产品对话 | 愿云原生不再只有Kubernetes

在这里插入图片描述
从2013年,云原生(Cloud Native)的概念由 Pivotal 的 MattStine 首次提出,到现在,其技术细节不断得到社区的完善。云原生逐渐演变出包括 DevOps、持续交付、微服务、容器、敏捷基础设施等内容,也形成了一种团队、文化、技术组织形式和管理方法。企业采用云原生来构建应用,可以更好地把业务生于“云”或迁移到云平台,从而享受“云”的高效和持续的服务能力。

那么云原生究竟有哪些神奇的力量?云原生技术的发展又面临着怎样的境况?京东作为CNCF云原生基金会的白金会员,又是如何利用自身业务场景优势来推动开源技术的应用实践?京东云产品研发部专家架构师刘俊辉为大家做出了解答。

 

云原生是什么?

在云原生技术全面爆发之前,我们开发的应用可以被称为非云原生应用,非云原生应用并没有考虑到应用的弹性和规模性,甚至很多都不具备扩展性,当业务规模扩大时,特别依赖硬件的升级,进而带来了巨大的成本问题。

相比于传统开发,云原生的核心优势是:

  • 灵活性,可以随意组合各种应用,通常是基于容器的应用;
  • 弹性,可以按需使用云的资源,节约成本;
  • 规模性,不再受传统机房物理机的限制,在云上几乎可以做到无限扩展。

除了利用云本身的特点外,云原生在成本上、规模上都能更好的适应企业未来发展。

当然,也不排除一些公司上云后并未明显降低成本,这类公司业务通常是非常稳定的,并且可预测在未来不会有爆发性增长的需求,那么企业运维原有的硬件以及维持一个稳定的团队就足够了。而真正的互联网公司,对用户增长的期待一定是指数级的,这样就要尽早考虑云原生的应用。

其实,在国内谈云原生是比较前沿的。

现在的互联网企业领导者,或多或少会意识到云或云原生的价值,但是多和少的程度差别很大,新兴的互联网公司基本上可以100%的拥抱云原生,但老牌企业对传统架构进行转型时就会遇到各种问题。

企业上云可能面临着三方面的需求:应用的技术改造、人员的技能升级、管理者的观念转变。

这三个需求是由易到难的。这其中最困难的就是管理者的观念转变,因为决心难下,决定难做。转变就意味着投入,意味着调整,意味着在短期内可能看不到收益并且会有较大的投入或者是生产力的下降。

如果领导者下定决心去做,还能给企业人员一定的时间去学习、转型新技能,这之后遇到的技术问题将会是最容易解决的问题。

 

京东为什么做云原生?

京东云,作为具有强产业属性的云智能厂商,在云原生技术的大量投入来自于自身业务的需求,在每年的京东618、京东11.11电商促销季的海量数据和洪水般的流量面前,从电商的前端网站、订单、结算、支付、搜索、推荐,到后端的仓储、配送、客服、售后,以及采销人员使用的各种业务系统都面临前所未有的挑战。京东几千个系统,几万个应用,每一个环节正常工作才能保证整体业务顺利运行。

因此,京东云需要一个灵活的、有弹性的、可规模化的平台,这是对云原生的天然需求。同时,京东云也要有自己的架构模式,并向着100%云原生努力着。

目前京东云的实践主要分成三个阶段:

第一阶段,在京东云刚起步时,大量参考了OpenStack的实现,基本上是定制化的OpenStack。之后在使用过程中暴露出的问题比较多,其中一个重大问题是云原生的规模化,当规模迅速提升时,OpenStack已经无法满足需求,会出现各类问题,包括稳定性问题、数据一致性问题等;

第二阶段,京东云用自己研发的组件完全替代了OpenStack,在这个过程中,一部分业务做到了容器化,并在此期间研发了原生容器容器技术。原生容器可以看作使用容器镜像的虚拟机。相对于虚拟机更轻量化,能更快捷的启动;相对于Docker容器,能更好的实现安全性和隔离性。

第三阶段,也是目前正在做的阶段,京东云希望把所有的业务都容器化、Kubernetes化,以便拥有快速、一致性的部署能力。

由于用户规模和业务量庞大,京东云在运行大规模集群方面也积累了不少经验,尤其是在集群的可靠性、稳定性、数据的安全性方面表现突出。

 

京东在云原生上有哪些技术突破?

 

容器化 · 京东云容器部署 10x 加速

 

在传统情况下,容器启动时整个容器镜像都要被加载完才能开始启动的过程,但从抽样调研的一些京东容器应用中发现,平均每个容器镜像只有10%会在启动阶段被访问到。京东云所做的工作就是实现一边加载一边启动,优先加载启动所需要的部分,也就是说,典型情况下只要加载10%的镜像的内容就可以完全启动容器。

据了解,10x 加速的说法是从统计意义上定义的,不同业务模式的容器,启动模式不同,加速效果也不同。比如在京东云上运行机器学习的容器,它的镜像的大小可能超过 10G,相应的启动速度加速会更明显。

 

微服务 · 架构拆分和粒度

 

企业是否采用微服务、什么时候采用微服务、如何采用微服务的技术路线,一定是从需求出发的。如果企业是面向互联网的,像电商、社交网站等,在用户增长时一定会面临大量问题,如果不用微服务会导致架构到某个阶段被迫重构。但是对于一些客户数量、模式比较固定的应用,就可以选择其中具有弹性和规模性需求的部分应用先进行微服务化。

微服务的一个优点在于相互之间可以使用不同的开发语言,在处理不同的任务上发挥各自的优势。同时,可以根据开发人员的能力,来决定以何种语言开发何种功能,借此来进行整体架构的拆分。

京东云的微服务平台依托于京东的多可用区部署,可以实现跨可用区的分布式部署。用户无需任何运维操作,就可以获得跨机房的高可用性。此外,平台还将微服务框架、弹性部署、日志分析等系统深度集成,一站式满足各类运维需求。

 

自动化运维 · 云原生& DevOps

 

DevOps和云原生是相对独立的关系,即使没有云原生,DevOps依然是一个非常领先的一个理念。DevOps存在的价值在于帮助互联网公司快速的迭代,能让用户的需求能在第一时间被满足,所以DevOps要求开发环境和运行环境的一致性,以及灰度发布等快速迭代的能力。

现在的互联网公司每天发布几十个变更已是常态,这几十个变更不只在开发环境,还包括在生产环境中。这种发布变更的模式就是由DevOps能力提供的,如果能持续的发布变更,并且不影响用户的使用,那么企业就可以比其他的竞争者更好地满足用户需求。因此在京东云,DevOps和云原生是非常好的协同关系,而并非强绑定的。

为了更好的在云原生的环境下实践 DevOps ,京东云做了什么?
京东云的DevOps目前主要能够提供全链路的部署、监控、运维、服务治理等解决方案,提升企业DevOps水平,实现研发、测试、运维高效协同,提升服务效率和整体稳定性。

京东云提供了代码仓库、云编译、云部署等DevOps各关键环节的产品解决方案,同时提供了代码流水线产品将DevOps全流程贯穿起来,

京东云提供的服务管理功能,能够进一步提供基于服务树的角色权限管理和机器、资源管理自动化运维服务,满足各种复杂运维场景一键式作业,实现自动化运维。

在持续交付方面,基于Kubernetes的容器编排方案,提供从代码编译构建、部署、流量接入的持续交付流程,未来还将在网络和调度层进一步进行定制化调优,更切合企业实际场景。

另外,京东云提供从基础资源到服务可用性、服务性能和业务逻辑的全链路监控服务,支持多种类型的监控:基础监控,进程/端口监控,域名监控,死机监控,日志监控,组件监控,方法监控和自定义监控。进一步形成故障发现 – 故障定位 – 故障恢复整个故障生命周期闭环,降低MTTR。

 

Serverless · 函数计算和原生容器

 

通常,企业在建一个网站时,至少需要一个虚拟服务器或是物理服务器。但有了无服务器架构的概念后,一些拥抱前沿技术的公司就把网站转移到了无服务器技术上。二者最大的区别是无服务器的网站不再需要外部服务器模块,所有动态的内容、资源、框架类的部分静态内容,都可以通过无服务器提供。因此Serverless能够帮助应用开发者摆脱服务器等底层基础设施管理的负担,专注于业务层的创新。

无服务器技术目前并无公认的定义,京东云认为服务器技术目前有三种实现:
第一种是真正的无服务器,就是所谓的函数计算;
第二种是类似京东云的原生容器,容器直接呈现给用户,并且背后不需要有虚拟机来支持”。
第三种是应用的比较广泛的无服务器,背后的虚拟机由云厂商来提供,但是对用户不可见,仍然是以机的方式来提供容器。

根据现在企业的运作模式不难判断,无服务器未来大部分会迁移到函数计算,至于以分离容器形式存在的无服务器未来会不会保留,目前还没有结论。

京东云在无服务器方面开放了两个层面的服务:函数计算产品和原生容器,其主要考虑因素包括稳定性、可靠性和安全性,其中还包括规模化和快速部署能力。

函数计算方面,京东云和AWS的Lambda 以及Azure的Function类似,都是需要用户提供一段代码,这段代码以HTTP的入口形式可以访问。代码可以用Java等多种语言写出,处理完用户请求后给出一定的反馈,整体代码的生存周期就是请求的处理过程。代码是由函数计算来提供包括CPU、内存、语言平台等运行环境,用户完全不用关心代码运行在什么地方。

当并发请求非常多时,平台就会运行这段代码容器的多个副本,这样就能做到:用户无需预留计算资源,仅仅根据调用的时长、次数来付费。这种情况是目前为止计算资源能做到的最小化分配粒度。粒度越小时,越有可能填满服务器的计算能力,粒度越大,后期就可能有越多的计算能力被闲置。

目前京东云比较关注的开源项目集中在Kubernetes生态,比如京东云的原生容器与Kubernetes的结合,他们希望能将原生容器和Kubernetes通过一个比较紧密的方式结合在一起。比如在Kubernetes里的Kata Container,其在Kubernetes里使用了更安全的容器;还有 Rancher Labs基于K8s推出的轻量级的 Kubernetes 发行版 K3s,可以满足在边缘计算环境中运行在内存和处理能力受限的小型、易于管理的 Kubernetes 集群日益增长的需求。

 

京东云在云原生上的未来规划

京东云原生未来的整体规划主要包括三个方面:

在IaaS层,持续提供高可靠性、高灵活性、高扩展能力、高性能的基础设施,能够更好的运行云原生的各种任务,比如说函数计算等。
在PaaS层,让用户更便利的使用云原生生态,比如服务治理、服务网格等方面的产品都能为用户提供便捷。

在DevOps层,提供DevOps产品,其紧密集成了IaaS和PaaS的应用产品,让用户能有一个端到端的云原生开发和运行环境。

在函数计算方面,京东云目前主要通过函数服务和API网关构建后端,未来还将提供更加灵活的拓展架构,帮助用户获得更丰富和个性化的应用程序体验。另外,目前京东云能够通过对象存储上传事件来触发多个函数,完成实时图片或文件筛选、转存、创建缩略图、转换视频编码等处理分析,未来通过增强事件触发机制,能让用户更快速部署复杂的应用与服务,构建更为弹性、可靠的后端系统。

在原生容器方面,京东的产品推出时Kubernetes还没这么流行。所以为了实现节点容量的无限大,是通过一个叫virtul kubelet的一个插件让Kubernetes集群拥有一个虚拟节点。而如今,原生容器完全看用户需求。如果是一次性的任务处理批量计算工作,这种方式是非常有效的;因为虚拟节点可能会在某些方面不能实现Kubernetes所有的接口,某些特殊应用可能需要一定的适配工作,例如daemonset。京东云正在考虑把原生容器运行的节点暴露出来,并提供和现在Kubernetes所有接口兼容的一个应用。而在Docker方面,京东云希望能向轻量化发展,可以随时创建、随时销毁,并且可以随时随地创建更多的副本。

在DevOps方面,京东云会进一步提供一站式的DevOps服务,集成代码、编译、调试、部署、监控运维各个环节,降低用户的迁移、使用门槛和使用成本。

在云原生领域,软件技术很少有像Kubernetes一样在短短几年时间就得到广泛的支持的。当聊到云原生的未来,刘俊辉谈到:“云原生里Kubernetes是一个优秀的代表,但是他不能是唯一的代表,我们会有各种各样的场景、各种各样的需求,需要各种各样的云原生工具或者应用来完成。我希望能有与Kubernetes竞争的一个产品,让大家有更多的选择。同时,我也希望未来会有对电信平台应用、5G应用、边缘计算等更友好的云原生平台的出现。”

刘俊辉,京东云产品研发部专家架构师。对计算(虚机、容器)、网络(传统网络及虚拟网络)、存储(云硬盘及云文件系统)产品有深入理解。拥有多项专利,涉及网络、存储及数据中心领域。

RECOMMEND 推荐阅读

这大概是今年介绍云原生最清晰明了的文章!

干货 | 京东云Kubernetes集群最佳实践

在线公开课 | 从理论走向实践,多角度详解Cloud Native

相关推荐

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 221

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 311

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 374

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 319

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 405

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 561

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 613

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 380

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 467

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 593

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 628

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 719

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 673

【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 871

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

京东 Oxygen xLLM 大模型推理引擎正式捐赠开放原子开源基金会,共建国产 AI Infra 生态

下一阶段 AI 基础设施的核心命题,不是简单的算力堆叠,而是让工程本身变得智能——让调度系统能自主感知负载特征并动态优化,让推理引擎能根据模型结构和硬件特性自动生成最优执行方案,让整个 AI 工程链路具备自感知、自决策、自优化的能力。未来,Oxygen xLLM 的项目官网、社区沟通渠道及微信社区将陆续向开发者开放,诚邀芯片厂商、模型厂商、云厂商、企业用户及个人开发者共同参与,让国产大模型推理引擎在开放生态中加速成长。硬件层,原生支持 GPU / NPU / MLU 多类 AI 芯片,深度适配国产芯片。

京东科技开发者 1007
上一篇: 隐藏的历史-是什么成就了今天的硅谷?
下一篇: 干货 | 非结构化数据迁移-Java 版S3Transfer
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 2140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