如何秒级实现接口间“幂等”补偿:一款轻量级仿幂等数据校正处理辅助工具

导语

本文分析了在网络超时场景下,RPC服务调用数据一致性的问题,对于接口无幂等、接口幂等失效情况下,对异常数据快速处理做了分析思考和尝试,开发了一款轻量级仿幂等数据校正处理辅助工具。该工具可以MOCK或SPY服务调用,不限于RPC接口,进程内的方法调用也支持,与JSF、WebService、HTTP方式无关,只要方法能被代理,就可以使用,写服务、读服务均可以支持。目前已在生产环境中使用,在关键时刻可以发挥相应的作用。本文工具并不重要,重要的是与大家一起探讨一些解决方案,给大家提供一种思路。如果小伙伴有类似诉求,也欢迎大家合适的场景下接入使用。

由来

最近在参与系统的故障与处理恢复专题,我脑海中衍生了一个关于数据校正处理(或称之为修数,或数据处理)相关的一个idea,可以在一些场景下发挥重要作用。

本文的重点不是探讨故障与处理恢复措施,比如三板斧、三把刀,而是将我脑海中的这个idea场景剖开,打算设计和开发一款对应的数据处理提效工具,落地到相应场景中去使用。

场景分析

在分布式架构中,应用之间的网络通信,简单说存在三种状态:成功、失败、超时,简称为网络三态。

成功:请求成功发送并且得到正确的响应。

失败:请求发送失败或收到的响应表示操作失败。

超时:请求在指定时间内没有收到响应。





对于成功而言,可以正常响应处理。

对于失败而言,可以进行数据回退、重试补偿等手段。

对于成功、失败这两种状态而言,结果都是明确的,在分布式数据一致性处理上也相对比较简单。

对于超时而言,调用方感知的是超时,服务提供方处理的时间超出预期时间,但服务提供方最终是否执行成功,不得而知。有可能执行失败,也有可能最终处理成功并落库,只是未能响应给调用方。

在超时情况下,即使调用方再感知超时后,回退自身数据后,同时尝试回退服务提供方的数据时,大概率也是回退失败,因为此时服务提供方尚未执行完成,数据尚未落库完成。如果说delay一段时间后,再去回退服务提供方的数据,倒是可行,但delay多长时间,回退多少次才能成功,都不确定,对调用方来说,也增加了复杂性和运维难度。



假如服务调用是同一个线程中的本地调用,访问同一个数据库实例,则可以直接使用数据库事务来保障一致性。

如果是分布式调用,可以采取分布式事务措施,例如2PC、3PC、TCC、Saga事务等方式来保障一致性,市面上也有成熟的分布式事务中间件可以使用,例如Seata解决方案。



上面说到分布式事务只是顺着话题延伸了一下,本文重点不是探讨分布式事务的解决方案,况且很多京东系统,并没有接入分布式事务解决方案,本文重点思考在超时场景下,有没有一些手段或工具可以帮助快速数据一致性处理、故障恢复。



思考

超时也许是由于网络抖动,或者服务器负载过高造成的服务超时,也有可能是程序性能不佳造成的持续超时。最终的数据处理和恢复方向,都是要让数据在应用之间得以流动落地,才能使整个链路的流程走下去,即要保障应用间数据的最终一致性。



如果服务可以降级,则降级是比较快速的一个恢复手段。

如果服务不可降级,则通过重试补偿等手段来恢复数据的一致性。



RPC服务重试,调用方、服务提供方需要保障接口的幂等性才能保证重试无副作用。

何为幂等性?幂等是一次和多次请求某一个资源对于资源本身应该具有同样的结果,换言之,其任意多次执行对资源本身所产生的影响均与一次执行的影响相同。

接口的幂等性,需要调用方和服务提供方相互配合才行,倘若服务提供方提供的接口支持幂等性,双方按照约定接口入参中的uuid作为唯一序列号进行防重,但服务提供方每次的重试调用(无论上次调用成功与否)uuid都会改变,这就会使得幂等失效。



如果接口没有实现幂等性,或者由于调用方每次必变uuid导致幂等失效,在这种情况下,该如何快速恢复数据呢?

如上图所示,由于服务超时后,应用B内部仍在持续执行,此时恢复手段是:人工介入,梳理数据后,人工将应用B的数据进行回退,或者人工将应用A的数据进行补齐推动流程向后走,人工保证A和B之间的数据一致性。倘若应用A、B背后的流程比较长,涉及的表关系比较复杂,数据量比较大,这时候人工就难以处理了,也容易出错,造成二次伤害。



之前还遇到过一种情况,服务提供方和调用方都支持幂等,但由于一些原因,调用方很久之前的一个异步任务失败了,而调用方用于幂等防重的数据归档了。当时为了支持幂等重试,从归档库里拉回了相应的流水数据到生产库,才重试调用成功,费力费力,效率低。



思路

这里持续探索无幂等或幂等失效场景下的重试能力建设。

在应急处理情况下,向来都是争分夺秒,这里可以通过MOCK结果返回给调用方A,相当于“预支成功”。

并非所有的“预支成功”都是合理的,为了让“预支成功”尽可能合理,需要在服务提供方内部实现里,做好充分的判断和校验,这种判断和校验尽量是轻量级的。如果高并发情况下的“预支成功”判断不合理,事后可以人工介入核对和补偿数据。



建设工具

对工具的期望

•由于接口无幂等或幂等失效,需要对能够预支成功的请求圈定一个范围,这个范围要支持配置,最好支持动态配置秒级生效。

•对这个范围内的请求,进行伪幂等,MOCK特定结果,返回给调用方,使得调用方可以拿到成功结果快速推动流程。

•圈定的范围尽可能具体,尽量避免不该MOCK的进行了MOCK,造成服务调用方的数据没得到刷新,导致数据的不一致。

在实现中,我称这个工具为“魔法工具”,是一种“障眼法”,是一种“预先支付成功”,是一种MOCK或SPY,对于调用方A来说,是一种体感上的成功,认为调用方真的处理成功了。

配置

在配置中,支持多个配置内容的存在,比如有多个单据需要同时进行伪幂等MOCK。



更直观地,用一个JSON数据示例来看一下数据结构:

{    "detailList": [        {            "enabled": true,            "className": "com.jdwl.wms.stock.app.service.main.StockTransferAppServiceImpl",            "methodName": "increaseStock",            "basicNo1": null,            "basicNo2": null,            "basicNo3": "6_6_601",            "uuidList": null,            "businessNoList": [                "GZQ202503160250001"            ],            "startTime": "2025-03-16 01:50:00",            "endTime": "2025-03-18 03:50:00",            "strategy": "DO_AND_RETURN_SUCCESS_REGARDLESS_OF_FAILURE",            "defaultResult": {                "resultValue": true,                "resultCode": 100000,                "prompType": 0,                "success": true            }        }    ]}
startTime、endTime 时间区间是用来卡控配置生效的时间段,正常情况下配置是短暂生效,起到数据处理的作用后,应去掉该配置。

目前策略有两种:

这两个策略的区别是要不要真正执行一次接口实现,类似于单测中的MOCK和SPY效果。

defaultResult 是该接口方法的期望返回值,配置对应的返回值JSON,会按照配置的内容直接返回给调用方。



核心实现

圈定范围的匹配

按不同策略MOCK或SPY

使用案例

案例一 MOCK服务调用

通过DUCC配置圈定要MOCK的范围



{    "detailList": [        {            "enabled": true,            "className": "com.jdwl.wms.stock.app.service.main.StockTransferAppServiceImpl",            "methodName": "increaseStock",            "basicNo1": null,            "basicNo2": null,            "basicNo3": "6_6_601",            "uuidList": null,            "businessNoList": [                "GZQ202503160250001"            ],            "startTime": "2025-03-16 01:50:00",            "endTime": "2025-03-18 03:50:00",            "strategy": "DO_NOTHING_AND_RETURN_SPECIFIED_VALUE",            "defaultResult": {                "resultValue": true,                "resultCode": 100000,                "prompType": 0,                "success": true            }        }    ]}

在JSF平台模拟客户端调用方发起调用

这里采用的策略是

DO_NOTHING_AND_RETURN_SPECIFIED_VALUE,即:不执行,直接返回指定的返回值

JSF的返回值就是在上面所配置的返回值内容。



验证执行情况

这里检查数据库落库情况,看方法是否真地得到执行。

与预期一致,方法被成功MOCK,未真正执行该方法,返回了预先配置的返回值。



案例二 阻隔异常数据生成

近期生产环境遇到一个场景,逆向盘点时,有个终止盘点的操作,这个操作表示结束盘点,并且未盘点的明细则以少货缺量的方式提报差异,并预占库存。

虽然按钮有提示,但少概率下会有操作人员不看提示而误点击,形成大量的差异库存预占。

这些预占是由于误点击形成的差异预占,并非真实的差异,属于异常数据,这种数据需要释放关闭处理,如果数据量较大,现场会找研发团队协助处理。



异常监控

收到监控告警,查看流量情况,发现有突发差异提报流量,短时间内调用量比日常高出很多。

阻隔配置

找到异常仓号和单号,与现场电话对齐后,决定对该异常单进行阻隔拦截,避免产生更多的异常数据。



{    "detailList": [        {            "enabled": true,            "className": "com.jdwl.wms.stock.app.service.main.StockExceptionHandleAppServiceImpl",            "methodName": "recordDifferenceDetail",            "basicNo1": null,            "basicNo2": null,            "basicNo3": "11309_200",            "uuidList": null,            "businessNoList": [                "DPPT1904111957150015488"            ],            "startTime": "2025-03-24 19:37:00",            "endTime": "2025-03-25 00:00:00",            "strategy": "DO_NOTHING_AND_RETURN_SPECIFIED_VALUE",            "defaultResult": {                "resultValue": true,                "resultCode": 100000,                "prompType": 0,                "success": true            }        }    ]}

结果核实

通过核实日志和数据,该工具有效阻隔了部分异常数据的生成,节省了异常数据核对和处理的时间。



总结

本文所提出的一款轻量级仿幂等数据校正处理辅助工具,可以达到MOCK或SPY的效果。不仅可以用在无幂等或幂等失效场景下,数据库快速处理恢复的场合,还可以用于一些查询类、校验类的读服务的MOCK场景。

现阶段工具还比较简单,功能还很有限,使用场景也有针对性和局限性,希望在一些场景上可以帮助大家。

本文工具并不重要,重要的是与大家一起探讨一些解决方案,给大家提供一种思路。

本文的解决方案是我短时间内的一个思考和落地尝试,未必是最优的,希望与大家一起交流更好的方案。



如何接入使用?

如果小伙伴也有类似使用诉求,大家可以先在测试、UAT环境接入试用,然后再逐步推广线上生产环境。

接入方法也非常简单,如下。

1、引入Maven依赖

<dependency>    <groupId>com.jd.sword</groupId>    <artifactId>sword-aspect</artifactId>    <version>1.0.0-SNAPSHOT</version>    <exclusions>        <exclusion>            <groupId>org.projectlombok</groupId>            <artifactId>lombok</artifactId>        </exclusion>        <exclusion>            <groupId>org.apache.commons</groupId>            <artifactId>commons-lang3</artifactId>        </exclusion>        <exclusion>            <groupId>org.slf4j</groupId>            <artifactId>slf4j-api</artifactId>        </exclusion>        <exclusion>            <groupId>org.springframework</groupId>            <artifactId>spring-context</artifactId>        </exclusion>        <exclusion>            <groupId>org.aspectj</groupId>            <artifactId>aspectjweaver</artifactId>        </exclusion>        <exclusion>            <groupId>com.alibaba</groupId>            <artifactId>fastjson</artifactId>        </exclusion>        <exclusion>            <groupId>com.jd.laf.config</groupId>            <artifactId>laf-config-client-jd-spring</artifactId>        </exclusion>    </exclusions></dependency><dependency>    <groupId>com.jd.sword</groupId>    <artifactId>sword-constant</artifactId>    <version>1.0.0-SNAPSHOT</version></dependency><dependency>    <groupId>com.jd.sword</groupId>    <artifactId>sword-annotation</artifactId>    <version>1.0.0-SNAPSHOT</version></dependency>

对于其中的间接依赖,例如lombok等,大家可以使用自己工程中的已有依赖,在这里可以通过exclusion排掉,如果自己工程中没有这些依赖,可以不exclusion。



2、在被拦截方法上打上注解

示例:

@Magic(enabled = true, basicNo3 = "#args[0].requestHeader.warehouseNo", uuid = "#args[0].requestHeader.uuid", businessNo = "#args[0].requestHeader.businessNo")
支持SpEL表达式。

建议在服务提供方的内部方法实现内,或者调用方在调用目标API的防腐层上进行注解。

服务提供方的内部方法实现内,不一定是放在API的impl层,也可以是其内部的Service层,比如放在幂等防重和轻量级校验判断之后,重量级核心逻辑实现之前。



3、使用时进行按需配置

DUCC配置或Spring yml 配置都可以,更推荐使用DUCC动态配置生效。

使用完应尽快去掉配置,可以保留空壳,将detailList置为空list。

示例配置:

{    "detailList": [        {            "enabled": true,            "className": "com.jdwl.wms.stock.app.service.main.StockTransferAppServiceImpl",            "methodName": "increaseStock",            "basicNo1": null,            "basicNo2": null,            "basicNo3": "6_6_601",            "uuidList": null,            "businessNoList": [                "GZQ202503160250001"            ],            "startTime": "2025-03-16 01:50:00",            "endTime": "2025-03-18 03:50:00",            "strategy": "DO_NOTHING_AND_RETURN_SPECIFIED_VALUE",            "defaultResult": {                "resultValue": true,                "resultCode": 100000,                "prompType": 0,                "success": true            }        }    ]}
或
magic:  content: '{"detailList":[{"enabled":true,"className":"com.jdwl.wms.stock.app.service.main.StockTransferAppServiceImpl","methodName":"increaseStock","basicNo1":null,"basicNo2":null,"basicNo3":"6_6_601","uuidList":null,"businessNoList":["GZQ202503160250"],"startTime":"2025-03-16 01:50:00","endTime":"2025-03-18 03:50:00","strategy":"DO_AND_RETURN_SUCCESS_REGARDLESS_OF_FAILURE","defaultResult":{"resultValue":true,"resultCode":100000,"prompType":0,"success":true}}]}'

图片

扫一扫,加入技术交流群

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: 【灯塔计划】供应链时序大模型探索
下一篇: 源码补丁神器—patch-package
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