京东科技开发者

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？

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。

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。

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。

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。

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。

新的方案主要结合 Playwright，SoM视觉标记，GPT4Vison，GPT4，AutoGen来实现。主要的原理通过 Playwright进行浏览器操作，包括页面图像的获取、浏览器的各种操作，相当于‘‘手’’；进行SoM 视觉数据标记，因为 GPT4Vison 在进行页面原始识别时并不是很准确，参考微软的论文可以通过视觉标记的手段来辅助 GPT4V 识别，相当于“眼睛”。通过GPT4+AutoGen 将这些步骤串起来实现协调控制，相当于“大脑”。

即时设计接入 AI 的方式是抽象出一层 DSL，让 AI 通过 DSL 了解即时设计能力，同时输出 DSL 解析执行。ChatGPT x 低代码平台 ≈ DSL + Prompt + Function彩蛋🥚：本文中带有🤖标识的文案均为GPT生产🎉，感兴趣的小伙伴欢迎一键三连，私信一起交流~参考文献：1.chatGPT有，但不多的的即时设计智商作者：京东零售 张熙沐枫来源：京东云开发者社区 转载请注明来源。

近年来，放眼业界广告推荐领域的算法获得了长足的发展，从几篇奠定基础的序列学习、大规模图学习、在线学习&增强学习、多模态推荐问题等起步，业内算法不断迭代发展并在学术和工业场景上取得不错的应用。

OpenCL是第一个面向异构系统通用目的并行编程的开放式、免费标准，适用于跨CPU、GPU和其他处理器的异构混合编程。OpenCL通过创建一个高效的、底层的编程接口，实现了独立于硬件、操作系统和应用程序的并行计算生态系统的基础层。OpenCL用于协调主机和支持OpenCL标准的异构计算设备间的并行计算，并且具有明确的跨平台编程语言。OpenCL是在异构系统上进行编程的行业标准。OpenCL不仅仅是一种编程语言，更是用于异构系统编程的行业标准框架。

京麦麦互动直播是京东科技出品的商家店铺直播辅助工具，自2022年10月上线以来，成功地陪伴了6000+商家的持续经营与成长，为广大商家提供7*24小时不间断、个性化的店铺数字人直播服务，有效帮助大家提升了商详页的CTR、直播间的观看转化率，以及15日引导成交金额回报。（是的，可以完全覆盖双11活动的预热和主场活动！活动时间：即日起至2023年10月31日0点。来源：京东云开发者社区 转载请注明来源。服务有效期：自订购之日起30天。作者：京东科技 刘宗恺。

近日，由轻金融特别策划并推出的采访报道中，轻金融与京东金融实战团队进行了一次深入交流，双方深度解析了银行数智运营体系之破局、开局、布局问题。

triton启动的使用使用 nvidia-smi -l 2 监控显卡想显存, 可以发现所有模型都在往第一个gpu,gpu[0]内加载,发现配置config.pbtxt不生效作者：京东科技 杨建来源：京东云开发者社区 转载请注明来源。

相信认真一起看完上述知识点，opencv-python已经对于图像的基本操作可以熟练掌握了，接下来会对数字图像的一些其他概念进行介绍，敬请期待~作者：京东物流 张伟男来源：京东云开发者社区 自猿其说Tech 转载请注明来源。

本篇文章将详细讲解一下我们团队内部在遇到业务痛点时如何利用Httprunner框架进行接口自动化测试的。当最近邂逅chatGPT后又是如何将二者结合起来，实现"敏捷"自动化测试的。

各种微调方法适用于不同的场景和任务。SFT监督微调适用于快速适应目标任务，LoRA适用于减少参数量和成本，P-tuning v2适用于多任务学习，而Freeze适用于提取特定层次的特征。

在测试工作中可以辅助功能测试包括需求分析或解读代码（注意代码安全）后生成测试用例，还可以辅助生成代码，接口测试用例，自动化脚本等各个方向起作用。当然实际使用中可能会因为提示词的不同生成的结果需要人工多次对话训练才可以。但是使用chatGPT肯定比不用能提高工作效率。当然具体落地后如何进行量化提效抽象等等问题依然在探索中，迈开第一步后依然任重而道远。

结合团队现有测试流程如下：我们按照测试流程，拆解具体任务，测试人员在每个环节需要输出什么内容呢？分析需求，编写测试计划，明确测试策略，包含安全、性能等，输出测试排期；提炼出测试点，以功能点具体拆分测试用例，包含冒烟用例、流程用例、异常用例、联调用例等；根据接口定义，提前准备自动化脚本，测试阶段按照业务流程增加断言及脚本调优；

提起长连接，我们并不陌生，最常见的长连接非websocket莫属了。即使没有在项目中实际用过，至少也应该有所接触。长连接指在一次网络通信中，客户端与服务器之间建立一条持久的连接，可以在多次请求和响应中重复使用该连接。

使用LangChain开发LLM应用时，需要机器进行GLM部署，好多同学第一步就被劝退了，那么如何绕过这个步骤先学习LLM模型的应用，对Langchain进行快速上手？本片讲解3个把LangChain跑起来的方法，如有错误欢迎纠正。

本篇文章中我们将对机器学习做全面的了解与介绍，其中第一章 初识机器学习分为上下两个小章节，对机器学习是什么、机器学习由来以及机器学习的理论等展开说明。目的是能让即便完全没接触过机器学习的人也能在短时间对机器学习有一个全面了解。

本文期望通过本地化部署一个基于LLM模型的应用，能让大家对构建一个完整的应用有一个基本认知。包括基本的软硬环境依赖、底层的LLM模型、中间的基础框架及最上层的展示组件，最终能达到在本地零编码体验的目的。

以下是一个与ChatGPT 结对编程的一个Excel数据解析案例，大家可以根据我的思考过程进行体验，以下放了一些截图，ChatGPT的反应速度惊人，代码版本一步步进行迭代优化，感触较深的是。对于ChatGPT输出的代码没有做仔细的Review及调试，但是看代码风格基本上是改改就能用于生产的，对于代码规范、命名还是很认可的！10.提升程序效率，把解析性能在提升10倍 （架构师的成本意识，这个问题的回答有点意思）6.替换掉 poi 采用EasyExcel （替换原始的默认技术选型，替换三方包）

随着AIGC的爆火，ChatGPT，GPT-4的发布，我作为一个算法工作者，深感AI发展的迅猛。最近，OpenAI的插件和联网功能陆续向用户公开，我也在第一时间试用了这些最新的功能。

在本文中，我们将以 chatglm-6b 为例详细介绍 GPU 云主机搭建 AI 大语言模型的过程，并使用 Flask 构建前端界面与该模型进行对话。

阅读本文有门槛，以下是需要掌握的全部信息，全文的主旨是组合前端现有的技术，结合画面，讲述共同对抗 GPT 的故事。

JupyterLab作为一种基于web的集成开发环境，被称为下一代的Jupyter Notebook，你可以使用它编写notebook、操作终端、编辑markdown文本、打开交互模式、查看csv文件及图片等功能,支持Python等多种语言，十分适合做数据分析及可视化工作。 随着GPT大模型算法的盛行，数据分析已经从过去传统的人为打标、清洗的运营流程转向更智能、高效、复合的机器学习分析。

fate资料存在着多处版本功能与发布的文档不匹配的情况，各个模块都有独立的文档，功能又有关联，坑比较多，首先要理清楚各概念、模块之间的关系。

分享人：孙长虹 京东云 DevOps 解决方案架构师复旦大学计算机系毕业，并拥有人民大学心理学硕士学位。曾任职于 Alcatel-Lucent，IBM 和惠普，具有丰富的大型复杂产品研发及项目管理经验，擅长组织级敏捷和 DevOps 转型，并拥有 EXIN Agile Coach, 业务敏捷，DevOps Master，以及 SPC 认证，也是 EXIN 授权敏捷和 DevOps 讲师。他负责京东云 DevOps 解决方案，也为零售、金融、交通等多个行业的大型企业客户提供过敏捷和 DevOps 咨询服务。Q

谷歌大脑的五位深度学习大佬在 “Chinese New Year” 期间合作推出了《深度学习调参手册》，来为各位深度学习爱好者恭贺新年（我猜的），一时间好评如潮，获星过万，看来大家都是苦调参久已。难道依靠经验的调参变得“可解释”了？显然不是，而是大佬们分享自己的调参经验，内容还是挺多的，下面咱们去粗取精，希望能够获得飞升。

日志在 IT 行业中被广泛使用，日志的异常检测对于识别系统的运行状态至关重要。解决这一问题的传统方法需要复杂的基于规则的有监督方法和大量的人工时间成本。

op代表计算图中的节点，是tf.Operation对象，代表一个计算单元。用户在创建模型和训练代码时，会创建一系列op及其依赖关系，并将这些op和依赖添加到tf.Graph对象中（一般为默认图）。比如：tf.matmul()就是一个op，它有两个输入tensor和一个输出tensor。用户编写的模型训练代码一般由TF原生的op算子及其依赖关系组成，但有时候我们定义的计算逻辑在TF中没有相应的op实现。根据TensorFlow官网的建议，我们应当先组合python op算子或python函数进行尝试。

时间序列的异常检测是实际应用中的一个关键问题，尤其是在 IT 行业。我们没有采用传统的基于阈值的方法来实现异常检测，而是通过深度学习提出了一种无阈值方法：基于 LSTM 网络的基线（一个 LSTM 框架辅助几个优化步骤）和无监督检测（神经网络和多种机器学习算法的组合）协同综合分析时间序列。当时间序列显示出清晰的周期性形态的情况下基线表现良好，而无监督检测在效率要求高且周期性不太清晰的情况下表现出色。通过两个并行模块的互补设计，可以在不依赖阈值设定和调整的情况下实现无阈值异常检测。京东云内部实践证明，我们所提

基于容器环境下进行的人工智能项目的三个阶段，包括探索、训练模型和部署，是非常有潜力的。每个阶段具体又包括什么呢？下文将对这三个阶段展开说明。

日前，京东探索研究院联合悉尼大学提出了更大规模、更优效果、对各类视觉任务具有更好适应性的超级深度学习模型ViTAEv2。值得提及的是，具有6亿参数的ViTAEv2模型在不依赖任何外源数据的情况下，斩获了ImageNet Real数据集分类准确度“世界排名第一”的突出成绩，精准高达91.2%，成功刷新图片分类技术领域的世界级纪录。一直以来，ImageNet数据集作为目前最大的"图像分类"公开数据集，其识别准确率榜单吸引了包括谷歌、微软、Facebook等国际顶尖科技公司以及斯坦福大学...

听说了么？那个写了30亿字“种草”文案的京东言犀要举办大赛了！

在近日公布的全球自然语言处理领域顶级测试GLUE中，京东探索研究院联合悉尼大学、武汉大学以及北京航空航天大学组成梦之队(JDExplore Dream Team, d-team)参与其中，其提出的织女模型Vega v1以总平均分91.3分荣登榜首夺冠，再次刷新自然语言理解技术世界纪录，超越同场竞技的微软、Facebook、斯坦福大学等企业和高校团队。值得提及的是，测试中织女模型在九个子任务中的四个单项任务，即情感分类任务SST-2(The Stanford Sentiment Treebank)、语义相

准确的网络范围交通状态估计对于许多交通运营和城市应用至关重要。然而，现有方法在城市级别执行实时推理时通常会遇到可扩展性问题，或者在有限数据下不够稳健。目前，来自探测车辆的 GPS 轨迹数据已成为许多交通应用的流行数据源。GPS轨迹数据覆盖面积大，非常适合全网应用，但也存在稀疏、不同时间、不同地点异构性高的缺点。京东智能城市团队的这项研究在基础的填补问题上增加了对结果的可解释性，给解决城市交通问题提供了更强的支撑。研究者提出的自利联盟学习（Self-interested Coalitional Learnin