制

系统接入应用监控(UMP)和机器监控(MDC)监控系统,配置了jvm监控、CPU使用率、磁盘使用率、连通性、RSS内存使用率、系统负载、TCP连接数、网络流入速率、网络流出速率、TCP重传数等告警项,全方位保障应用在处理基本法任务时能够持续、稳定、高效地运行。

6.2基本法任务执行链路跟踪

接入链路监控 (PFinder):依赖PFinder能力,按多个维度指标进行监控,自动对 SpringMVC,JSF,MySQL,JMQ 等常用中间件进行性能埋点,自动梳理服务的上下游和中间件的依赖拓扑,在出现异常时可以基于请求的跨服务调用追踪,快速分析性能瓶颈。

系统任务链路监控: 关键任务(如团队任务、佣金结算、绩效考核等)按照预定的规则执行,将各节点执行信息进行留存,通过定时任务进行扫描任务各节点是否执行完成,超时未执行进行重试,重试3次仍未成功将触发邮件和电话告警,研发人员将在告警触达的第一时间响应处理,确保关键任务能够按照预定的规则顺利执行。

七、汇总展望

自系统重构实施以来,该系统已历经多轮严苛任务考验,其准确率跃升至99.99%,为超过4万名代理人提供了坚实的技术支撑与保障,彻底扭转了代理人及内勤团队对系统的旧有观念,得到了业务方的肯定。

未来,我们将坚定不移地聚焦于系统性能、稳定性及安全性的持续提升,确保每一环节的优化都能为业务的高速增长注入强劲动力。同时,我们将积极拥抱新技术,不断探索其在系统中的应用潜力,致力于推动系统向更加智能化、自动化的方向迈进。我们相信,通过技术的不断创新与应用,能够进一步释放生产力,加速业务流程的自动化与智能化转型,从而以技术为引擎,驱动业务实现跨越式发展。

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 41

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 224

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 313

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 406

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 382

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 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 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 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 872

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: 「软件设计哲学」于延保代码改造中的实践
下一篇: 《京东金融APP的鸿蒙之旅系列专题》新特性篇:意图框架接入
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