【前瞻技术布局】咖啡机器人:具身智能技术首阶段探索与实践

一、前言

我是一名京东具身智能算法团队的研究人员,目前,主要专注在真实场景真实机器人下打造一套快速落地新场景的具身智能技术架构,聚集机器人操作泛化能力提升,涉及模仿/强化学习、“视觉-语言-动作”大模型等方法研究。本文主要以第一阶段咖啡机器人任务场景为切入点,来阐述所取得的技术突破,以及后续技术优化方向。如下是机器人全程自主完成打咖啡的视频。

二、问题定义和路径选择

具身智能,指的是配备实体身躯、支持物理交互的智能体所展现出的智能形态。凭借这一智能形式,机器人及其他智能设备得以在复杂多变的现实世界中执行各类任务。然而,鉴于任务的复杂性以及操作所呈现出的高难度与多样性,具身智能技术遭遇诸多挑战,当前仍处于持续发展阶段。现阶段,多数具身智能研究仅在实验室或结构化场景中开展,很难将成果迁移至真实场景加以应用。究其根源,理想环境屏蔽了诸多在真实场景中才会暴露的问题。有鉴于此,我将研究重心聚焦于真实场景下的具身智能技术突破,同时,为推动具身智能技术广泛赋能多元业务,着力打造一套能够快速适配新场景的具身智能技术架构。

目前,具身操作是具身智能核心技术卡点,其技术路线粗分为预测机器人操作动作与预测物体抓取位姿。前者泛化性弱且依赖大量专家数据,后者难适用于复杂长序列任务,灵巧手位姿也难获取。鉴于此,创建了技术上乘上启下“末端模仿” 新路径,融合两者优势,包括预测预抓取位姿(易实现、泛化性强)与统一操作轨迹学习(减少专家数据依赖、操作灵巧),且该路径可灵活扩展为 “视觉 - 语言 - 动作” 大模型方法。

三、快速落地新场景技术架构打造

在当今快速变化的技术环境中,集团会面临着不断适应新业务场景的挑战。只能适应单一场景的具身智能技术不具备长期价值,而能够快速落地新场景的具身智能技术则至关重要。因此,针对于真实场景下机器人打咖啡任务,打造了一套快速落地新场景的技术架构原型,并取得了关键技术突破。

1、关键技术突破及价值

1)真实场景下从0到1打造具身智能系统技术架构
  • 面临挑战:具身智能系统往往涉及内容模块较多,耦合关系较为复杂,可扩展性较差,难以快速适应新任务场景。与此同时,真实场景下,往往面临着通信时延、模型推理速度和系统稳定性等挑战。
  • 技术突破:如下图所示,打造了一套具备高扩展性的具身智能系统技术架构,只需定义合适的子任务序列就可落地新场景。其中,该系统以ROS系统为基础构建,整个流程通过主调度模块进行协调,确保各模块之间的协同工作,通过不同控制模式决定系统不同阶段的工作方式,包括导航、感知、基于Agent的任务规划、遥操、具身操作等。此外,设计了模型异步推理、GRPC协议数据传输和子母路由通信等机制来攻克通信时延、推理速度慢等问题。
  • 核心价值:在真实场景下,从0到1打造了整套具身智能系统技术架构,并且成功落地咖啡机器人任务场景中,而不是在简单的实验室或者结构化场景下。与此同时,为后续真实场景下具身智能技术的研发提供了坚实的基础。

在这里插入图片描述

2)面向双臂灵巧手构建高频率一体式遥操技术
  • 面临挑战:目前,大多数遥操采用了同构方式。这种方式需要额外配置相应的机械臂,并且不同结构机器人是无法共享,可扩展性及便捷性低。其次,双臂和灵巧手的一体式遥操技术对其同步性及延迟率要求高,实现难度大。
  • 技术突破:如以下视频所示,构建了面向双臂灵巧手的一体式高频率遥操技术。通过结合惯性动捕和视觉动捕技术,对遥操设备进行了创新设计,使机器人能够精准复刻人类动作。同时,借助手和臂数据透传技术,优化了从动作捕捉到控制执行的高频率跟随链路,极大提升了系统响应速度与操作精度。
  • 核心价值:相比于行业其他遥操技术,该技术具备轻量化、价格低廉和扩展性强特点。此外,通过该遥操技术,双臂灵巧手的整体控制频率达50hz以上,并且系统延时在50ms以内。
3)少量数据下实现物体位置的泛化操作
  • 面临挑战:具身操作的泛化性一直是一个挑战性问题。目前,大多数方法都依赖于大量数据使其涌现出泛化性能。然而,大量的示教数据需要消耗大量人力物力。训练模型也需较多计算资源的支撑,且效果也难以达到较佳的泛化性能。
  • 技术突破:如下图所示,提出了基于末端模仿的泛化操作方法,聚集于统一的操作轨迹学习,能在较少的数据下实现较强的位置泛化能力,涉及核心模块包括:操作物体感知与位姿估计、预操作位姿到达和聚集物体的策略学习。此外,设计了聚集于物体的视觉特征提取模块,增强对核心操作区域的感知。
  • 核心价值:相比与行业已有方法,首次提出聚集于核心操作轨迹的学习方法,能在较少数据量情况下实现物体位置的泛化操作,在打咖啡任务中,成功率达90%以上。此外,在大量抓取任务中(拿扫码枪、抓娃娃、搬箱子等等),该方法表现出的性能相比于baseline成功率提升了50%以上。

在这里插入图片描述

2、咖啡机器人任务场景实践

基于所打造的具身智能技术架构,首先落地了咖啡机器人任务场景。机器人打咖啡任务主要包含以下几个步骤:导航到咖啡机、拿起空杯子、放好杯子、点击屏幕(选择咖啡、确认按钮和已放好按钮)、拿起咖啡杯、导航到用户位置、将咖啡杯递给人。打咖啡任务是一个真实场景下的长序列任务,包含多个子任务。子任务都是按序列衔接好的,完成当前子任务才会执行下一个子任务。与此同时,设计了子任务是否成功完成的检测机制,提升整个系统的鲁棒性,比如:点击屏幕过程中,如果没有点击触发,会反复点击直到成功。即便面对打咖啡这样复杂的场景,凭借该具身智能技术架构打造的系统,仍能以极高的成功率完成任务。以下是机器人打咖啡的精彩瞬间。

|在这里插入图片描述

在咖啡机器人任务场景实践中,遇到诸多新问题。起初为机器人在胸部和头部各配备 RealSense D435 相机,却发现胸部相机易被机械臂遮挡,且两款相机 FOV 过小,常无法捕捉操作物体和灵巧手,而这类问题在实验室桌面操作场景中难以察觉。于是,将头部相机换成 FOV 更大的 ZED 相机,可新相机又导致模型视觉特征不聚集,遂通过聚焦手部局部视角解决。点击屏幕时,按钮需快速抽离动作才能触发,给灵巧手控制带来极大困难。为此设计检测机制,让灵巧手能反复尝试,有效提升了点击成功率。

四、下一步技术优化及进展

后续,将进一步完善和优化整个具身智能系统架构,使其能快速落地新场景。核心聚集于具身操作方向,提升机器人的泛化操作能力,扩充其技能库的上限。结合具身技术发展趋势以及现有架构的不足,主要围绕以下两个方面开展工作。

  • “视觉-语言-动作”大模型促进快速落地新场景:“视觉-语言-动作”大模型会利用“视觉-语言”预训练模型知识来促进对机器人动作的学习。在大量的数据训练基础上,“视觉-语言-动作”大模型将会涌现出令人意想不到的能力:基于语言指令的新技能泛化、新物体泛化、甚至多机协作能力。这些潜能在Figure AI公司最新发布的Helix模型实验结果中已展现出来。
  • 真机强化学习优化整个具身智能系统:在目前的具身操作技术中,大多数采用了模仿学习方法。然而,模仿学习存在其局限性,较为依赖于专家数据,并且存在性能上限。强化学习方法则能使机器人探索更多数据,突破其性能上限,对专家数据依赖程度较低。另外,真机强化学习是基于机器人实时与环境交互所得数据来优化模型,这种优化不仅仅是提升模型性能,而且能够对整个具身系统进行优化。

五、我对具身智能的思考和坚持

  • 在具身智能技术的实际落地进程中,真实场景的复杂程度往往远远超出了在实验室或结构化场景中预先设定的界限。在真实任务场景中进行技术探索,不但有助于我们对算法的实际性能进行验证和优化,还能够发掘出在实验室或结构化场景中未曾预想到的问题与挑战。通过在真实场景中对技术进行测试和应用,我们能够获取更为丰富的数据和反馈,进而推动技术不断迭代和创新。
  • 随着 Figure AI 公司发布的 Helix 模型并在物流仓库中的成功应用,这使我愈发坚信具身智能的时代已然降临。对其实现的技术逻辑进行剖析:重点围绕一个机器人本体,在一个特定的垂类领域中积累充足的数据量,在 “视觉 - 语言 - 动作” 大模型的有力支持下,机器人能够学会多种类人的技能,并且具有较强的泛化性能。其能够出圈的核心在于围绕一本体在真实场景下打磨技术。我认为这是实现快速落地的较佳方案,值得借鉴。此外,当前技术都围绕提升机器人任务成功率开展,若要真正将其在新场景中落地,还必须考虑机器人完成任务的效率问题。
  • 展望未来,机器人会逐步融入人类社会。我们须倾热血与干劲,全力投身具身智能技术攻坚,力求让技术快速落地新场景,为企业技术增长添砖加瓦。

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: 《数据开发治理平台 + JBDP Copilot:让数据价值“码”上兑现》
下一篇: 3D空间视频生成技术探索与应用
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