【企业数字化转型】一文讲透DevOps理论体系的演进

作者:京东零售 刘晓成

一、前言

当前,我国处于以信息化、数字化、网络化、智能化为特征的科技变革浪潮中,企业数字化转型大势所趋,那么作为支撑企业IT运转的运营体系也在向多元方向发展,比如DevOps(研发运营一体化)、AIOps(智能运维)、DataOps(数据研发运营一体化)、MLOps(机器学习研发运营一体化)、BizDevOps(业务研发运营一体化)、FinOps(云财务运营)等内容,逐步形成围绕研运一体化、研运效能度量、安全体系建设、智能化、IT资源财务运营等多个方面的XOps体系。本文重点侧重DevOps的知识内容阐述。

二、背景

随着大数据、人工智能、云计算、数字孪生、5G、物联网和区块链等新一代数字技术应用的发展,企业业务试图构建持续化、端到端的运营体系,从而推动新技术、新业务、新业态的发展。然而,企业IT管理却面临三个难点现状:

•业务需求变化快

•技术迭代更新快

•IT价值难体现

因此,当前企业IT管理旨在希望探索出新技术、新方法、新模式,从而提升需求响应速度以及技术深入应用与迭代能力,最终推动业务价值的实现。

三、发展历程(DevOps->XOps)

在这里插入图片描述

整体而言,对于企业IT运营管理对象中可以划分7层:战略与规划、业务管理、财务与成本、数据生命周期、机器学习工程、软件生命周期和基础设施运行。 在战略与规划中,自2009年DevOps被首次提出,逐步在不同领域的面向对象中诞生出不同的创新应用体系。从笔者绘制的图表中我们可以看出DevOps在企业应用成熟度最高、其次分别是AIOps和MLOps、DataOps,而在近几年企业更多关注成本、业务创新,BizDevOps和FinOps也进入企业重点关注和落地范围内。

虽然XOps各领域面向的对象不同,但都是以文化、组织、流程三个维度串联多个流程领域,在提升效率的同时提高质量,并强调持续的优化改进,对于人员意识的文化培养、组织的协同能力和流程闭环的管理与持续反馈。

四、什么是DevOps

维基百科:对其定义为“DevOps(Development 和Operations 的组合词)是一组结合了软件开发(Dev)和IT运营(Ops)的实践,其目的在于缩短软件开发生命周期并持续交付高质量的软件。

谷歌云:”谷歌云认为“DevOps 旨在提高软件交付速度,提升服务可靠性,并在软件利益相关者之间构建共享所有权的一种组织和文化运动。

AWS:”AWS将DevOps 定义为“集文化理念、实践和工具于一身,可以提高组织高速交付应用程序和服务的能力,与使用传统软件开发和基础设施管理流程相比,能够帮助组织更快地发展和改进产品。

Gartner: Gartner 认为其“是一种使用敏捷方法、协作和自动化交付解决方案的业务驱动方法。”

从业界多方对 DevOps 的定义来看,DevOps 不只是一门技术或套工具平台体系。DevOps 是 Development 和 Operations 的组合词,是组过程、方法与系统的统称,通过研发、测试、运维之间的协作打破各部门之间的信息壁垒,改善团队之间的合作关系,通过自动化.敏捷化和一体化的软件交付和架构变更流程,实现更加便捷、频繁和可靠的发布软件。

在笔者观点理解而言,DevOps是一种交付方式,其中涉及技术、工具、文化、组织多个环节的实践方法。(如下图是笔者简单的理解)

在这里插入图片描述# 五、DevOps的价值和发展趋势

随着近年来DevOps在企业应用成熟度趋于成熟,不乏出现一些文章中提到DevOps已死的标题来吸引读者的注意。正如为了推广微服务而出现铺天盖地的单体架构的贬低言论,推广敏捷而踩低瀑布开发,笔者认为在不同业务领域、业务复杂度情况、公司组织结构、企业IT基础设施等多方面维度都会作为判断决策依据,上面我们提到在战略与规划中,DevOps是一种交付方式,只有交付方式适合不合适,没有直接死掉这么一说。现在我们铺垫了那么多,接下来看下DevOps的价值和发展趋势。

根据 IDC 报告显示,2021 年全球 DevOps 软件工具市场总额为159 亿美元,据预测,2023 年全球 DevOps软件工具市场规模将超过200 亿美元,如下图:

在这里插入图片描述

企业数字化转型中,笔者曾经提到全新的业务模式、高效的业务流程、前沿的技术设施、精准的数据预测、健康的组织文化等5个内容方向,如果数字化转型基于业务模式的是否改变,可以将其过程划分为两个类型,一种是自身数字化重构,另外一种是创新数字化业务。

对于自身数字化重构来说:我们旨在提升企业效率,DevOps能力体系强调协作、自动化、和持续优化。

(1)其中协作来说,包含信息共享(业务类、执行类、反馈类等)和协作调度(全自动、简化和基于事件);

(2)自动化包括软件过程(开发、测试、部署等过程)和过程支撑能力(编译构建、测试环境、部署环境等)。

(3)持续优化包括数据获取、数据分析、数据呈现等。

对于创新数字化业务来说:我们旨在提升用户体验、业务创新,DevOps能力体系强调更好的价值交付,建设工具赋能业务创新和敏捷。

(1)价值交付:更深入的业务认知和需求痛点挖掘,以及基于用户进行量化体验。

(2)工具赋能:围绕工具平台、配置、基础设施等内容,由组织级统一团队以服务化方式赋能项目团队,为业务敏捷性和创新奠定基础。

5.1、DevOps的价值交付、协作与敏捷管理

在DevOps中,我们提倡价值交付,更深入的业务认知和需求痛点挖掘,完成用户体验提升和业务交付。而在敏捷开发中,我们知道敏捷开发管理是一种为应对快速变化的时长和技术环境的新型软件开发方法,它更强调价值交付过程中所涉及的各类角色(如业务产品、开发和测试等)之间的紧密协作、能够很好地适应变化的团队组织、协作和工作方式,主张演进式的规划和开发方式,以及持续和尽早的交付,并不断反馈调整与持续改进,并且鼓励快速与灵活的面对变更,更注重软件开发过程中人的作用。而加快软件交付速度是企业应用敏捷开发最主要的原因。企业的本质是利用组织和技术追求效率与成本控制从而产生商业利润。 敏捷开发管理实践方法众多,企业需根据自身特点选择适合的敏捷实践。

在这里插入图片描述

5.2、DevOps的自动化与工具化赋能

首先,持续交付是指持续的将各类变更 (包括新功能、缺陷修复、配置变化、实验等) 安全、快速、高质量地落实到生产环境或用户手中的能力,是一组能够帮助软件开发团队极大提高其软件交付速度和质量的模式和最佳实践的组成。

那么,持续交付与部署流水线为软件的发布提供一个可重复且可靠的自动化过程,能够实现价值的持续稳定传递。流水线打通软件交付过程的各个环节,建立全流程、端到端、可视化的自动化部署流水线,每次变更都会触发完整的自动化部署流水线,为团队提供状态可视化和及时反馈。

所以我们可以简单定义,自动化部署流水线是实现持续交付的核心。

5.3、DevOps的技术运营能力场景

在这里插入图片描述

技术运营包含监控管理、配置管理、容量与成本管理、高可用管理、事件与变更管理、业务连续性管理和用户体验管理七个能力场景。

•一是监控管理,多数企业监控采集的平台化能力建设较为成熟,具有较强的灵活性和可扩展性,支持自定义数据采集、处理服务。

•二是配置管理关注与技术运营相关的面向应用场景的配置对象及数据,配置对象可以实现误告警的自动屏蔽,根据配置对象的状态来设置规则,配置数据有多套配置系统管理方案,从线下转为线上方式,支持对配置进行统一纳管。

•三是容量与成本管理,通过量化、精细化的方式对容量成本预算、成本核算等进行管理实施。

•四是事件与变更管理,事件管理是对影响生产的事故和问题建立预防、高效处理及度量改进的制度和手段,变更管理是对 IT 基础设施、系统应用、业务产品配置等场景实施变更所进行的审批和控制流程。

•五是高可用管理,包含应用高可用管理和数据高可用管理,采用软硬件结合的方式,以及多机房集群部署,最大限度保障系统的可用性。

•六是业务连续性管理,通过风险管理、危机管理、应急管理等内容保障业务连续性要求。

•七是用户体验管理,通过技术运营的方式关注用户体验,提升用户满意度,通常会通过埋点技术收集用户体验指标,并进行分析优化

5.4、DevOps的应用设计与DevSecOps

DevOps的应用设计主要关注应用架构的可扩展性、可伸缩性、可观测性、安全性和可用性。在应用设计中,随着技术发展与业务变化,IT架构已经经历了单体架构、垂直架构、SOA架构和微服务框架几大阶段,而当前微服务与云原生架构正在企业中广泛试点。

在这里笔者想强调的是,应用设计中,往往安全是整个IT团队所有成员的责任,需要贯穿整个业务生命周期的每个环节。

DevSecOps 通过建立完善的软件安全开发生命周期管理体系,将安全内建到项目的生命周期每个阶段,并流程化跟踪项目安全建设中的各项安全活动。同时,在研发过程中融入安全基础能力,要求和检出一一对应,平台可集成安全工具,提升自动化能力.

六、DevOps的生命周期与工具全景图

DevOps 通过其规划、部署、交付和运营阶段来影响应用程序生命周期。每个阶段都依赖其他阶段,且各阶段并非特定于角色。DevOps 文化在某种程度上涉及每个阶段中的所有角色。

在这里插入图片描述

图片来自https://learn.microsoft.com/zh-cn/devops/what-is-devops

贯穿云原生 DevOps 整个生命周期的工具链全景图如下:

在这里插入图片描述

图片来自:https://mp.weixin.qq.com/s/yPeRriDT-miiLoJdY-aY8Q

七、DevOps的成熟度评估体系

DevOps 成熟度是评估效维工具选择的首要参考维度。不同企业可以基于自身实际情况可以从多维度进行评估:

在这里插入图片描述

八、感悟

笔者认为越是成熟度高的东西,体系知识越是庞大,本文限于篇幅的原因对于部分内容细节并未全部展开描述,更多的是从定义、描述、价值、趋势、知识体系和工具体系大的方向介绍,对于如何实施细节需要读者去针对细节内容去学习。其中上述内容有很多是笔者的观点,如有不同见解,还希望留言或者私下沟通。

九、参考资料

•《中国XOps应用创新发展研究报告》-中国信息通信研究院

•《星汉未来综合运维解决方案》

•微软DevOps资源中心:https://learn.microsoft.com/zh-cn/devops/what-is-devops

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 199

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 296

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 354

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 306

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 395

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 545

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 602

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 364

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 458

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 584

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 617

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 714

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 633

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 668

【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 559

【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 726

【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 549

【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 607

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 295

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 388

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 903

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 585

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 354

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 751

【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 865

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 835

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 863

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 1004
上一篇: 【实践篇】一次Paas化热部署实践分享
下一篇: 记一次老商家端应用内存突然飚高原因分析
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