DeepSeek(私有化)+IDEA+Dify+微信 搭建AI助手保姆级教程

作者:京东物流 冯志文

本文参考网上资料学习,IDEA接入DeepSeek+私有化部署DeepSeek+Dify搭建智能助手+接入微信(个人电脑Windows和mac都可以安装),手把手保姆级教程。

一、IDEA接入DeepSeek

1)首先IDEA下载安装 Continue插件,如下图大概几分钟安装完成

“Continue” 是一款专为 IntelliJ IDEA 设计的开源 AI 助手插件,利用大语言模型(例如DeepSeek 或其他模型)与代码的自然语言交互,极大地提高了开发效率。类似于 CodeGPT 和 GitHub Copilot,它可以实时生成代码、解决问题、创建单元测试等,帮助开发者更快、更准确地完成编程任务。
在这里插入图片描述

2)安装完成后,IDEA右边点击Continue按钮,并且Add Chat model添加模型

在这里插入图片描述

3)添加DeepSeek模型,填写对应api的key

在这里插入图片描述

4)测试代码

在这里插入图片描述
在这里插入图片描述

附:DeepSeek APIkey获取

1)打开deepseek官网–API开放平台

在这里插入图片描述

2)API keys创建API key,复制对应key

在这里插入图片描述

3)注册后会赠送10元,测试体验下

在这里插入图片描述

二、私有化部署DeepSeek

1)安装Docker

docker官网:https://www.docker.com/

1.根据自己电脑配置下载对应版本,下载后按照即可

在这里插入图片描述

1.安装完成

在这里插入图片描述

2)安装ollama

Ollama 是一个开源工具,专注于在本地运行和管理大型语言模型(LLMs,Large Language Models)。它旨在简化 LLMs 的部署和使用,让开发者、研究人员和爱好者能够轻松地在本地环境中运行和实验各种语言模型(RunLlama 3.3,DeepSeek-R1,Phi-4,Mistral,Gemma 2, and other models, locally.)。

官方网站:https://ollama.com/

1.下载并安装 Ollama 客户端

在这里插入图片描述

1.根据你个人电脑的实际配置,选择合适的 DeepSeek 尺寸模型进行部署。比如推荐安装 7B/8B 尺寸模型。

访问:http://127.0.0.1:11434/ 显示:

Ollama is running

3)私有化部署DeepSeek

1.运行命令ollama run deepseek-r1:7b安装 DeepSeek R1 模型。

在这里插入图片描述

1.安装完成后,会自动运行大模型,输入“deepseek可以做什么?”测试一下:
在这里插入图片描述

三、搭建智能助手

1)安装 Dify

dify是开源的 LLM 应用开发平台,旨在帮助开发者轻松构建和运营生成式 AI 原生应用。提供从 Agent 构建到 AI workflow 编排、RAG 检索、模型管理等能力,轻松构建和运营生成式 AI 原生应用。比 LangChain 更易用。官方地址:http://difyai.com/
在这里插入图片描述

1)访问 Dify GitHub 项目地址,运行以下命令完成拉取代码仓库和安装流程。

#克隆 Dify 源代码至本地环境。
git clone https://github.com/langgenius/dify.git
# 进入dify源码docker 目录  
cd dify/docker  
# 复制并重命名配置文件  
cp .env.example .env 
# 启动 docker compose ,根据你系统上的 Docker Compose 版本,选择合适的命令来启动容器。
# 你可以通过 $ docker compose version 命令检查版本,详细说明请参考 Docker 官方文档:
docker compose up -d

注意事项:

如果git clone执行慢,也可采用download对应的zip包下载
在这里插入图片描述
docker 镜像下载慢,修改****Docker 配置,Apply&restart重启docker

"registry-mirrors": [
    "https://registry.docker-cn.com",
    "https://dockerhub.azk8s.cn",
    "https://reg-mirror.qiniu.com",
    "https://registry-farsight.cn",
    "https://registry.hub.docker.com",
    "https://registry-mirror.github.com"
]

registry-mirrors是 Docker 镜像仓库的镜像站点,用于加速 Docker 镜像的拉取。以下是每个镜像站点的具体说明:

1.https://registry.docker-cn.com

◦这是 Docker 官方在中国提供的镜像站点,旨在为中国用户提供更快的 Docker 镜像下载速度。

2.https://dockerhub.azk8s.cn

◦这是由 Azure 中国提供的 Docker Hub 镜像站点,专门为中国用户优化,加速 Docker 镜像的拉取。

3.https://reg-mirror.qiniu.com

◦这是七牛云提供的 Docker 镜像加速服务,帮助用户更快地拉取 Docker 镜像。

4.https://registry-farsight.cn

◦这是一个国内的 Docker 镜像加速站点,提供 Docker Hub 的镜像服务。

5.https://registry.hub.docker.com

◦这是 Docker 官方的镜像仓库(Docker Hub),默认的 Docker 镜像源。如果没有配置镜像加速,Docker 会直接从该地址拉取镜像。

6.https://registry-mirror.github.com

◦这是一个 GitHub 提供的 Docker 镜像加速服务,专门用于加速 GitHub 容器镜像库(GHCR)的镜像拉取。

在这里插入图片描述

2)运行命令后,你应该会看到类似以下的输出,显示所有容器的状态和端口映射:

在这里插入图片描述

3)此时回到docker桌面客户端可看到,所有dify所需要的环境都已经运行起来了

在这里插入图片描述

Dify 社区版默认使用 80 端口,点击链接http://127.0.0.1即可访问你的私有化 Dify 平台。

在这里插入图片描述

2)将DeepSeek 接入至 Dify

Dify 将模型分为 4 种类型,用于不同用途: 系统推理模型 (System Inference Models) :用于聊天、名称生成、建议后续问题等任务。提供者包括 DeepSeek、OpenAI、Azure OpenAI Service、Anthropic、Hugging Face Hub、Replicate、Xinference、OpenLLM、讯飞星火、文心一言、通义、Minimax、智谱 (ChatGLM) Ollama 和 LocalAI。 嵌入模型 (Embedding Models) :用于在知识库中嵌入分段文档并处理用户查询。提供者包括 OpenAI、智谱 (ChatGLM) 和 Jina AI(Jina Embeddings 2)。 重排序模型 (Rerank Models) :增强大语言模型的搜索能力。提供者:Cohere。 语音转文本模型 (Speech-to-Text Models) :在对话应用程序中将语音转换为文本。提供者:OpenAI。

登录Dify后,点击右上角头像 → 设置 → 模型供应商,选择 Ollama,轻点“添加模型”。

本地部署的 DeepSeek 模型对应 Ollama 客户端。请确保 DeepSeek 模型已成功部署由 Ollama 客户端部署,详细部署说明请参考上文。 模型供应商内的 DeepSeek 对应在线 API 服务。

在这里插入图片描述

选择 LLM 模型类型

•模型名称,填写具体部署的模型型号。如上文部署的模型型号为 deepseek-r1 7b,因此填写deepseek-r1:7b

•基础URL,填写 Ollama 客户端的运行地址,通常为http://your_server_ip:11434。如遇链接问题,请查看如下Docker 部署时的连接错误

当使用 Docker 部署 Dify 和 Ollama 时,可能遇到以下错误:

An error occurred during credentials validation: 
HTTPConnectionPool(host='127.0.0.1', port=11434): Max retries exceeded with 
url: /api/chat (Caused by NewConnectionError('<urllib3.connection.HTTPConnection 
object at 0xffff59eb5e80>: Failed to establish a new connection: [Errno 111] Connection refused'))

错误原因:此错误发生是因为 Ollama 服务在 Docker 容器中无法访问。localhost 通常指向容器本身,而不是主机或其他容器。要解决此问题,需要将 Ollama 服务暴露到网络中。

macOS 环境配置方法:

如果 Ollama 作为 macOS 应用运行,需要使用 launchctl 设置环境变量:

1.通过调用 launchctl setenv 设置环境变量:

launchctl setenv OLLAMA_HOST "0.0.0.0"

1.重启 Ollama 应用程序。

2.如果以上步骤无效,可以使用以下方法:问题是在 docker 内部,你应该连接到 host.docker.internal,才能访问 docker 的主机,所以将 localhost 替换为 host.docker.internal 服务就可以生效了:

http://host.docker.internal:11434

•其它选项保持默认值。根据DeepSeek 模型说明。

配置成功后

在这里插入图片描述

3)搭建DeepSeek AI 聊天助手

Dify 提供四种类型的应用:

•聊天助手:基于大型语言模型构建的对话助手。

•文本生成:用于文本生成任务的助手,例如编写故事、文本分类、翻译等。

•智能体:能够进行任务分解、推理和工具调用的对话式 AI 智能体。

•工作流:基于流程编排定义更灵活的 LLM 工作流。

1.点击Dify 平台首页左侧的"创建空白应用",选择"聊天助手"类型应用并进行简单的命名。

在这里插入图片描述

1.选择 Ollama 框架内的 deepseek-r1:7b 模型。

2.在对话框中输入内容,验证 AI 应用是否能够正常运行。

在这里插入图片描述

1.点击应用右上方的发布按钮,可嵌入到网站中。

在这里插入图片描述

4)搭建DeepSeek AI Chatflow / Workflow(进阶应用)

工作流通过将复杂的任务分解成较小的步骤(节点)降低系统复杂度,减少了对提示词技术和模型推理能力的依赖,提高了 LLM 应用面向复杂任务的性能,提升了系统的可解释性、稳定性和容错性。

Dify 工作流分为两种类型:

•Chatflow:面向对话类情景,包括客户服务、语义搜索、以及其他需要在构建响应时进行多步逻辑的对话式应用程序。

•Workflow:面向自动化和批处理情景,适合高质量翻译、数据分析、内容生成、电子邮件自动化等应用程序。

1.点击创建空白应用-Chatflow

在这里插入图片描述

1.添加 LLM 节点,选择 Ollama 框架内的deepseek-r1:7b模型,并在系统提示词内添加{{#sys.query#}}变量以连接起始节点。

在这里插入图片描述

1.执行
在这里插入图片描述

5)创建本地知识库

5.1)添加Embedding模型

1、为什么要添加Embedding模型?

添加 Embedding 模型的目的是为了将高维数据(例如文本、图像)转换为低维向量。这些向量可以有效地捕捉原始数据的语义信息,适用于各种应用场景,包括文本分类、相似性搜索、推荐系统等。

我们需要将上传的私有资料通过 Embedding 模型转换为向量数据,并存储在向量数据库中。这样,在回答问题时,我们就可以根据自然语言,准确地获取到原始数据的含义并进行召回。因此,提前将私有数据向量化并入库是非常重要的步骤。

2、下载Embedding 模型

ollama pull bge-m3

在这里插入图片描述
在这里插入图片描述

3、配置 Embedding 模型

在这里插入图片描述
在这里插入图片描述

5.2)创建知识库

在这里插入图片描述

保存并处理

在这里插入图片描述

知识库创建完成

在这里插入图片描述

5.3)添加知识库为对话上下文

在这里插入图片描述

在这里插入图片描述

5.4)测试知识库

在这里插入图片描述

在这里插入图片描述

如想编辑可复制mermaid,然后打开draw.io
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

四、Dify+DeepSeek接入个人微信(慎用)

本项目有封号风险,如需要使用,建议使用微信小号**进行测试。

本项目有封号风险,如需要使用,建议使用微信小号**进行测试。

本项目有封号风险,如需要使用,建议使用微信小号**进行测试。

附:如下个人使用后警告提醒

在这里插入图片描述

1)打开Dify聊天助手>访问API,生成API密钥

在这里插入图片描述

我们只需要保存好两个东西:API密钥与API服务器地址

2)下载Dify on WeChat项目

Dify on WeChat是 ChatGPT on WeChat的下游分支,额外实现了对接Dify API,支持Dify聊天助手、支持Agent调用工具和知识库,支持Dify工作流,详情请查看GitHub仓库Dify on WeChat。

1.下载项目代码

git clone https://github.com/hanfangyuan4396/dify-on-wechatcddify-on-wechat/

1.安装python

Dify on WeChat项目使用python语言编写,请在python官网下载安装python,推荐安装python3.8以上版本,我电脑是3.9.6,可以正常运行。

1.安装核心依赖(必选):

pip3 install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple

3)填写配置文件

在项目根目录创建名为config.json的文件,文件内容如下,请把dify_api_base配置为API服务器地址;dify_api_key配置为API密钥其他配置保持不变。

{  
"dify_api_base":"https://api.dify.ai/v1", 
"dify_api_key":"app-xxx", 
"dify_app_type":"chatbot",
"channel_type":"wx",  
"model":"dify",  
"single_chat_prefix": [""],  
"single_chat_reply_prefix":"",  
"group_chat_prefix": ["@bot"],  
"group_name_white_list": ["ALL_GROUP"]
}

本机config.json内容如下:

在这里插入图片描述

4)启动服务

cd dify-on-wechat
python3 app.py  

5)扫描登录

在这里插入图片描述

6)对话测试

在这里插入图片描述

五、人机共生时代的能力培养体系

引用自《清华大学-DeepSeek从入门到精通(20250204).pdf》

在这里插入图片描述

在这里插入图片描述

更多的需要思考如何应用提升工作效率

参考资料

https://github.com/langgenius/dify-docs/blob/main/zh_CN/learn-more/use-cases/private-ai-ollama-deepseek-dify.md

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 66

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 230

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 318

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 382

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 324

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 408

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 565

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 616

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 386

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 675

【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 909

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: 硅基流动+Cherry Studio‘0天然全科技’快速搭建DeepSeek满血版
下一篇: 商家智能助手:多智能体在电商垂域的技术探索
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