行稳、致远 | 技术驱动下的思考感悟

行稳: 做好当下,结果第一

读书和加入京东以来的这十几年,我感触最深的一个点就是要做好当下。我个人是一个思维比较跳脱,想法算是比较多的人。总是喜欢瞎折腾,喜欢想东想西。有时候有点 “这山望见那山高” 的意思。

我本科的专业是偏电力的控制工程,做过那个电动汽车的无线充电。但是后来美国交换的时候看到了别人在做足式机器人控制,这个东西对于当时的我来说简直是太酷了,再加上当时Boston Dynamics的人形机器人爆火。我就赶紧选上了机器人学,以及后续的非线性控制的课程。 但是这个控制课到后面就是比较抽象难于理解的非线性微分方程和微分几何了,比较艰深了。这时候大概就是15、16年了,AI开始火起来了,我又一想,哎,搞机器人大脑好像比搞身体更有想象力啊,然后就开始机器学习。后来读研究生,读博士我其实仍然还延续着类似的做法,一开始做应用、做推荐。然后又觉得贝叶斯方法通用,常青树,开始研究贝叶斯方法。然后又是一些moment matching 方法, 有global optima,有全局解,很棒啊。这样看起来是涉猎广泛但实际上却是浅尝辄止。本科时期或许还可以混得过去,到了研究生期间问题就暴露无遗了。因为现在的要求不是比谁知识更广博,不是通过组合一些已有的东西去组成一个似是而非的东西,而是真正地要深入地去钻研,去解决一个问题,要用结果来说话。就是因为这样一直处在选题、权衡、调整的循环中,我文章就出的很慢啊,读博的整个过程前期放飞自我,后期真的是压力山大。这是我亲身实践过的弯路,也是我读书阶段给我最大的教训:确定好当下要做的事情,明确一个目标,就要绝不动摇地把重点放在努力执行上,用最终的结果去说话。

在这里插入图片描述

很巧的是,来到公司以后,听了公司技术专家的培训课程,老师也提到了这样的一句话: “这个世界上根本没有正确的选择,我们只不过是要努力奋斗使当初的选择变得正确。” 我个人还是很被触动的。虽然也有说法说 “选择比努力更重要”的,但是对我这样现阶段技术人来说,多数情况都是在当下有明确的需求任务、或者目前信息还不足以进行完美预见的,那这样的话踏实专心干活就好了。这样一种立足当下,脚踏实地的态度可让我减少大量无意义的内耗,专注于工作,事事有回应,件件有着落。解决好业务需求,去交付结果并赢得认可,才能成为一个比较靠谱的人。

致远:业务为本、技术驱动

那作为一个同时也比较有理想的技术人,我们也不仅仅只做安排好的事情,低头耕地,也会抬头看天。我总会听到“技术驱动” 这个词。看到新闻里各种技术创新的政策引导,比如今年7月浙江省的这个《关于引导企业从“产品驱动”向“技术驱动”创新模式转型,强化企业核心技术创新能力的建议》;听到刘总提到技术驱动是降低成本,提高效率和体验的重要手段;看到比如推荐系统这样的技术已经极大地改变了现代信息传递的模式和通路。但是实际工作中,好像很多时候我们经常是在接各种各样的需求,在各个排期之间奔波,似乎离技术驱动这样的“星辰大海”比较遥远;这个问题其实也困扰了我很久,后来接受了公司的各种培训以及Leader的指导后终于可能开始初窥门径。

公司解决问题的整体流程是业务-产品-研发,即业务运营本身的需求提到产品,产品与研发设计解决方案,然后以产品的形式返回给业务使用。初看下来研发确实是承接需求的一方,但是如果作为研发我们在完成业务需求的时候,尝试去深入理解业务逻辑,思考当前业务需求的来源是什么,后面还可能会出现什么问题,从技术的角度看是否有散点的需求可以合并解决,从后面走到前面,想到前面,就可能可以实现业务需求与技术探究的有机结合。就会给我们技术人以更大施展和腾挪的空间。

去年开始,我开始接触一个重点项目。 在当时建设系统的时候,为保证输出的质量,会对重保的部分数据结果进行人工审核。这一时期其实我们的主要需求是优化准召,但是有人工审核这肯定是就是未来可以优化的点嘛,结合当时大语言模型发展如火如荼发展的态势,我们尝试了基于LLM训练判别器来进行自动预审核过滤来降低人工审核的成本。这个其实一定程度上说我们是走在了业务需求的前面,因为效率本身还不是当下业务亟待解决的问题。但是业务方也还是非常乐于见到我们做这样子的尝试,给了我们很多的空间和支持。

模型判别可以获得令人满意的效果,然而,这仍不足以大规模应用。由于采用了大语言模型作为基础,模型推理耗时严重,使用A-100推理1000W条数据约需接近50h。为此,我们又主动对模型进行了蒸馏压缩,将其压缩六倍+,而精度几乎不下降。 成果也得以应用到了很多个比较重要的业务场景。虽然这只是一个比较小的case哈,但是对我们来说它是我针对业务运营进行技术驱动的一次重要尝试,当然这还是一个比较初级的实践优化了系统的一个小环节。一定程度上展现了“想在业务前面”的价值。所以说,主动、深入理解业务逻辑,预见业务发展的潜在需求,可以为后续技术手段的探究和运用留出比较大的空间,方便让技术的力量渗透到业务的每一个角落。

致远:技术突破,行业影响

以上是从技术驱动业务的角度的一个小小的感悟,对于我们个人技术能力的提升和突破来讲,我们多少都有一些技术使命感,就希望我们做出来一个技术点,在行业上是特别领先的。那么如何去在自己的领域上进行一些创新突破,提升自己,以及公司的技术影响。这个是一个很系统性,很复杂的工程,需要广博的基础知识、很好的提炼问题的能力、独到的解决思路、持之以恒的努力等等。在这一点上我也在摸索和向大家学习中,仅分享持续学习和技术问题提炼两个小点来抛转引玉一下吧。

持续学习: 作为技术人永远不能忽视技术能力的提升。特别是比如像我们所在的AI这个快速变化的技术领域,持续学习非常必要的,专业力永远是立身之本。我们要密切关注行业动向,了解并学习前沿科技,提升对技术的敏锐度,勇于尝试和布局;积极参与学术活动和技术论坛,保持同行的交流,避免陷入闭门造车的困境,长期地去修炼好自己的内功。

深入思考: 在日常工作中常有的一种感觉是支持业务的过程中找不到有价值的技术点去深究。 那这个时候感觉就还是需要对手上的业务进行持续、深入的思考了。京东的平台很大,业务场景很复杂,其实抽象出很有意义的探究问题的概率是蛮大的。 就比如之前遇到的一个业务问题,一个看似简单的二分类问题,其实也蕴含着很多很有意义的技术点,比如他的正、负样本天然地就严重不均衡,很难直接训练模型用于正例的抽取,这就是非常经典的label imbalance问题。 我们那个问题中判别是成对进行的,要两两判别两个SKU中间是不是存在某种联系,可以将prompt和商品标题缓存来加速模型的推理,这就蕴含着最近LLM推理很火的Prefix Cache思想。训练好的模型上线使用还有模型轻量化等等一系列后续的任务。这都是我们进行突破的机会。经过仔细的分析、解构和抽象,很多业务问题是包含有很深刻的、值得讨论的技术问题的。用这样的实际问题切入进行深究,很多时候会比在研究机构那种follow paper型的搞法效率更高、理解更到位。京东给我们提供了足够大的舞台,我们接下来要看怎么把这个表演去完成。

我在做大模型应用的过程中就被模型训练速度慢困扰了很久。因为我们有非常多的场景有训练的需求,待训练模型参数量很大,训练数据很多,我们还需要做大量的实验来获得最优的策略设置。在计算资源紧张的情况下还真的是很头疼。在模型固定的情况下,业务实践中通常会随机采样部分数据训练来缓解这个问题。但是更深入地思考后,就会出现新的疑问:这些方式是选取样本的合理策略吗?能保证原有模型效果的保留吗?还有没有更好的方式?基于这样的一个问题和这样的一个思考,结合大量相关工作的启发,我们设计了一种新的动态数据选择的方法。仅保留信息量最大的数据子集进行训练来减少计算消耗,实现降本提速。随后也从理论上证明了这样训练模型大概率最终会收敛到与常规训练相同的损失,确保了其可行性。这个工作也被顶级会议ICLR录用了。
在这里插入图片描述

但是还没有结束,我们还可以更进一步。大模型效果与训练样本量的幂率关系(Power Scaling Law)是海量算力需求的核心因素。如图所示,横轴是训练的样本量,纵轴是验证损失。增加10^8训练数据,模型Loss仅下降0.05。这一规律意味着任何进一步的减少误差尝试都可能需要增加一个数量级的样本。既然上面我们发现用少量的样本训练也可以达到接近的效果,那么是不是可以通过数据选择来突破幂率形式,实现如下图所示的指数形式的新Scaling Law呢?那这样就是非常有影响力的问题了。

在这里插入图片描述

最后,虽然今天聊了很多技术驱动和创新,但我们不能进行不切实际的创新,还要站在业务的视角思考技术的价值。技术驱动并非单纯创新探究, 重点仍是交付价值;技术影响也非纸上谈兵或拿着锤子找钉子,而是发源与对实际业务问题的探究。

未来期望

以上就是我的一些小小的心得。 那么随着大模型和类通用智能技术的出现,我们正处于一场技术革命的前沿。现在是时候扎根在业务应用中。在京东这个广阔的平台去实现自己的价值,以技术来驱动生产环节优化、流程升级以及产品更新。最终实现集团“以技术为本,致力于更高效和可持续的世界”的使命。

图片来自: https://www.youtube.com/watch?v=pW1VlhLX2gI; www.biped.solutions

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 41

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 224

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 313

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 375

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 320

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 406

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 562

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 615

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 382

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 469

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 595

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 640

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 674

【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 563

【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 552

【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 610

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 906

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 872

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: JoyAgent-DataAgent可直接使用的智能问数和诊断分析智能体
下一篇: 代码之美-代码整洁之道
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