测试右移之——监控告警中心优化与建设策略

作者:京东保险 郑飞

前言

在11.11大促中,质量保障成为了确保大促顺利进行的坚固防线。其中,测试右移作为一种前瞻性的质量策略,正日益彰显其不可或缺的价值。而监控,作为测试右移战略中的核心环节,不仅承担着全面、精准捕捉系统运行动态的重任,更需在问题初露端倪时,迅速吹响警报,引领团队实施有效干预。然而,当前大部分关于测试右移中监控部分的讨论,多聚焦于监控技术的选择与实现,以及如何构建全面的监控体系,而对于监控告警这一核心功能的深度剖析却相对较少。

告警,作为监控体系中的“哨兵”,其重要性不言而喻。一个高效、精准的告警机制,能够第一时间将潜在问题反馈给相关人员,为快速定位、解决问题赢得宝贵时间。但现实中,告警机制的设计与实施往往面临着诸多挑战,如告警信息的泛滥、感知度不足、准确性不高等,这些问题都严重制约了监控体系效能的发挥。

因此,本文特从告警视角出发,探讨当前监控告警机制存在的问题与挑战,并提出针对性的优化与建设策略。希望通过本文的阐述,能够为读者在构建和优化监控告警体系时提供有益的参考与启示。

一、背景概述与当前状况

在构建业务监控体系的过程中,我们通常采用多元化的告警通知手段,涵盖邮件、即时通讯消息等多种形式。当前,团队中大部分业务监控主要依赖邮件和即时通讯消息(京ME)作为告警传递的两大渠道。

然而,随着监控范围的不断扩大和业务应用场景的日益丰富,现有的报警通知机制正面临一系列严峻挑战。

二、面临的主要挑战

1.报警感知度不足:单一的报警模式或当前报警功能的感知能力存在明显短板。例如,由于每日接收的邮件数量庞大,邮件通知方式往往容易被忽视;相较于邮件,京me消息通知的感知度虽有所提升,但仍存在遗漏关键报警信息的风险。

2.报警信息泛滥:无效或冗余的报警信息会严重干扰正常报警的传递,增加值班人员的工作负担,降低其处理效率。更为严重的是,这些无效信息会将紧急报警淹没在海量报警信息之中,导致关键信息被忽视。

3.报警不准确:不合理的阈值设置可能引发漏报或误报现象,进而对系统的稳定性和安全性构成潜在威胁。

三、告警中心建设目标

告警中心的建设旨在全面攻克上述存在的痛点问题,并在此基础上拓展更为全面且强大的功能体系。以下是该建设的核心目标:

1.构建统一报警平台:旨在提供一个集成化的报警通知中心,确保各业务监控模块能够专注于其核心功能的实现,而无需为报警通知的多样化与整合性担忧。

2.实现多通道告警:通过集成邮件、即时通讯、短信等多种报警通知渠道,构建一个具备多维度告警感知能力的系统,确保报警信息能够精准触达目标接收者。

3.引入优先级设定机制:为报警信息提供分级与优先级设定的能力,使接收者能够迅速识别并优先处理高优先级报警,确保紧急问题得到及时响应。

4.实现自动升级与抑制:针对有效报警项,当出现严重批量报警时,系统将自动提升其感知能力,确保关键信息不被遗漏;同时,对于冗余或无效报警,系统将自动进行降级处理,抑制其通知频率,避免造成不必要的干扰。

5.实施报警合并策略:对于相同类型的报警信息,系统将进行智能合并,以减少报警数量。在设定的时间窗口内,将同一监控对象的多次报警合并为一次,提高报警信息的可读性和处理效率。

6.打造自适应报警系统:依托实时数据和历史数据,结合先进的统计分布算法,系统将自动调整报警阈值,以适应系统环境的不断变化,确保报警信息的准确性和有效性。

7.构建问题闭环处理流程:通过与问题处理平台无缝对接,形成从报警触发到问题解决的完整闭环流程,确保每一个报警都能得到及时、有效的处理,从而提升系统的稳定性和可靠性。

四、技术设计方案

4.1 告警设置使用原则

•【建议】控制告警数量,避免引发“狼来了”效应。

•【强制】当告警触发时,必须附带明确的操作指南。

•【建议】对于无需人工干预的告警规则,建议直接予以移除。

•【强制】告告警信息中必须包含告警级别、影响范围及应对措施等关键信息。

4.2 告警渠道集成策略

告警中心致力于构建一个全面而灵活的报警感知网络,集成了多种高效、便捷的告警渠道,包括但不限于:

•邮件通知:利用邮件系统的广泛覆盖性和可靠性,确保告警信息能够准确无误地送达至指定接收者。

•京me消息:依托京me平台的即时通讯能力,实现告警信息的快速传递,确保相关人员能够第一时间接收到报警通知。

•京me群通知:还有另外一种情况,就是负责人不能立马看到告警,针对这种情况我们可以提前准备告警群,把告警投入小组的群里,这样群里的其他同学也能看到告警,帮负责人处理告警或者提醒负责人处理告警。

•京me日历提醒:结合京me日历的日程管理功能,将告警信息以日程提醒的方式呈现,为相关人员提供更为直观的告警感知体验。

•电话告警:在紧急情况下,通过电话直接拨打相关人员手机,确保告警信息能够以最快速度传递至目标接收者,实现即时响应。

4.3 故障等级与告警设置策略

在故障管理体系中,明确定义故障的等级至关重要。除了传统的基于受损PV/UV、收入等维度来划分故障等级外,故障的持续时间同样是一个不可忽视的关键指标。对于一个核心服务而言,故障的持续时长将直接影响其最终的影响级别。例如,短时间的瞬时故障可能仅造成轻微影响,而长时间的持续故障则可能引发重大业务中断,带来严重后果。

因此,如何迅速解决故障,实际上也在一定程度上考验着我们的告警设置能力。在事故的全生命周期管理中,从发现到定位,告警都扮演着至关重要的角色,尤其是故障的初步发现阶段。为了优化告警设置,提升故障处理效率,以下几点策略可供参考:

•告警分级管理:根据故障的严重性,将告警划分为不同的等级,如提示级、预警级、严重级和灾难级。这种分级管理有助于相关人员根据告警级别快速判断故障的紧急程度,并采取相应的应对措施。

•告警原因分类:对告警进行细致的原因分类,如网络故障、硬件故障、软件错误等,有助于快速定位故障源头,减少排查时间。同时,原因分类也为后续的故障预防和改进提供了有力支持。

•提供解决方案:每条告警信息中应包含初步的解决方案或处理建议,以便相关人员能够在接收到告警后,迅速采取行动,遏制故障扩散,降低损失。解决方案可以包括紧急操作步骤、备用系统切换方案、联系技术支持人员等。

4.4 告警收敛抑制与自动升降级策略

告警中心不仅承担着即时发送告警信息的重任,还需对告警记录进行精细化管理和分析。告警中心会保留每一次告警的通知记录,并根据后续的验证结果,对告警进行精准分类,如有效报警、无效报警、偶发性报警以及常规报警等。

为了提升告警管理的效率和准确性,告警中心会根据历史告警的最终处理结果,智能识别出冗余或无效的告警。对于这些告警,系统将自动采取降级处理措施,有效抑制其通知频率,从而避免对相关人员造成不必要的干扰和负担。这种智能收敛抑制机制,有助于减少无效告警的噪音,让相关人员能够更加专注于处理真正重要的告警。

同时,对于历史上曾经出现过的重要或严重报警,告警中心在提供正常通知的基础上,还具备智能升级的能力。例如,当某个告警配置原本使用较为普通的通知方式(如京me通知),但在出现批量恶劣报警且接收人未能及时跟进处理的情况下,系统会自动将该告警升级为更高级别的通知方式,如电话告警(同时可以支持升级为通知相关上级人员)。这种智能升级策略,能够确保在紧急情况下,相关人员能够迅速接收到告警信息,并采取相应的应对措施,从而有效遏制故障的扩散和升级。

4.5 告警合并策略

对相同类型的报警信息进行智能识别与合并。在设定的时间窗口内,对于同一监控对象触发的多次报警,系统将自动进行合并处理,将多条相似的告警信息整合为一条综合告警。这种合并方式不仅显著减少了报警数量,降低了告警信息的冗余度,还使得告警信息更加简洁明了,易于阅读和理解。

4.6 自适应阈值策略

在监控告警领域,阈值设定一直是一个棘手的问题。传统的固定阈值方法,虽然简单易行,但往往难以兼顾精准告警与减少误报之间的平衡。阈值设定过于宽泛,可能遗漏真正的故障问题,导致漏报;而设定过于保守,则可能引发大量无效误报,干扰正常工作。更为复杂的是,随着业务的不断发展,监控对象的数据波动也会发生变化,阈值也需要相应地进行调整。

为了解决这一难题,引入了自适应阈值策略优化方案。该方案的核心在于利用统计分布学算法,根据历史数据走向,动态计算出合理的告警阈值。具体而言,我们可以采用正态分布或均匀分布等统计模型,对历史监控数据进行拟合和分析,从而得出一个能够反映数据波动特性的动态阈值。

自适应阈值策略的优势在于其灵活性和准确性。由于阈值是根据历史数据动态计算得出的,因此能够随着业务的发展和数据的变化而自动调整,始终保持对监控对象的敏感度和准确性。同时,该策略还能够有效减少误报和漏报的情况,提高告警信息的可靠性和实用性。

在实施自适应阈值策略时,我们还需要注意以下几点:

1.数据质量:确保历史数据的准确性和完整性,避免数据异常对阈值计算造成干扰。

2.模型选择:根据监控对象的特性和数据分布特点,选择合适的统计模型进行拟合和分析。

3.阈值调整:定期对自适应阈值进行验证和调整,确保其始终符合业务需求和运维实际情况。

4.7 告警问题追踪与闭环

告警中心通过与问题跟踪系统的集成,实现了告警从触发到解决的全程跟踪。当告警触发时,系统会自动将告警信息发送至问题跟踪系统,并生成相应的问题记录。值班人员可以在问题跟踪系统中查看告警详情、处理进度和解决方案等信息,确保每一个告警都能得到及时、有效的处理。这种告警问题追踪与闭环流程,有助于提升系统的稳定性和可靠性。

五、优秀文献推荐

关于线上稳定性的构建与监控报警机制的完善,特此推荐以下几篇卓越的文献资料:

外部文献精选:

1.《vivo 服务端监控体系建设实践》

2.《我在服务监控方面的实践》

神灯社区佳作:

1.《系统稳定性之-监控报警》

这些文献资源将为在构建与优化线上稳定性及监控报警体系方面提供宝贵的参考与启示。

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 214

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 233

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 323

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 385

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 325

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 410

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 619

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 388

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 473

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 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 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 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 553

【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 910

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: 超详细!!传统NLP算法结合大模型私有化部署简易知识问答体系工程实践
下一篇: java小知识-纳秒
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