从理论走向实践,多角度详解Cloud Native

在这里插入图片描述

本次直播课程是由京东云产品研发部中间件负责人李道兵从Cloud Native概念入手到实践出发,深度解析了Cloud Native年度热词背后所隐含的技术特征。

在这里插入图片描述
我们将整理后的视频及内容资料在这里分享给大家,没能到场的小伙伴可以通过这些资料来学习和了解课程内容。
点击进行视频观看

课程概要

课程从Cloud Native的服务治理、京东云助力中小企业Cloud Native所得出的实践经验以及Cloud Native与云平台之间密切的技术关联着眼,全面解读Cloud Native在服务高可用、可伸缩、易运维等方面的优势。

以下是李道兵老师分享的全部内容,希望给各位开发者带来更多帮助:

从理论走向实践,多角度详解Cloud Native

01 关于Cloud Native

众所周知2013年算是架构史上比较重要的年份之一,这一年我们看到有一些新名词逐渐涌现,例如Docker,随后出现的Docker Swarm以及各种Mesos,当然最近也有一些,其中Cloud Native就慢慢变成了热词之一。

针对热词,我的观点是,关注一个技术词汇之前首先要思考解决的问题、如何解决等层面,一个词汇会引入一个崭新的视角,以此为基础才能判断前后发生了怎样的变化,针对Cloud Native也是如此。

经过分析,其实Cloud Native与之前的很多热词本质不同,区别在哪里?例如Docker,它是一个很具体的软件,可以在Linux或者mac平台中探讨容器化的Linux,具备相对独立的环境,这一点同样适用于Docker Swarms、Mesos、k8s等。

相比之下,Cloud Native不是一个软件,也不是一种框架,而是一堆理念集合,以及围绕这些理念所产生的一些最佳实践的工具,最终究竟想解决什么问题呢?
在这里插入图片描述
首先就是分布式架构理念,例如SOA、EDS、EDA等。如何理解微服务是目前所见的一种很好的架构的形式?在整个架构形式下,会有一些比较好的服务分拆,那服务的治理方案究竟该怎么去做?第二,当我们提到分布式架构时,最初被认为是成品,但如何从源代码进化到可以运行的阶段,需要一套部署与运维的方法论,又是什么呢?第三,Cloud Native力推的是一套新的运行组织方法,本质上是容器化,实际上可以解决很多问题,例如如何提供一个一致的运行环境?
在这里插入图片描述
之前通常认为用镜像加上虚拟机也能解决一致性问题,但是虚拟机的启动速度非常慢,可能到分钟级别而且性能损失很大,解决快速启动效果并不出色。试想一下,如果采用容器是不是可以达到更高性能,甚至几乎无损?这就是Cloud Native。

02 崭新的分布式架构理念

讲到分布式架构的理念,可以从架构变化史方向探讨。

期初大部分人开始接触服务端编程都是单一组件的概念,也就是整个服务端服务可以视为一个大程序,然后在此基。础上链接数据库、缓存以及有些复杂的消息队列等,这一点与我们经常接触到的一些语言框架类似,例如早期比较流行的PHP等。总结来看,这类框架在给我们传达一个理念:除非有必要,我们都应当在单一组件提供某个服务,呈现的形态也是最常规的很多小程序聚合的形态。

从我自身出发,也是慢慢从小规模软件向大规模软件变化的。但在大规模软件的框架下就容易出现很多问题,例如单一软件需要单一团队来维护是最佳的状态,7人合适;但如果一个单一组件的维护需要扩充到20-30人,就必然出现很多管理问题。在此基础上进行人员拆分,又会出现边界冲突,工作重复,非常尴尬。也就是说从单一组件到SOA,面向服务的架构体系,纵然可以将整体服务按照功能拆分,服务之间再通过一些好接口实现调用,但是过程十分复杂。

另一方面,向SOA中迁移的时候,很重要的一点是可以复用这个模块;但当为一个单一组件的时候,复用也就不切实际了。
在这里插入图片描述
此外,这也是很多小团队在快速成长中经常遇到的问题。在已知架构出现问题时,但因为被业务驱动无法着手修改,所以选择使用SOA做一些拆分工作。拆分之后,上层业务模块就交付给了业务团队去做更多迭代;底层团队同样可以比较专注,进而完成一些稳定性以及性能优化方面的提升。

但与此同时就会发生随着业务规模持续增长,服务越来越多的同时,服务治理就会出现相应的问题。如果以多个APP相互调用来解决,就会出现很多痛点。

在授权问题上,计费模块或者用户模块中,自然不希望所有应用的权限被随便调用,但限制权限如何去做?此外,如果APP需要在线完成扩容以及收容的操作,又应该怎样通知调阅方呢?APP本身需要在接口方面做一些升级更新等,又将如何着手相应的管理工作?

这些问题的解决如果在SOA体系下,如果引入不适当的治理手段就会让整体变得异常混乱,还会导致大量的安全问题。

此时我们需要引入的第一个解决方手段通常被称为ESB,也就是企业级服务总线,Enterprise Service Bus来解决。针对刚才提到的诸多问题,例如A服务调用B服务,针对B服务来说哦,如何在A的配置中写入B的IP?

B服务在扩容之后,A中就有可能出现调用失效或者并未充分利用B资源等,导致扩容之后的新服务器用不上,收容之后的某些请求中断,甚至产生错误结果等,这是万万不能接受的。再者,如果用A的配置写入B的域名,再去解析,就很有可能出现延迟以及 故障点的问题,甚至解析域名还会出现均衡问题,而这些出现都是急需解决的。

作为技术人员,常规情况下当一个问题很难被解决,自然就会引入新词汇将复杂的问题简单化,ESB就是如此。
在这里插入图片描述

在服务总线指导下,A不管需要调用哪个服务都可以直接去调用服务总线;服务总线可以明确过载、扩容、收容节点等具体细节;此外调用ESB,首先需要明确身份对其进行总控的措施,例如认证、授权、审计等。

企业级ESB,也就是Enterprise Service Bus,通常成本不低。在考虑成本的基础上最简单的方法就是中间配置一个Nginx,用两台服务器做一个简单或者用LVS将它们链接起来,然后在上面配置一个后面挂服务的Nginx,再建立一套机制,力图做服务扩容的过程中得以于Nginx中自动做一些简单的动态调整。

但引入ESB之后本身就比较容易出现新的瓶颈。通常情况下企业内部服务在不接入大量外部服务的前提下,实际压力并不高,这对于低压力的企业问题不大,但对于互联网应用来说通常无法忍受。

当然如果解决此类服务调用采取注册机制的话,整个数据中心自然不经过中心节点,ESB中的压力就完全降低了,但是采用服务注册之后,服务治理方面就会有一定程度的退步,例如缺乏中心,这时我们引入合适的微服务框架来解决很多治理问题就完美了。
在这里插入图片描述
例如配置统一的注册中心,就相当于将之前提到的服务注册中心进行搬迁;另外使用同一的配置中心就相当于对依赖配置的部分可以不用手动部署就自动划归到中心里;之前涉及到的授权问题,就可以采用统一的授权以及鉴权体系来完成。针对过载,可以提供很多同意的熔断以及伸缩手段去解决,再通过统一日志来进行性能分析。

有了微服务这个平台后,我们可以把很多最佳实践整合进去。例如服务性能不够好就可以拆分成很多小服务;分析性能不好的关键点,例如调用链分析这类工具就出现了,作为微服务辅助工具来帮助大家解决这些方面问题。

微服务有了更强的治理能力,才有能力把服务拆到最小的粒度,因为更小粒度的时候,工程质量能够更好地去控制。
在这里插入图片描述
当然针对微服务还有许多值得学习的地方。例如微服务的调用很多,服务之间的调用协议设计就很重要,这可能会关乎到一些API设计的知识。所谓API设计,大家比较认同的有REST API的设计以及一些基础性理念,如何保证在API升级过程中,整个客户不受影响?又如何保证迁移成本更低?这些都需要实际解决。

另外一方面就是分布式事务。之前的单一组件事务非常简单,但当服务开始分布问题就不一样了 。分布式事务应该怎么去解决?这又是一个很独立的或者说很大的话题。

很重要的一点,服务究竟如何被拆分?从哪儿拆比较合适,哪儿是一些好拆分的边界点,怎么避免拆分时功能重叠、交叉?应该说其中有很多经验或者知识。对此我非常想推荐的一本书就是《领域驱动设计》,它会给你一个新视角去理解业务,只有很好地理解业务,才知道应该怎么去拆分业务,才能做到恰到好处。
在这里插入图片描述
总体来看,微服务很强大但其实还是有些遗留的问题,例如DevOps流程应该怎样?服务器上要运行大量异构服务,怎么避免互相干扰拆?微服务拆分多细颗粒度才较合适?这些问题有一些部分还是让Cloud Native着手解决吧!

03 创新的部署与运维方法论

针对部署和运维的方法论问题,例如部署形态是什么?其中最早的单机软件部署最简单,PHP都认为是部署最简单的,用SCP或者FTP上传,新的软件就部署好了。但也有隐患,这次部署与下次部署怎么保持完全一致?不一致的东西很多,例如运行时的版本、动态链接库的版本等,对此都是通过容器化的方式来解决。
在这里插入图片描述
从部署形态的集群来说,第一种最简单的就是无状态集群,有状态集群应该是少数特例。无状态集群一般都是同构的,没有特别关注只要水平部署就可以,只需要注意扩容与收容,这方面即便是在Cloud Native的概念出现之前,其实很多团队已经做得很好了,例如特定时间点的扩容,如何根据线上压力去做一些自动扩容等。

此外就是状态集群,之前部署过程中一个很大的问题就是非常依赖文档、部署的可在线性,导致同样装置一个数据库,例如MySQL5.6,不同人的实践结果都有差异;另外就是自研类,可能一些比较大的公司都会有一些自研的KV数据库、分布式数据库鞥,这类自研数据库非常依赖于开发和运维对系统的了解程度,以及整个升级务必要有各种回滚预案。
在这里插入图片描述
最麻烦的是什么?升级以后回滚其实超级难以创新,而k8s这类容器编排能很好地解决这些问题。如此看来K8s的出现帮助我们迎来了一个新的、怎样的运维状态?与之前有何不同?

首先在同一个服务中,所有节点都可以根据实际情况进行摘除和及时补充,这一点并不像之前很容易进入不一致的状态;另外在物理机的时代,线上的服务状态各种不一致,例如LINUX不一致,空间不一致,日志滚动的设置不一致,这都是有可能的,而如今做到严格一致利用K8s就好了。
在这里插入图片描述
还有一点,在K8s中取消了服务器的形态,这是运维工作或者是系统管理员工作的一大进步;没有服务器就意味着系统管理员之前在服务器中做的所有的工作没有了操作的对象,运维人员或者SRE人员就能够在一个更高的维度去保障服务质量。最后一点更安全。本身入侵到容器本身所造成的危害更小,还可以捉到可以定期重置,以此可以持续降低被攻击的风险。

04 Cloud Native落地的几种形态

首先对于新项目来说,如果技术实力稍弱,建议推荐采用微服务或者Spring Cloud这种方式落地。这种方式需要管理的事务较少,只要顺着思路写代码就可以了,如果能匹配云上的最佳服务实践就更赞。

对于技术实力稍强的可以考虑使用K8s,将整个业务管理起来,采用Service Mesh的方式落地,十分不错,当然这两种方式彼此并不排斥。对于一些特定的项目来说,例如事件驱动或者物联网项目、或者平时没有任何响应却突然有请求的,量大可以采用Serverless的架构,也就是函数服务的方式支持。
在这里插入图片描述

对于老项目,需要在逐渐演化的过程中循序渐进。对于技术实力相对较弱的情况,可以积极改善自动化的运维流程,尽可能达到容器化,充分利用云或者其他平台提供伸缩或者服务治理能力,然后根据团队情况考察K8s和Spring Cloud,逐步做一些迁移。

而技术实力比较强的可以直接利用Service Mesh逐步改造现有的项目。因为Service Mesh的一个好处就是对原来的服务器不侵入,也就是原来的服务可以不做任何迁移改造等,但是对技术能力要求较高。

05 京东云对Cloud Native的支持

京东云作为一个服务提供方,在微服务方面已经提供了一套微服务的服务框架,框架中支持Spring Cloud项目,也支持Dubbo项目。
在这里插入图片描述

围绕它来讲,会提供一些注册中心、配置中心、网关支持,还有调用链以及部署支持。也就是说用了京东云提供的微服务,Spring Cloud运维起来更轻松,关注点更多集中在业务领域;还有一个K8s方案,帮助完成资源的调度工作,相当于每个服务都会有一个新原生容器去承载服务。

第三个是基于Serverless的一些落地方案,京东云Serverless2018年才开始公测,现在只支持Python3,今年就会增加大量语言的支持,其中函数服务最大的好处是零成本启动。
在这里插入图片描述
在这里插入图片描述
最后是渐进式的落地方案,怎么落地呢?例如对一些无状态的服务要逐步做到容器化,对于有状态的服务尽可能替代为云提供产品;如果本身对k8s支持比较好,可以改造成一些高可用的形态;如果无法做到高可用,就尽可能做到自动化或者一键修复。

如果技术实力比较高的话,可以选择一些最佳的技术形态或者混合形态去做迁移,这方面更多是实际上对客户针对具体场景给出一些合理的建议来操作,然后进入Cloud Native的状态。
在这里插入图片描述
最后需要强调的是,Cloud Native就是一种理念,并不是一个具体的软件;使用Cloud Native系统管理员的工作可能就会消失掉,因为没有服务器,也就没有所谓的服务器管理员了;此外针对完美扩容的实现以及平滑的回滚流程,甚至包括各种部署等,Cloud Native都会提供一套合适的解决方案来帮助解决。
在这里插入图片描述
以上为公开课的所有内容。
在这里插入图片描述
在公众号内回复“PPT0319”获得公开课完整PPT

Q&A 课程问答

Q1
云原生与前端技术开发的结合点可能会在哪些方向?
A1
坦白讲这个问题还没有好好想过,应该说前端开发在哪个阶段,无论是基于API,还是服务端页面渲染等,其实都已经进入到一个崭新的状态,这个状态与云原生非常契合。

Q2
随着云原生的发展,未来还有哪些需要解决的问题?
A2
坦白讲,首先需要一个最佳形态的指导。现在云原生的落地形态实际上是一个相对分裂的状态,例如Service Mesh和K8s,究竟哪种技术会成为主导?现在还不确定。
从这个角度出发,其实对云原生并没有实质性的帮助,我们都希望可以从社区的角度解决此类问题。另外一个问题,K8s和Service Mesh的进入门槛还较高,怎么去解决这个问题?也许随着社区的进一步发展,大家对这个了解程度提高后就会有所改观。

Q3
使用Cloud Native能实现哪些简单的应用?
A3
需要从K8s学起,如果你学会用K8s去开发一些小应用,对Cloud Native就有了一个最基本的理解。用好K8s之后,要去学习如何去做拆分,要学好如何在一个没有事务的情况下实现这个事务,也就是分布式事务一定要学,从这种角度入门比较合适。如果K8s这关过了,剩下的其实随着经验的慢慢提升也会慢慢学会的。

Q4
云原生和多云环境是什么关系?
A4
当我们讨论云原生时,其实对多云没有任何涉及,这应该算是另外一个问题。
如何想要实现多云或者多活,首先需要尽量减少有状态的组件;第二,要明确想实现的目标,是需要将云端SQL的修改同步到另一侧吗?关于这一点,主要还是一些基于事件或者日志方面的操作,或者直接通过分析驱动将MySQL映射到对面。第三,还要做好各种缓存更新以及清理工作,需要特别注意多云或者ADC多活。

Q5
云原生落地和iPaaS关联大不大?
A5
其实Redis组件和MySQL组件非常希望被采用云上的版本,可以高效帮助解决传统问题、性能问题和运维问题。
如果是在私有化或者Open Stack上部署的话,要多看看这些组件有没有对已经配置好的一些K8s配置产生作用。因为K8s的配置能够帮助降低很多调优或者运维上的困难,例如Redis宕机了,究竟应该怎么处理?K8s可能已经把这些设置内嵌在配置中。

原文链接

欢迎点击“京东云”了解更多精彩内容。
在这里插入图片描述
在这里插入图片描述

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 46

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 226

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 315

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 377

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 322

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 407

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 563

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 384

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 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 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 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 908

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: PPT | 从理论走向实践,多角度详解Cloud Native
下一篇: 干货 | 京东云Kubernetes集群最佳实践
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