- 博客(2756)
- 收藏
- 关注
RSS订阅原创 移动端里的AI，用户到底要什么？
今天不想讲那些技术架构图，也不想堆砌一堆iOS专业术语。我就想聊聊，作为一个离用户最近的客户端开发，我是怎么看待AI的——它到底是让咱们的产品变更好了，还是变更拧巴了。梁宁老师在《增长三十讲》里说过一句话特别打动我："产品经理要有同理心，要能感受到用户的爽点、痛点和痒点。"今天我想说，做技术的人也得有同理心。不只是对用户，更是对我们自己。回到标题这个问题。答案是：AI让功能更智能降低交互门槛用户体验更流畅用得不好：AI让设备卡顿发热提高使用门槛用户体验变差。
2026-03-03 11:20:05
825
原创 保险AI落地密码：技术实战分享
落地项目，不仅仅是技术问题，这些技术亮点，大多数时候并不是成功的关键。回头反思，我们能顺利落地这些项目的关键，是有一个支持我们的系统。1.算法向前一步，深入拆解业务，进行AI时代打法设计，搞定高定场景。纸上得来终觉浅，绝知此事要躬行。尽管我们做了非常多抽象，高定场景业务细节需要算法躬身入局，仔细拆解。在AI时代，算法了解AI，还需要了解业务。下文我们会仔细分解：定品-定价-履约-风控的目标和打法，与传统时代有啥不一样？看看为啥说理解业务，才是AI落地最关键的一步。
2026-03-03 10:23:31
568
转载 保险AI落地密码：技术实战分享
二是SFT阶段的造成的对知识的灾难性遗忘很明显，所以需要在流程上或者数据上再去做混合训练来再SFT阶段输入知识，如：hybrid-turning， structTuning, 我们参考SHADOW-FT 的工作，利用BASE模型和INSTUCT模型在参数和后续SFT，DPO训练上表现的一致性，采用在base模型上SFT，和对齐训练，最后再将变化了的参数用一定的方式和Instuct模型叠加 ，获取相似效果来解决之前提到的两个问题。相信大家和我们一样，遇到的第一桩难事，就是选场景，定目标。
2026-03-02 17:16:49
40
原创 突破传统限制：OxygenREC--一个基于指令跟随的“快慢思考“电商生成式推荐框架
OxygenREC的成功，标志着生成式推荐在工业落地上迈出了关键一步。它通过“快慢思考”巧妙平衡了深度推理与低延迟，通过“指令跟随”实现了对推荐过程的精准可控，并通过统一的奖励与策略学习破解了多场景扩展的难题，真正实现了“一次训练，多场景部署”的pipeline。未来，京东零售OxygenREC团队计划从两个方向继续探索：•一是向基于语言扩散模型的非自回归生成范式演进，从根本上突破序列生成延迟与列表长度的线性关系，满足更高吞吐需求；•二是开展跨场景用户轨迹建模。
2026-02-11 14:13:00
1098
原创 Agent Skills与MCP：一场被误解的“替代战争“
本质定义：MCP是一种标准化通信协议，定义了AI模型如何与外部系统建立安全、高效、可审计的双向连接。核心特性•能力扩展协议：为AI代理提供访问实时数据、专业工具和企业系统的标准化接口•安全沙箱规范：在协议层面定义权限控制、数据隔离和操作审计机制•上下文同步机制：解决模型内部状态与外部世界状态的一致性问题•标准化接口：通过JSON-RPC或其他标准协议定义请求/响应格式、认证机制和错误处理•服务化架构：协议设计支持独立部署的服务进程，实现高可用和水平扩展架构定位：MCP解决了“能不能做”
2026-02-11 14:08:16
1200
原创 AI推理：如何实现吞吐翻倍、时延降90%与GPU资源节省26%？
京东云云原生AI推理框架通过多维度调度与系统级优化，显著提升了推理效率与资源利用率。短文与长文吞吐均有大幅增长，首 token 延迟明显降低，并结合自动弹性扩缩容与 KV Cache 感知调度，进一步提升集群吞吐与缓存命中率，同时节省可观的 GPU 卡时成本。在此基础上，引入硬件拓扑亲和调度，实现更高效的自动化部署与调度，降低大规模集群运维压力；配合故障自愈、高可用机制与更精细的可观测体系，使系统运行更加稳定、可控、易排障。通过针对引擎瓶颈的持续优化，不同模型场景下的吞吐能力均得到明显增强。能力。
2026-02-11 14:05:35
1206
原创 OpenClaw闪电部署，立即体验AI助手
4、在“修改 API-KEY”页面中，为该 Key 配置可访问的模型服务，必须包含以下模型：DeepSeek-V3-0324、DeepSeek-V3.2、DeepSeek-v3、Qwen3-235B-A22B、Kimi-K2-0905-jcloud。京东云轻量云主机现已预置 openclaw 应用镜像，无需手动配置环境，2步即可完成部署，让你的 AI 助手秒级上线、全天候待命。更安全、更稳定的方式，是将其部署在独立、隔离的云端环境中。3、生成长期的API-KEY，点击右边复制图标复制API-KEY。
2026-02-06 17:24:26
726
原创 一种轻量级进程间服务隔离方法实践
按业务域、技术域对进行拆分，比如在库应用按盘点、变更、移库、补货等拆分为单独的应用，不仅应用部署做了拆分，对应的数据库层面也按域进行拆分，盘点相关的表，例如盘点单主档、盘点单明细、盘点任务主档、盘点任务明细、盘点结果独立到单独的库中，可以按逻辑库独立，也可以独立到单独的数据库实例中，后者的隔离效果更好。未来，随着系统的长期发展，系统复杂性需按域合理拆分治理，业务单元化，服务单元化，系统演进与业务发展齐头并进，相互促进，使系统始终保持在健康的水位，可持续发展。在方案选择上，本文选择方案三进行实操落地。
2026-02-03 20:21:56
1223
原创 从“回答者”进化为“研究员”：全面解析 Deep Research
Deep Research 是 专为网页浏览、数据分析和复杂任务处理而优化的全新功能。与普通 LLM “问什么答什么”的被动模式不同，Deep Research 具备主动规划和深度推理的能力。1.自主性（Autonomy）： 它可以一边思考，一边“查资料”。它不仅是检索信息，还能自主判断信息是否足够，如果不足，它会主动调整搜索关键词再次检索。2.长链条推理（Long-chain Reasoning）： 基于 LLM的推理能力，它能将一个模糊的庞大需求拆解为多个子步骤，分阶段执行。
2026-02-03 20:18:30
1348
转载 Oxygen 9N-LLM生成式推荐训练框架
分层 MEM-HBM 架构虽解决了10 TB 级参数的横向扩展难题，但在训练流程中，从 MEM 查询训练所需 Embedding、再将更新后的 Embedding 写回 MEM 的过程中，面对大规模、超长序列、高频率的查询与更新场景，CPU 串行查询、H2D/D2H数据拷贝的等待耗时会大幅增加，直接制约了整个模型的训练效率（如图9中红色部分）。表2中列举了一些常见的优化方式，可通过便捷的配置选项、改动在 9N-LLM 中启用，能够在生成式推荐模型的训练中，平衡显存、算力、通信，以提升整体训练性能。
2026-01-30 18:52:59
387
原创 一键部署！京东云上线Clawdbot云服务！
2、在“修改 API-KEY”页面中，为该 Key 配置可访问的模型服务，必须包含以下模型：DeepSeek-V3-0324、DeepSeek-V3.2、DeepSeek-v3、Qwen3-235B-A22B、Kimi-K2-0905-jcloud。Clawdbot（现改名Moltbot）一夜爆火全球，这个能读文件、跑命令、写代码、管系统的开源 AI 智能体，现已正式登陆京东云，无需手动配置环境，一键即可开启，让你的 AI 助手秒级上线、全天候待命。1、点击「创建」按钮，生成新的 API-Key；
2026-01-29 13:32:53
548
1
原创 万字长文｜迈向电商大模型时代，从虚拟试穿到电商AIGC
作者：高继航2025年，虚拟试衣已成为电商行业不可或缺的核心环节，从技术落地到商业变现，全行业都在加速布局这一赛道。什么是虚拟试衣？其背后的核心技术方案有哪些？国内外电商大厂又有哪些典型实践案例？如何突破技术瓶颈，打造更贴合用户需求的试穿体验？电商平台又该如何构建完整的AIGC能力矩阵？本文分享将基于京东零售视觉与AIGC部负责人李岩（Jason Li）博士在AICon2025的演讲内容整理呈现，深度拆解虚拟试衣的技术逻辑、行业实践与未来趋势，解锁电商AIGC的全域布局思路。内容围绕以下板块展开：首先解析虚
2026-01-26 16:45:13
1142
原创 工程师之夜系列分享第三十九篇：Kafka、RocketMQ、JMQ 存储架构深度对比
我们可以对比一下，如果HDFS没有block的设计，一个100T的文件也只能单独放在一个服务器上面，那就直接占满整个服务器了，引入block后，大文件可以分散存储在不同的服务器上。Kafka broker有一个参数，log.segment.bytes，限定了每个日志段文件的大小，最大就是1GB，一个日志段文件满了，就自动开一个新的日志段文件来写入，避免单个文件过大，影响文件的读写性能，这个过程叫做log rolling，正在被写入的那个日志段文件，叫做active log segment。
2026-01-26 16:29:26
1076
原创 【MCP】同时支持stdio，streamableHttpless和sse三种协议的MCP服务框架
# 目录结构- build: 编译之后的文件- src-- router: 配置streamableHttp和sse协议的路由-- index.ts: 注册streamableHttp路由入口-- mcp.ts: streamableHttp的配置路径，具体为`process.env.MCP_BASE_PATH`的路径请求,如果没有配置，默认/mcp。如果有需要添加二级路径，例如 /mcp/event，需要在这里面添加一下/event,如果一级不用动。
2026-01-21 18:07:34
1286
原创 618 大促技术实践：定时任务异常重试的探索与沉淀
这次线上异常事件，犹如一面镜子，让我们清晰地看到了系统中的潜在风险，也为我们提供了一次宝贵的技术提升机会。通过对异常重试机制的深入研究和实践，我们不仅解决了当前问题，更将这些经验转化为团队的技术资产。在未来的 618 大促及其他关键业务场景中，我们将以更完善的技术方案、更严谨的设计原则，守护系统的稳定运行，为业务发展提供坚实的技术保障。
2026-01-21 17:50:42
1142
原创 基于知识工程&JoyAgent双RAG的智能代码评审系统的探索与实践
我们探索出的双RAG架构，其价值核心并非追求极致的简单或敏捷，而是它既能像资深的一线研发一样，深度理解业务及代码变更的具体语境与潜在影响，又能像严谨的架构师一样，严格遵循成文的规范与最佳实践。通过结构化的协同机制，系统将两种不同质、不同源的知识（深度的代码语义与精准的评审规则）进行融合，实现了 “1+1 > 2” 的智能涌现，从而具备了识别并预防那些复杂、隐蔽代码缺陷的深度推理能力。这正是我们在高并发、高可用要求极为严苛的大促等场景下，为夯实系统稳定性基石所做出的关键性架构决策。
2026-01-21 17:47:30
1146
转载 ＜span class=“js_title_inner“＞告别手动搬砖： JoyCode + i18n-mcp 实现前端项目多语言自动化＜/span＞
结合 i18n-mcp 的开发，AI技术的深度赋能得以充分体现，大幅提升了开发的效率。为了打破这一僵局，我决定利用 JoyCode 结合我开发的 i18n-mcp 工具，打造一套自动化的国际化多语言解决方案。，通过 JoyCode 的 AI 能力来调度和执行以下三个核心步骤，实现了从“提取”到“替换”的全链路自动化。智能去重： 对提取出的文本进行去重，确保相同的中文文案（如“确认”、“取消”）只生成一个 Key，避免冗余。解放生产力： 从枯燥的“搬运工”工作中解脱出来，可以专注于业务逻辑和核心功能的开发。
2026-01-21 16:33:17
382
原创 设计不止于界面-AI引领的“Design to Code”时代
D2C 是一次 团队角色和流程的升级，更是一场认知的跃迁：设计师不再只是交付界面，而是交付“可运行的实现方案”AI 成为设计师和工程师之间的“实时翻译器”最终实现：更快迭代、更少摩擦、更强共创。在这条由 AI 驱动的设计到代码之路上，设计师不再是单纯的界面构建者，而是系统规则的定义者、智能逻辑的编织者。他们与 AI 一起，共同塑造一个能“理解意图、自动生成、持续学习”的设计生态。当设计稿不再停留于视觉表达，而成为可以被机器直接理解的语言，设计师便跨越了传统的边界——从视觉思考者，走向了系统架构的参与者。
2026-01-19 16:42:10
1100
原创 告别手动搬砖： JoyCode + i18n-mcp 实现前端项目多语言自动化
尽管目前 i18n-mcp 仍存在一些不足，例如在全面扫描大量文件时可能出现连接错误、翻译和替换结果不够准确等问题，仍需人工进行二次校验，但其在短时间内辅助开发的价值依然显著。在本次实践过程中，我主要通过 JoyCode 的交互式问答完成开发工作。JoyCode 不仅在代码补全方面发挥了重要作用，更凭借其强大的智能调度和自动化执行能力，成为高效处理复杂任务的核心中枢。结合 i18n-mcp 的开发，AI技术的深度赋能得以充分体现，大幅提升了开发的效率。
2026-01-19 16:36:25
1171
原创 京东金融鸿蒙端部署AI超分模型实践(纯干货)
展望端智能的未来发展，随着芯片算力的指数级增长、模型压缩技术的突破性进展以及边缘计算架构的日趋成熟，端侧设备将从单纯的数据采集终端演进为具备强大推理能力的智能计算节点，通过实现多模态AI融合、实时个性化学习、隐私保护计算和跨设备协同等核心能力，将大语言模型、计算机视觉、语音识别等AI技术深度集成到移动设备中，构建起无需联网即可提供智能服务的自主计算生态，推动人机交互从被动响应向主动感知、预测和服务的范式转变，最终开启真正意义上的普惠人工智能时代。
2026-01-19 16:35:26
1263
转载 1篇搞懂AI通识:大白话拆解核心点
随着 AI 技术从实验室走向日常，“机器学习”“大模型”“Transformer”“MOE” 等词汇已不再是技术圈的专属。从智能聊天助手到电商推荐，从语音识别到自动驾驶，AI 正以多元形态融入生活。这篇文章按 “基础→核心→优化→落地→工具→术语” 的逻辑，用最通俗的大白话，把 AI 通识技术点讲透。帮助你我他她建立更完整的 AI 认知框架，理解技术背后的核心逻辑与实际价值，“看透” AI 技术的底层逻辑，让复杂概念变得清晰易懂。AI 本质就是 “让机器像人一样思考、干活” 的技术体系 —— 不用人一步步指
2026-01-19 15:47:43
484
转载 ＜span class=“js_title_inner“＞1篇搞懂AI通识:大白话拆解核心点＜/span＞
注意：位置编码不是简单的 1、2、3，而是用特殊数字编码，让机器同时理解 “相邻词关系更近”（如 “吃” 和 “小明”“苹果” 的关系比 “小明” 和 “苹果” 更近）。：机器学习的 “高级版”—— 给机器配了 “多层思考大脑”（神经网络），能分层挖数据的深层规律（比如先看猫的轮廓，再看细节，最后判断），适合处理图片、长文本等复杂任务。：机器学习的 “特训法”—— 让机器像 “宠物学技能”，做对了给奖励（赢棋加分），做错了给惩罚（输棋扣分），反复试错后优化策略，比如 AI 玩游戏、下围棋都靠它。
2026-01-19 15:47:43
380
原创 如何使用wireshark进行远程抓包
在进行自动化流水线的报文实时分析，高密报文，语音视频流等实时性较高的 问题排查场景中。往往需要 做到场景复现，抓包分析分开处理。这个时候进行远程抓包是一个更好的操作手段并且进行远程抓包，方便远端技术人员进行在线分析，只要网络互通互联即可进行协助分析。并且支持多人同时实时分析互不干扰。
2026-01-16 15:43:38
828
原创 [特殊字符]1篇搞懂AI通识:大白话拆解核心点
AI 本质就是 “让机器像人一样思考、干活” 的技术体系 —— 不用人一步步指挥，机器能自己学规律、做决策。比如手机人脸识别、聊天机器人、自动驾驶，都是 AI 的具体应用。它不是单一技术，而是一堆技术的 “总称”，就像 “家电” 包含冰箱、电视一样。这张网上流行的图概述了人工智能（AI）随着时间推移的发展历程，从早期阶段到机器学习、深度学习以及大型语言模型（LLM）的出现。这仨是 AI 的 “核心方法论”，是 “大圈套小圈” 的关系：•机器学习。
2026-01-16 15:42:10
1093
转载 ＜span class=“js_title_inner“＞如何使用wireshark进行远程抓包＜/span＞
在远端设备抓取一部分数据包后，再回传到本地，然后使用wireshark进行分析。这种操作主要是抓取的数据包不是实时的，不能做实时数据分析，其次每次要穿文件也不太方便。在进行自动化流水线的报文实时分析，高密报文，语音视频流等实时性较高的 问题排查场景中。并且进行远程抓包，方便远端技术人员进行在线分析，只要网络互通互联即可进行协助分析。rpcapd组件，所以我们安装wireshark后需要手动卸载Npcap，手动安装WinPcap。通常我们使用wireshark进行抓包分析的时候，输入被控机IP 和端口。
2026-01-16 15:02:29
95
原创 基于知识工程&JoyAgent双RAG的智能代码评审系统的探索与实践
我们探索出的双RAG架构，其价值核心并非追求极致的简单或敏捷，而是它既能像资深的一线研发一样，深度理解业务及代码变更的具体语境与潜在影响，又能像严谨的架构师一样，严格遵循成文的规范与最佳实践。通过结构化的协同机制，系统将两种不同质、不同源的知识（深度的代码语义与精准的评审规则）进行融合，实现了 “1+1 > 2” 的智能涌现，从而具备了识别并预防那些复杂、隐蔽代码缺陷的深度推理能力。这正是我们在高并发、高可用要求极为严苛的大促等场景下，为夯实系统稳定性基石所做出的关键性架构决策。
2026-01-15 14:17:59
1018
转载 ＜span class=“js_title_inner“＞京东零售广告创意：统一的布局生成和评估模型＜/span＞
与LayoutFlow（BFEF的SOTA）、P&R（BFEC的SOTA）和Poster-Llama（BCEF和BCEC的SOTA）取得的平均LR分数0.658相比，我们的方法取得了更优的结果，从而验证了Uni-Layout的有效性。为弥补这一缺口，我们汇总了统一生成器的输出，并编制了Layout-HF100k，这是首个专为布局生成策划的全面人类反馈数据集，包含10万个精心标注的高质量示例，涵盖代表性布局任务。其中T为任务描述，b表示背景的内容和属性，e表示元素的内容和属性，O是指定的输出格式。
2026-01-15 10:03:37
33
原创 京东零售广告创意：统一的布局生成和评估模型
布局生成在电商图片的设计中起到至关重要的作用。当前的布局生成方法在能力上具有任务特定性，并且评估标准与人类感知不一致，导致其应用范围有限且评估效果不佳。为了解决这些问题，Uni-Layout实现了统一生成、模拟人类的评估以及二者之间的对齐。针对通用生成，该框架将各种布局任务整合到一个统一的分类系统中，并开发了一个统一的生成器，通过自然语言提示处理背景或元素内容受限的任务。为了引入人类反馈以有效评估布局，我们构建了Layout-HF100k，这是首个包含10万个人工标注布局的大规模人类反馈数据集。
2026-01-13 14:36:21
1011
原创 工程师之夜系列分享第三十九篇：Kafka、RocketMQ、JMQ 存储架构深度对比
作者：毕源泉消息队列的存储架构是决定其可靠性、吞吐量、延迟性能的核心因素，直接影响业务场景适配能力。本文聚焦三款主流消息队列 ——Kafka（LinkedIn 开源，侧重高吞吐）、RocketMQ（阿里开源，金融级特性突出）、JMQ（京东开源，侧重高可用与灵活性），从存储模型、数据组织、索引设计等维度展开深度对比，为技术选型与架构优化提供参考。本文将从概念辨析出发，系统拆解主流存储模型与存储引擎的设计逻辑，对比 JMQ、Kafka、RocketMQ的技术选型差异与架构设计。。
2026-01-13 14:34:21
1020
原创 【积微成著】性能测试调优实战与探索（存储模型优化+调用链路分析）
▪直播电商模式主流化趋势强劲（2023年前三季度全国直播电商销售额达1.98万亿元，增长60.6%，占网络零售额的18.3%，直播电商拉动网零增速7.7个百分点），相较传统电商，其限时促销模式叠加社交传播扩散属性，单品瞬时流量大，不同促销场次品类重合度更低，促销频次高，对系统性能提出了不同的要求。供应链模式中的不同行业，SKU品类生命周期存在较大差异（如服饰行业≈3个月），全量缓存模式会导致Redis中存在大量无效品类，资源消耗膨胀不可控，增加资源成本，有必要设计更有效的缓存方案。
2026-01-12 14:31:46
1296
原创 接单流程设计探索
组件通常被定义为规则执行的最小单元，我们最常见的是普通组件，也就是调用就执行，这是大部分系统目前都在使用的组件。其实在流程规则中，组件就像编译语言，还应该具备布尔组件、条件组件、循环组件、并行组件、异常捕获组件等等。由于这些组件都可以包含在普通组件中，通过代码来实现条件、循环等逻辑。所以在执行流程定义时，无法清晰识别这些本应体现在流程中的逻辑。组件定义通常还有一个值得关注的就是组件的数量，哪些逻辑可以归类到一个组件中，哪些需要分开。
2026-01-12 14:27:03
1225
原创 探索Playwright：前端自动化测试的新纪元
它提供了统一的API来实现跨浏览器的测试，这意味着开发者可以编写一次测试脚本，就能在所有支持的浏览器和平台上运行，无需为每个浏览器单独编写或调整测试用例。随着越来越多的企业和开发者采用Playwright，它的影响力在前端测试领域不断增强，正逐渐成为自动化测试的新标准。这不仅提高了软件的稳定性和可靠性，还降低了维护成本，并为创新和功能增强提供了更多的时间和资源。安装Node.js和npm，Playwright需要Node.js环境，因此首先需要确保你的系统上安装了Node.js和npm。
2026-01-12 14:26:17
1056
转载 ＜span class=“js_title_inner“＞探索Playwright：前端自动化测试的新纪元＜/span＞
它提供了统一的API来实现跨浏览器的测试，这意味着开发者可以编写一次测试脚本，就能在所有支持的浏览器和平台上运行，无需为每个浏览器单独编写或调整测试用例。随着越来越多的企业和开发者采用Playwright，它的影响力在前端测试领域不断增强，正逐渐成为自动化测试的新标准。这不仅提高了软件的稳定性和可靠性，还降低了维护成本，并为创新和功能增强提供了更多的时间和资源。安装Node.js和npm，Playwright需要Node.js环境，因此首先需要确保你的系统上安装了Node.js和npm。
2026-01-12 13:51:36
22
转载 ＜span class=“js_title_inner“＞探索Playwright：前端自动化测试的新纪元＜/span＞
它提供了统一的API来实现跨浏览器的测试，这意味着开发者可以编写一次测试脚本，就能在所有支持的浏览器和平台上运行，无需为每个浏览器单独编写或调整测试用例。随着越来越多的企业和开发者采用Playwright，它的影响力在前端测试领域不断增强，正逐渐成为自动化测试的新标准。这不仅提高了软件的稳定性和可靠性，还降低了维护成本，并为创新和功能增强提供了更多的时间和资源。安装Node.js和npm，Playwright需要Node.js环境，因此首先需要确保你的系统上安装了Node.js和npm。
2026-01-12 13:51:36
15
原创 【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
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。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。
2025-12-23 18:20:38
1145
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人