我在618主场,和3位顶尖技术博士聊了聊

How time flies!又到了一年一度的618。

今年你下单了吗?抢到心仪的商品了吗?快递收得顺利不?血拼了大半个月的我有一个最大的体会,就是今年的618还是那么热闹,但有些东西变了。

你可能也注意到这些变化——

商品推荐越来越命中心趴,物流越来越快,甚至智能外呼、客服机器人,也越来越像个真人了。

技术不是“内卷”“压榨”或“花样叙事”的工具,而是切实服务着美好生活。

体验更好,出错更少,意味着背后的技术进步得更多,也越能说明有人在背后顶住了压力。

让大家高高兴兴购物,支撑亿级用户顺利下单、收货体验的,是一群技术人,他们日复一日地在代码堆里打磨系统、调模型、压成本、提效率。

在这里插入图片描述

618是京东的生日,也是京东首次以线上促销形式庆祝这一日期,推出了618年中促销活动,通过限时秒杀等简单玩法吸引消费者。

一眨眼,我们已经在这个特别的时间点买买买了二十多年。

趁着这个节点,今年,我们找来了三位分别来自京东零售、物流、科技业务的技术人,聊了聊他们在幕后做的事。

长林丨零售:不是造一个新模型,而是让模型用得起、落得下

大家在京东选购商品时可能会留意到,不同商家架上的同类商品会自动被归在一起,方便大家快速对比选购性价比高的商品,商家也会被激励提供更具竞争力的价格和服务。

这背后其实是一套“同品判别系统”, 它通过对比商品的各种属性来判断两个商品是否相同,同时保证聚合展示的质量。

在这里插入图片描述

来自京东零售业务的长林,正在主导京东同品判别系统在大模型时代的优化。

他2021年从中国科学院自动化研究所博士毕业加入京东,一开始就在做大模型相关的工作。最开始是研究BERT等,case by case地简单修改模型架构、改造模型训练方式。
在这里插入图片描述

△读书时期长林和行业大佬交流

后来ChatGPT横空出世,他的研究就主要集中在模型压缩和数据自动化选择与配比上,尽可能提高模型训推效率和性能平衡,减少实际应用中的人力和实验成本。

在京东这样一个SKU数量以亿计、电商业务极其复杂的平台上,要让系统自动识别出相同商品,既要精度高,还得成本可控、能大规模运行——难。就连大模型中很“小”的7B模型,使用起来都成本太高、速度太慢,难以支撑实际业务的规模化落地。

于是,长林和团队决定转向一条更务实的路线,即模型蒸馏。

小模型学习大模型分辨的结果对错,也学习其内部思考过程,领悟判断逻辑,深入理解什么样的特征才是有用的判断依据。

最终,长林和团队把大模型的推理过程抽象成特征动态演化的过程,从而最大程度提取知识。相关成果最后被顶会ACL接收。

模型蒸馏外,数据是长林一直关注的另一要素。

在模型训练阶段,京东平台上海量商品之间的组合数量指数级增长,不可能全部喂给模型用来训练。

为此,长林设计了一套数据筛选机制,优先选出那些最有信息量、最难判断的“模糊样本”,这样不仅节省了40%~60%的训练资源,还保持了原有精度。

同时,为了支持多个任务的数据融合训练,他还引入了一种自动数据配比算法,根据不同任务的难度动态调整数据占比,进一步提升了训练效率。

以上这一整套方法,最后被用在系统审核环节。

在这里插入图片描述

△长林代表公司参加行业顶会

幸运的是,这种算力消耗不低的探索方向,在系统真正被验证好用之前,就得到了京东在资源和团队协作上的支持。

这种在项目推进上的自由度,让长林能够坚持自己的追求——不是堆模型参数赢比赛,而是让技术真正跑进业务、服务用户。如果能让用户更快买到“又好又便宜”的商品,提升一点点体验,降低一点点选择成本,那技术就没白用。

技术人要找到值得长期投入的课题,关键不是一头扎进算法细节,而是要深入业务,从实际问题角度出发。

而京东与其他电商平台不同,它拥有完整的供应链体系。

京东对于供应链全流程包括需求预测、采购/供应、仓储/库存、销售、物流履约和客服都有深刻的理解。同时又拥有自营和POP两种完全不同的模式。这会带来很多全新的机会。

“但对技术人来说也是一个挑战。”长林表示,这意味着需要在更大的搜索空间里寻优,需要更好的优化方法。

像他做的同品判别系统,就是在深入理解商品聚合场景之后,自然浮现出来的方向——既贴近用户体验,又具备模型落地的复杂性,值得长期深耕。

这就是技术真正的影响力,不是靠炫技,而是让科技以「无感」的姿态融入日常,让用户体验丝滑流畅。

长林非常鼓励更多年轻的技术同学关注这个方向,“这块未来机会很多,也值得用心去深挖。”

星衍丨物流:打透一个场景,不去追求无边界泛化

和长林差不多时间入职京东的星衍,如今已经是京东物流一个10余人技术团队的负责人了。

在这里插入图片描述

△读书时期的星衍

此次618物流大考前夕,星衍的日常有些“不太日常”:他带着团队每隔几小时就查看一次前线实仓的指标、现场监控和异常回报,有时还要一起亲自到实仓去。

因为他和团队面临的工程问题,80%需要现场给出的答案。

至于他为什么会选择今天这条路,故事还要从他当年在国外读博说起。

当时,星衍在Meta实习,也顺利拿到了研究岗的offer。但“那个岗位其实做的就是写SQL、跑数仓,和博士研究的时空数据分析基本没关系”,而且在星衍看来,国外平台对技术人员的上限不够友好,是不是博士干的活都差不多,没啥挑战。

在这里插入图片描述

思来想去,他还是决定回国。

在横向对比了N个到手offer后,星衍决定成为一名京东人。原因很简单:

至少这里的业务场景是开放的,你想往前多做一步,是有空间的。

最终,结合自己的专业方向和技术兴趣,他选定了京东物流作为定岗方向——这是一个看起来“灰尘多、线下多、数据脏”的场景,并且是需要真正的深入业务理解业务场景,在一线、成为一线。

他每天需要考虑和接触得最多的,不是派送件的快递员,就是分拣快递的仓库。这俩一个是物流末端,面对开放环境,一个是封闭场景,复杂度不在一个纬度上,但都不简单。

星衍主导的第一个项目,是对快递终端作业模式进行重构。

以前,每个京东快递的站点,是站长靠经验来划分快递员辖区。随着快递体量越来越大,人的主观经验开始吃不消了——既有分配不均的问题,也有反馈难追踪的问题。

他印象特别深,当时做末端派送分析就发现,有的快递员明明在同一个小区送件,却要回到站点两三次。

于是,星衍带领团队开发了一套智能分区模型,结合快递员画像 (如派件量、上楼频率、返站次数) 和小区地形信息 (是否老旧小区、有无电梯等) ,帮助末端更合理地分派人力。

时至今日,京东物流仍然在不断探索如何更好地利用数据进行优化和改进。

而星衍现在正在推动的项目,是部署在京东物流的分拣中心的机械臂,这也是为什么他最近忙得不可开交、动辄要去仓库前线的原因。

在这里插入图片描述

△星衍在一线

从去年开始,星衍带队负责包裹抓取与码放的智能化改造项目,落实到地就是一台台机械臂,负责完成京东仓库中部分中小件包裹的自动分拣、码放工作。

这些机械臂和传统工厂流水线上的机械臂不同,它们是“具身智能”,只不过不是通用型的。而它们和星衍团队的目标,是把“中小件包裹分拣、码放”这个单一场景打透。

为什么要强调“打透”?星衍强调,越垂直的场景,越不能追求泛化,而且这一个场景其实比想象中难太多。

“包裹没你想得那么规整,包裹外包装有反光的、黑的,也有两个胶带粘一起的,尺寸大小也不一致。”星衍介绍道,“有一次机械臂遇到一批包裹中间贴了反光胶带,系统误以为那是两个包裹,就导致识别错误。”

具体技术上,星衍团队采用了行业成熟方案加域内微调的模式。这种情况下京东内部积累的海量包裹图像数据就立下了汗马功劳,这都是外部团队很难获得的积累。

与此同时,星衍团队还开发了一套反馈机制,一旦发现识别失败的样本,就能快速回流重新标注进入模型训练闭环。

作为博士管培生入职后,他从初来乍到的技术新人,到现在带着团队伙伴一起负责核心项目,星衍的成长速度是非常快速的,角色的转型也是他近期的重要课题。

以前是自己调模型、改代码就行,现在是得替大家考虑怎么组织项目、解决问题。如今的星衍,比起一开始那个还带着研究视角的博士,显然多了一些“工程老兵”的理性与判断。

在这里插入图片描述

具体的带团队方法上,他比较反感“压KPI”的做法,更强调问题导向、协作为主。

团队项目一旦出了bug绝不推诿,遇到问题大家就挤在会议室一起想办法,“没什么面子不面子的,干活是最实在的。”

初雪丨科技:识别准了才算数,“我们自己能做得更好”

语音识别这个技术活,是初雪每天都在打交道的工作。

作为京东科技的一员,他参与的语音识别系统,已经深度接入了京东的协同办公、智能客服、AI外呼、语音搜索、具身智能等多个核心业务线。这些业务大家其实早就体验过。

当初刚刚加入京东的时候,技术小兵初雪只是参与着科技业务一些比较底层的小模块的开发调试,比如语音活动检测、VAD、声纹日志。

乍一听这些技术非常陌生,但其实在消费者每天都接触到的应用里,都是链路里不可或缺的模块。

扎实的经历,让初雪在短短几年中从小模块爬到了大项目——不仅在京东语音能力大项目中担任研发骨干,还开始牵头组内一些新方向的探索和项目落地。像智能外呼系统、远场识别模型、智能客服的语音前端能力,他都参与了完整的方案设计与技术实现。

这些应用,在京东丰富的自有场景里迅速扎根,成长为有成千上万用户、身边朋友家人都会用到的产品。这让初雪从初入行业的技术人才,进化成熟稔产业应用的专家。

在这里插入图片描述

△初雪(右起第四)和伙伴们一起保障春晚红包互动

当聊到这段成长经历,初雪表示自己“晋级打怪”的速度不是个例。

他当初经由博士管培生项目招进京东,项目机制成熟:入职前半年打基础,技术大佬+业务大佬直接指导,解答技术问题的同时能够深入业务学习和建立认知,接下来就会进入项目历练,在能落地的技术实践中培养人才,利用技术眼界创造更大的价值。因为每个人都配备了导师,每个人都有清晰的成长路径。

在这里插入图片描述

京东在资源上也很支持,“项目落地过程中,只要你能把技术说清楚、效果做出来,公司就愿意投入。京东是一家用产业价值衡量技术的企业。”

当初选择加入京东,除了项目机制成熟,公司资源倾斜,专业方向匹配 (他本就是做语音识别方向的博士) ,还有很现实的考虑:一是初雪是北方人,在北方城市生活更习惯;二是京东福利实在,自己在北京落了户,身边还有很多同事通过公司住房保障基金在北京买房安了家。

当然,真正让他成长跳跃的,还是他在真实业务场景拼杀、口中“打仗一样”的项目经历。

初雪回忆道,某年他所在团队揽下了做会议转写系统的任务,但当时市面上已经有成熟产品了,公司内部一直有声音主张直接对外采买。但京东既坐拥丰富的产业数据,又拥有大量的场景需求。当时初雪就觉得,如果这都做不过外部竞品,那我们还有什么价值呢?

于是,他和团队一路从底层模块开始优化,从ASR(自动语音识别)、说话人识别、VAD,一直迭代到后处理文本修复,花了几月时间反复打磨。

最后在多轮盲测中,自研的会议系统转写效果超过了外部头部竞品。

在这里插入图片描述

△初雪(右起第六)项目上线后和伙伴们一起庆祝

接下来,初雪进入了更多集团级项目的核心链路中,“资源多,场景也多。” 他开始站在京东更高的视野考量技术的价值。

现在他主攻的两个方向是声纹识别和远场语音识别。

应用到京东的业务场景中,咱们普通人最有感知的例子或许是京东智能外呼——电话那头听起来很自然、反应灵活的拟人语音,高效处理海量呼叫任务,介绍最新产品、活动,还能理解客户需求。

其实,接电话人常常说的是方言,哪怕是普通话也带有很重的口音,会严重影响模型识别准确率。

在这里插入图片描述

针对这个必须解决的问题,初雪和团队专门收集了全国各地的大量样本,还开发了针对性增强机制,比如使用MoE来在不同方言分布之间做切换,从而实现对口音更友好的模型泛化。

除了这些,他也在推动一些更“感知层”的创新方向,比如通过分析语音中的情感、语气波动,判断用户的意图倾向是“犹豫偏正向”还是“犹豫偏负向”。

你不能只看他说了什么,还得听他说话的“感觉”。 这些看似天马行空的技术,对于外呼电话能否打动听众、品牌能否真正有效触达消费者,有着生死攸关的商业价值。

目前,这个方向还处在探索期,但初雪相信未来一定会进入更多业务环节,因为“这才是真正让AI听懂人话” 。

当被问到对这份工作的认同感时,初雪停顿了一下,然后说:

语音识别是个感知特别强的技术,识别对了没什么人夸你,识别错了,用户第一时间就知道。因为用户对人讲话太熟悉了。最常用的技术应用,也是最难做的。
我现在做的,就是让错的地方越来越少,让听不懂的情况越来越少。让用户在无感知的情况下,就能享受到技术的价值。

从TGT出发,走一条真正属于技术人的长路

长林、星衍、初雪三位技术人业务方向各不相同,但聊天过程中,他们不约而同地提到了同样的关键词:

“踏实” “敢为” 。

这是他们仨对京东技术风格的形容词。

在他们看来,京东的技术风格没有太多“花活”,但正因为扎实,才适合做长期的事。

这种风格背后,其实也离不开对人才的持续投入。三位同学都提到,自己在入职初期能快速上手,很大程度得益于导师和前辈的“带一把” 。

不仅有专门的技术导师带着解决具体问题,也有不少学长学姐、业务负责人愿意一起拆需求、跑现场、推项目。就像长林说的那样,“你不是被扔进来自己摸索,而是真的有人和你并肩一起走。”

京东对技术人的重视,从来不只是拿来用好,更是长期养好。

而在技术人才培养这件事上,京东今年又往前迈了一大步。

今年5月,京东正式推出了TGT计划(Tech Genius Team,顶尖青年技术天才计划),面向全球招募毕业两年内的硕博技术人才,同时也向有算法竞赛或顶会论文等硬实力的优秀本科生开放。

只要你在AI、大模型、机器人、推荐系统等方向具备足够的科研潜力,TGT都为你打开了通道。

与传统校招不同,TGT在培养机制、激励制度上都做了不少“破框” 。

比如,薪资不设上限,真正以能力和潜力定薪;又比如,配套设立了“三导师制”,技术导师指导科研突破,业务导师帮你打通落地路径,成长导师陪你梳理职业规划;还有专属的场景资源与算力支持,你做的每个算法实验、每次模型迭代,都有真实数据支撑、真实问题反馈。

在技术练兵这件事上,京东天然有巨大的场景优势。海量电商数据、物流网络、金融风控场景……这些构成了一个庞大、完整、真实的技术应用生态。

你可以在这里调系统、跑实验、出论文,也可以直接上线服务千万用户——从0到1的基础研究、从1到100的规模部署,整个链路你都能看见。

在这里插入图片描述

△京东技术沙龙

TGT计划只是一个起点。

对技术人来说,真正重要的,是站到真实问题中去。

就像星衍对我们说的:“在京东,不是等你研究好了再找应用场景,而是边研究、边落地,心向星辰大海,也踏实走好脚下的每一步。”

此次我们接触的三位同学分属不同业务线,参加工作后每天经历的挑战也各不相同,但他们都在话语间透露出这样一个信息:

都想找一个值得一做再做的事情。

说起来,京东这三位同学都是屏幕前你我的同龄人,要说有什么不同,就是他们一路上坚定地选了那个自己更想尝试的方向。

这样的工作状态也没什么主角光环加持。但找到这么一个地方,确实需要一点运气。

幸运的是,他们刚好找到了一个能做事,也能被看见的地方。

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 220

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 236

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 325

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 387

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 326

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 412

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 621

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 390

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 475

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 642

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 565

【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 729

【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 554

【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 911

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 753

【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: 加锁失效,非锁之过,加之错也
下一篇: 三步根治前端缓存“顽疾”
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