简洁至上——探索产品与技术的优雅原则

作者:京东物流 冯志文

背景

上周开发了一个需求,发现一个历史功能,从产品和技术代码的角度看,将简单的事情变得复杂。这一经历再次深化了我对一个核心理念的认识:简化复杂性是产品设计和软件开发中永恒的挑战。我们必须不断努力,将复杂的逻辑转化为直观、易用的用户功能,并将冗长、难以维护的代码结构变为简洁、效率高的形式。

在《人月神话》中作者提到,软件开发的复杂度可以划分为本质复杂度和偶然复杂度。本质复杂度它是一个客观的东西,跟你用的工具、经验或解决渠道都没有任何关系。而偶然复杂度是因为我们在处理任务的时候选错了方向,或者使用了错误的方法。

作为工程师,我们的追求不仅仅局限于代码的编写。更深层次的,我们探索的是如何对抗软件本身产生的复杂度,如何将繁杂的需求转化为简洁、优雅的解决方案。

不单单是程序员,任何化繁为简的能力才是一个人功力深厚的体现,没有之一。越简单,越接近本质。这个“简单”指的是整体的简单,而不是通过局部的复杂让另一个局部简单。

附:需求案例复杂点 1)业务产品设计方面:Promise 业务类型(比如生鲜时效、航空时效、普通中小件时效等)与单据类型、作业类型之间存在一系列复杂的转换关系。但这几个类型本质是一样的,没必要转换,术语统一,对业务使用来说也简单。 2)技术代码方面(组内同学CodeReview发现的):代码方法“副作用”(side effect),即方法除了返回值之外,还通过修改某些外部状态或对象来传递信息。比如filterBusinessType方法的主要作用是返回一个int类型的值,但它也修改了入参的response对象作为一个副作用,外部链路会使用reponse对象属性值。并且代码内部调用链路复杂,对于新人来说成本较高。为了确保清晰理解这些关系,并有效地进行代码维护,特意对这些关系及代码链路进行了详细的梳理。

一、为什么要简单?

为什么我们要追求简单性?不应该是复杂,才能显得技术牛吗?

对应简单,各有个的说法,个人理解如下:所见即所得

1.比如你架构图别人一看就明白这是干什么的,系统之间如何交互,模板之间如何交互。

2.比如定义API 别人一看文档就明白功能职责,请求入参,出参含义,有基本的计算机知识人都能看明白,这叫所见即所得。

3.比如新人在1周左右就能快速更改代码,而不是要记住代码各种注意事项,尽可能减少用户的学习曲线和理解成本

接下来从本次需求的复杂案例着手,引入自己的一些思考

二、案例详细

1)产品设计

1.1)现状

Promise业务类型 > 单据类型 > 作业类型 各种转换关系

1.业务类型 转换单据类型(1 VS 1)

2.单据类型 转换为 作业类型:根据单据类型找到 仓、干支线、本地 作业类型

3.仓&干支线&本地 作业类型:

1.2)思考点

1.一对一映射的简化

“业务类型&单据类型 其实是1V1映射”,这表明系统当初设计时考虑了业务类型和单据类型之间的直接关联。如果这种一对一的关系确实存在,那么单据类型可能是一个冗余的概念,因为每个业务类型已经隐含了单据类型的信息。简化模型,去除冗余的单据类型,可以减少系统的复杂性,并可能简化数据库设计和代码实现。

1.概念统一

“作业类型本质还是业务类型”,这意味着在不同的上下文中可能使用了不同的术语来描述相同的概念。在编码和产品设计中,使用统一的术语可以减少混淆,提高团队成员之间的沟通效率,并使得新成员更容易理解系统。

1.维度划分

将业务类型进一步细分为“仓、干支线、本地维度”,这表明系统有不同的操作维度或者分类标准。这种维度划分有助于在不同层面上组织和处理业务逻辑。

2)代码问题

2.1)内部链路太长

业务类型逻辑入口之一:getBusinessTypeInfoForAll > getBusinessTypeInfo > getOrderCategoryNew > obtainOrderCategoryByCode > filterBusinessType

在这里插入图片描述

在我们的代码库中,上面关键的五个方法被多个调用入口所使用,这种情况使得管理这些入口变得极为棘手。由于调用点的广泛分布,理解代码的影响范围变得复杂,难以一目了然地掌握。此外,这种做法也显露出我们的代码缺乏清晰的分层架构。这一原则的缺失,不仅使得现有代码难以维护,也给未来的功能扩展和迭代带来了不必要的复杂性和风险。

2.2)副作用

在Java 编程语言中,术语“副作用”(side effects) 指的是一个函数或表达式在计算结果以外对程序状态(如修改全局变量、改变输入参数的值、进行I/O 操作等)产生的影响。

如下filterBusinessType方法的主要作用是返回一个业务类型int类型的值,但它也修改了传入的response对象的A值作为一个副作用。在外面链路使用了A属性值做逻辑判断

副作用问题:在filterBusinessType方法中如果是在response之前return了数据,从方法角度看不出问题,但整个链路会出现问题。

❌错误写法

public int filterBusinessType( Request request,Response response) {
    if(...){
      return ...
    }
    boolean flag = isXXX(request, response);
}

✅正确写法

public int filterBusinessType( Request request,Response response) {
    /**
     * 切记:return必须在下面这行代码(isXXX方法)后面,因为外面会使用response.A()来判断逻辑
     * 你可以理解本filterBusinessType方法会返回业务类型,同时如果isXXX方法会修改response.setA()属性
    */
    boolean flag = isXXX(request, response);
    if(...){
      return ...
    }
}

2.3)思考点

思考点1:代码链路太长

内部代码链路太长是一个常见的维护问题,通常源于缺乏良好的模块化和抽象设计。以下是一些思考点:

1.避免过度抽象:虽然抽象可以帮助简化代码,但过度抽象反而可能会增加复杂性。确保你的抽象层次是合理的,并且每个抽象都有明确的目的和价值。

2.分层架构:将代码按照逻辑和职责分成不同的层次,每一层只对其下一层有依赖性,而不需要知道更深层次的实现细节。这样可以减少代码之间的耦合度,简化内部链路。

3.合并重复代码:如果发现多个方法都在执行类似的操作,尝试合并这些重复的代码段,创建一个通用的方法来处理它们。这样可以减少代码的总量,提高代码的可读性和可维护性。

4.团队共识和标准:与团队成员讨论并达成共识,制定一些编码标准和最佳实践,以便在日常开发中就能够遵循简洁性原则,避免产生新的长链路。

思考点2:副作用

1)注意事项

1.将副作用明确化:如果一个方法有副作用,应该在方法的名称、文档或使用方式中明确指出。这样可以帮助其他开发者更好地理解该方法的行为。

2.避免使用静态变量:静态变量可以被多个线程或方法共享,容易引起副作用问题。除非有明确的理由,否则应尽量避免使用静态变量。

3.完全消除副作用可能是不现实的,尤其是在需要与外部交互的应用程序中。关键是要理解副作用的存在,并采取合适的策略来管理和控制它们。

2)Java的设计约定鼓励我们遵循以下原则:

1.单一责任原则:每个方法或类都应该有单一的责任或功能。

2.最小惊奇原则:方法的行为应该符合预期,避免出现意外的副作用。

在这个例子中,filterBusinessType方法既返回一个整数结果,又更新了response对象,这违反了单一责任原则和最小惊奇原则。因为调用者可能会预期这个方法只会过滤业务类型,而不清楚它还会修改response对象。

3)如何规避这种现象

为了避免这种情况,可以采用以下几种策略:

1.分离关注点: 可以将获取业务类型和响应设置分离成两个不同的方法。这样,调用者就可以清晰地看到每个方法的职责。

public int filterBusinessType(String logPrefix, Request request) {
    // 过滤逻辑...
    int businessType=...;
    return businessType;
}
public void setResponseData(int filterResult, Response response) {
    // 根据过滤结果设置响应数据...
    response.setFilteredData(...);
}

1.返回复合对象(上下文context) : 如果业务类型结果和响应数据是紧密相关的,可以考虑创建一个包含这两个信息的复合对象,并将其作为方法的返回值。

public FilterResultAndResponse filterBusinessType(Request request) {
    // 过滤逻辑...
    int result=...;
    Response response=new Response();
    response.setFilteredData(...);
    return new FilterResultAndResponse(result, response);
}
class FilterResultAndResponse {
    private int filterResult;
    private Response response;
    
    public FilterResultAndResponse(int filterResult, Response response) {
        this.filterResult = filterResult;
        this.response = response;
    }
    
    // Getters and setters for filterResult and response
}

总的来说,副作用有时候是不可避免的,但我们可以通过以上方法来规避和管理它们,写出更可靠、更易于维护的代码。

三、案例解决方案

回到本文开头说的产品和技术复杂性案例,考虑到产品和技术影响promise时效内核最底层逻辑范围。我是采取保守的策略:维持现状不变。这是因为对核心逻辑进行改动会带来广泛的影响和较高的风险,可能会牵扯到整个系统的稳定性和一致性。 然而,这并不意味着我们放任复杂性存在。相反,我做了以下两点改进措施:

1.增加注释和注意事项:在代码中添加详细的注释和注意事项,帮助团队其他开发者理解这部分代码的工作原理和潜在风险。这样可以降低新成员上手的难度,并且减少在维护或扩展时出现错误的可能性。

2.团队分享和知识传递:我将分享这个案例和相应的经验教训,向团队成员解释为什么在这个特定情况下我们选择了保持现状不变,以及如何在未来的需求、架构设计和代码编写中更好地管理复杂性和副作用。通过这种方式,我们可以共同学习和成长,避免在类似情况下重蹈覆辙。

这两种方法虽然不能立即简化复杂性,但它们可以提高代码的可读性和可维护性,减少长期的技术债务。同时,团队分享也能促进知识共享和团队协作,让大家知道什么是正确的做法,帮助我们在面对类似挑战时做出更明智的决策。

四、如何做到简单–思考点

KISS 原则是指在设计当中应当注重简约的原则。总结工程专业人员在设计过程中的经验,大多数系统的设计应保持简洁和单纯,而不掺入非必要的复杂性,这样的系统运作成效会取得最优;因此简单性应该是设计中的关键目标,尽量避免不必要的复杂性。

1)产品设计

作为技术从业者,我们常常需要从用户(无论是面向C端消费者还是面向企业内部的产品)的视角出发,来探讨产品设计中的简洁性原则。以下是我的一些观点,说的并不一定对,但愿能为您提供一些启发。

以用户为中心

•深入理解用户需求:深刻洞察用户的核心需求和痛点,用客观数据驱动决策,而不是单凭个人直觉。

•简化用户旅程:力求打造一个直观的用户旅程,尽量减轻用户的决策压力和学习负担。一个优秀的界面应该是清晰、易懂的,使用户能够毫不费力地完成所需任务。

减法设计

•在设计每一个功能环节时,我们需要反复自问:这个功能是否真正必要?如果它的缺失不会损害用户体验,那它很可能是多余的。

直观交互

•设计时应确保控件和操作逻辑能够自然地映射其功能,使用户能够直觉地理解产品的使用方法。

持续迭代

•不断地收集用户画像和分析用户反馈,将其作为产品设计迭代的重要依据,以此不断地精进和完善产品。

案例: 1、Alfred:这个我觉得根本无需介绍,神器,使用 macOS 的同学应该都知道。一句话来说就是,Alfred 是 macOS 上神级的效率应用,能够在实际操作中大幅提升工作效率。

2、1Password:使用 1Password 生成并管理密码后,就再也不用费心思去想密码的事情了,只需要记住 1Password 主密码就万事大吉。 原先你需要4步骤:比如1)打开浏览器 2)输入网站(或者打开收藏夹) 3)打开网站输入用户名密码 4)点击登录 使用1Password只需要 一步到位,自动打开浏览器登录相关页面

2)架构设计

不要跟风选择所谓高大上的技术,适合的才是最重要的。够用+1即可。什么意思呢,就是系统目前够用再往前走一步就可以了。至于这一步是什么?可能需要你在实践过程中,慢慢找到你认为比较合适。很多时候,我们系统架构引入一个新框架或者新技术,它本身带来的复杂性其实比你这个问题还要复杂。

简化架构也是提高技术稳定性的重要步骤。一个复杂的架构可能会导致系统的各个部分难以协同工作,从而影响系统的稳定性。因此,我们应该尽量采用简单的架构设计,使得各个部分可以更容易地协同工作。

案例:业务架构简单化-小件日历天数30天扩充到90天 复杂解法: 1)目前是根据业务的时效配置预计算好30天日历,依赖N个配置(仓-干支线-本地缓存等),在现有基础上,预计算90天日历。 2)缺点:牵扯数据预计算N个地方改造,并且增加了数据量的存储。改造排期长并且数据存储成本高 简单解法: 1)还是保持现有30天日历的算法。第31天以后的日历按照最后一天日历进行复制。如果日历计算命中集约地址(比如3天1送),过滤对应日历即可。 2)优点:代码改造工作量小,数据存储成本保持不变

案例2:技术架构简单化-避免过度使用技术栈 以缓存(本地、分布式缓存)为例,它的引入确实能显著提高系统的响应速度和效率。然而,这同时也带来了新的挑战,如数据一致性问题和缓存策略的选择。

在这里插入图片描述

1)数据一致性问题可能导致用户获取到旧的或不正确的信息。 2)而缓存策略的选择则需要在系统资源利用和数据时效性之间找到平衡点。 为了解决这些问题,我们可能需要引入更复杂的缓存失效策略, 1)如基于时间的失效、事件驱动的失效机制, 这些策略的引入和管理本身就增加了系统的复杂性,因此在设计缓存解决方案时,我们需要仔细权衡其带来的效率提升和潜在的复杂性增加,以找到最适合当前系统需求的平衡点。

3)最小API

对外 API 的设计决定了系统的可扩展性和兼容性。一个清晰、简洁且易于理解的 API 设计可以减少各种交互问题。编写一个明确的、最小的API是管理软件系统简单性的必要条件,我们向API消费者提供的方法和参数越少,这些API就越容易理解,就有更多的时间去完善这些方法,

将复杂的API设计简化为更易用、更直观的形式,以便用户能够更容易地理解和使用。

1.使用标准格式:遵循一致的命名约定、数据格式和错误处理机制。这将使API更加一致和易于使用。

2.API功能单一职责原则:在API设计中,单一职责原则也非常重要。如果一个API具有多个职责,那么它将变得复杂且难以维护。因此,建议将API拆分为多个简单的API,每个API只负责一个特定的职责。明确其功能和用途。这将有助于确保API具有清晰的职责划分,避免不必要的复杂性。

3.简化参数:尽量避免使用过多的参数,而是使用简单、易于理解的参数。如果必须使用多个参数,请确保它们之间有明确的关系。

4.提供简洁的文档:编写简洁明了的API文档,解释每个端点的功能、请求方法、参数和响应格式。确保文档易于阅读和理解,以便用户能够快速上手。

5.提供示例代码:为API提供示例代码,展示如何使用不同的请求方法和参数。这将帮助用户更快地掌握API的使用技巧。

在软件工程上,少即是多,一个很小、很简单的API通常也是一个对问题深刻理解的标志。

案例1:Promise适配M系统API 背景:M系统的时效是自己计算闭环的,promise是对外统一收口时效,在M系统时效业务线上,promise只是透传,不做任何时效逻辑 复杂解法: 1)每次M系统相关时效需求,下游M系统的API需要变更,promise也需要参与改造,改造点2个,第一个是从订单中间件xml获取M系统需要的参数。第二点把获取的参数调用M系统API透传 2)缺点:需求改造系统多,但都是转发适配,无核心逻辑,工作量耗时长,项目排期协调,沟通成本大 简单解法: 1)跟M系统沟通,M系统时效要的信息从X节点获取,promise把该节点的json信息全部透传给M系统,这样后期需求promise不参与改造, 2)优点:从promise角度来说新需求不用改造,从M系统角度来说时效自己闭环。这是双赢的局面,从全局来说,减少了链路的开发/联调/沟通/协调成本,整个项目交互效率提升了.

案例2:❌错误码设计—未传播错误码 案例:外单无妥投时间,目前链路是A---->B---->C系统。但错误码是各自封装,没有把根本原因传播出去,而是各自加工,导致最终看到的原因跟真实的原因千差万别。 导致整个链路牵扯 业务方—>A研发---->B研发---->C研发---->C业务同事 总共5个环节,如下图:

在这里插入图片描述

案例2: ✅错误码信息–传播错误码信息 1、如果API在翻译错误时,需要把底层根本原因返回上去,比如上面案例,把没有妥投日期的根本原因【XXXXXX】周知 2、改造后链路 A业务方---->C业务同事 总共2个环节(改造前5个环节),因为界面提示错误信息,所见即所得,减少了中间环节。提升了业务效率,减少了研发内部中间环节的排查成本。

在这里插入图片描述

4)代码简单

编码简单化也是提高技术稳定性的有效方法。过于复杂的编码可能会导致错误和漏洞的出现,从而影响系统的稳定性。因此,我们应该尽量使用简单、清晰的代码。此外,我们还应该注重代码的可读性和可维护性,这样可以更容易地找到和修复错误。

1.遵循单一职责原则:每个函数或类应该只负责一个特定的任务。这样可以使代码更易于理解和维护,并减少错误的可能性。

2.避免冗余代码:尽量避免重复的代码。如果需要多次使用相同的代码块,请将其封装为函数或方法,以便在需要时调用。

3.使用注释来解释复杂的逻辑:如果代码中包含复杂的逻辑或算法,请使用注释来解释其工作原理。这可以帮助其他人更好地理解代码。

4.将长代码段拆分为多个小段:如果一个代码段很长,可以考虑将其拆分为多个小段,每个小段只做一件事情。这可以使代码更加清晰明了,并有助于调试和维护。

5.使用有意义的变量名和函数名:变量名和函数名应具有描述性,以便其他人可以快速了解其用途。

总之,编写简单的代码需要考虑多个方面,包括可读性、可维护性和可重用性等。

五、简单原则–践行中

我也是正在积极践行以下原则。虽然在实践中仍面临挑战,但正不断学习和改进

1)复杂(重复)的事情简单(工具)化

当我们面对重复而无差别的任务时,工具化的价值便凸显出来。引入合适的工具不仅简化工作流程,还能大幅提升效率。

对于复杂的业务逻辑,我们应致力于深入梳理和理解。详尽的文档是理解这些逻辑的钥匙,它能够将复杂性降低。

对于系统架构,我们应该梳理上下游依赖、交互、核心接口、业务场景、应急预案等,具备全局视图

对于技术密集的代码,充分的注释和示例案例是必不可少的,它们是简化理解过程的桥梁。

我们还应该将复杂的系统解构为小型、可管理的模块,这是一个将复杂事物简化的过程。

2)简单的事情标准化

一旦这些复杂的系统被拆分成多个简单的组件,我们就可以对每个组件进行定制化和标准化。

3)标准的事情流程化

这样的标准化模块,一旦定制完成,就能够形成一个简洁且固定的流程。这种流程化不仅为防止最糟糕情况的发生提供了保障,也使得任务能以统一和高效的方式运行。

4)流程的事情自动化

正如自动化测试所示,一旦流程化得以实施,自动化的基础便已铺垫。基于这一基础,我们可以将复杂的任务转化为自动化的操作,从而尽可能地减少手动干预,实现高效运作。

案例:行云部署发布上线 简单提效快 背景:为解决用户手动部署操作耗时高、分组多人工容易遗漏、对人依赖度高等痛点,2个以上分组,20个容器以上的应用,强烈推荐您使用【部署编排】功能,用户可灵活制定部署策略,实现从编译构建到实例部署的自动化运行,提高部署效率! 复杂–>简单–>标准–>流程–>自动化: 部署编排接入了丰富的原子,提供了部署策略、流量管理、编译构建等功能,可基于这些功能进行任务排布,形成一个独立的部署编排。部署时,只需执行此编排任务即可,解放双手实现自动化部署!同时部署编排支持多分组同时部署。

六、总结

1.复杂的事情简单化

2.简单的事情标准化

3.标准的事情流程化

4.流程的事情自动化

我们先踏出第一步化繁为简

简化复杂性不仅能在短期内提高开发效率和代码质量,也对产品和技术的长期价值产生深远影响

1.当我们考虑如何简化一个给定的任务的每一步时,这不并是在偷懒。相反,我们是在明确实际上要完成的任务是什么,以及如何更容易做到。

2.我们对某些无意义的新功能说“不”的时候,不是在限制创新,是在保持环境整洁,以免分心。

3.软件的简单性是可靠性的前提条件。这样我们可以持续关注创新,并且可以进行真正的有价值的事、长期的事。

本文旨在抛砖引玉,仅就偶然复杂度的议题,从产品与技术的角度,分享一些关于简单化的个人思考。希望这些初步的观点能激发更多精彩的思考和深入的实践。如果文中有任何不足之处,恳请各位不吝赐教,留言指正。谢谢大家的阅读和反馈!

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: 1024|京东零售技术人的N种可能
下一篇: 【玩转金融素材生成】探索交互式AIGC组合素材生成技术
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