ITPub博客

1 前言在跨境电商竞争日趋激烈的今天，商品视觉就是出海品牌的第一门面，更是成为消费转化的关键入口。在跨境电商高速增长的黄金赛道上，视觉内容直接决定消费者停留、点击与最终购买，成为品牌出海不可或缺的核心竞争力。但高昂的作图成本、漫长的制作周期、复杂的多语种适配、严苛的平台合规要求，仍让无数商家步履维艰。单 SKU 数千元成本、数天制作周期、数十张素材需求、多平台反复修改…… 传统视觉生产模式，已难以

背景在日常开发中，不可避免的要用到分批查询或分页查询，其中的场景有很多，有的是WEB页面的分页查询效果，或移动端向下滑动的分页查询，有的则是因为目标数据量巨大，不得已而分批查询。无论是出于性能考虑，还是大报文考虑，抑或页面的效果，分批或分页查询都是研发的日常。本文尝试，对日常项目用到的分批分页查询做一下方案的回顾和浅析。查询场景及方案一、普通分批分页查询场景方案1 普通LIMIT

Vibe Coding最近几年，以 LLM 为主要技术路线的又一轮 AI 浪潮席卷了整个行业，并迅速外溢到与信息技术产业无关的普通民众的日常生活中。快到惊人——甚至可以说是有些吓人的发展迭代，正在迅速叩开传统企业和 C 端用户的大门；给个人和企业用户带来便捷、效率与趣味的同时，也在一些行业和岗位完成技术替代。作为计算机行业的一个细分领域的从业者、一个前端工程师，虽然我们与真正参与 LLM 研发的算

一、京东缓存中间件架构1、背景在当今高并发、分布式的系统架构中，缓存已成为提升应用性能、降低数据库负载的核心组件。随着业务规模的扩大与系统复杂度的增加，缓存的使用和管理面临诸多挑战：部署模式多样、容灾策略不一、数据一致性保障困难等问题日益凸显。在京东内部，大量业务系统依赖JIMDB作为缓存解决方案。然而，在实际使用与运维过程中，我们发现了以下几个普遍存在的痛点：•部署架构不统一：单集群单机房部署

1. 概述1.1 为什么需要 OpenClaw我们在日常使用AI过程中，会感觉到构建一个Agent 系统面临着一系列现有框架难以解决的问题：（1）多渠道消息统一处理的痛点真实场景中，用户可能通过多种渠道与 AI Agent 交互。现有框架要么只支持 HTTP API 调用，要么需要为每个渠道从零开始写集成代码。OpenClaw内建了十余种渠道支持，并通过插件机制（extensions/）允许扩展更

认知程序设计-导读概述认知设计是一个软件设计新思路，设计目的是降解应用系统的复杂度。实现结果超越了设计预期：通用业务域竟也能和声明式一样：只需描述结果，实现过程完全交给框架。下面列出了框架实例的重要指标表现，详情可见《五 表现特性》。复杂度表现代码可读性性能表现节点导读一 设计起点新思路设计的起点是语言在认知中的作用，以及哲学中对世界认知的观点：“表象由本原构成”。据此引出认知设计的核心要点：表象

一、脑海中的两个声音作为一名测试开发工程师，除了日场的业务需求测试，自己还承担了一些测试工具平台的开发维护工作。在这个AI技术飞速发展的时代，我常常在想两个问题：如果我具备代码能力，开发这个平台能让AI做什么？如果我代码能力有限，该怎么结合AI完成这个平台？这两个问题一直萦绕在我脑海。直到最近，一个需求的出现，让我有机会同时回答这两个问题——用两种完全不同的视角，去审视同一段开发旅程。二、机会这不

一、高可用架构范式高可用架构的核心目标是保障系统在面对硬件故障、软件异常或网络中断等风险时，仍能持续对外提供服务，最大限度减少停机时间，确保业务连续性和数据一致性。为实现这一目标，系统通常会采用分层架构隔离风险、冗余设计保障数据灾备、故障转移机制实现应急恢复等。其设计范式已从传统的单点冗余演进为分布式环境下的全链路高可用体系。为电商系统设计高可用架构，需要从全链路多个层面考虑系统的水平伸缩能力、容

前言“色彩是我们感知世界的重要媒介，对于信息传达有着重要的作用，能使人们能够更有效的感知设计的意图和内涵，使传达更高效。且人对色彩的视觉感知与想象能力，能够指导人做出预测、理解和决策。”-- lyft kevyn arnott色彩是体现品牌与基因的关键因素，构建科学高效的色彩系统，建立产品的品牌形象，对产品设计极具指导意义。京东物流用户设计部在B端色彩上也进行了一些深入的挖掘和沉淀，一方面希望

引言OpenClaw作为一款开源的AI智能体(Autonomous Agent)框架，自2026年1月开源以来迅速成为AI领域的现象级产品。它的核心价值在于将大语言模型的推理能力与本地系统操作深度结合，实现了从"对话式AI"到"行动式AI"的跨越。本文将深入解析OpenClaw的处理流程链路，揭示其背后的技术架构和工作原理。一、OpenClaw架构概览

摘要：在十万卡集群与万亿参数模型时代，基础设施的稳定性直接决定了模型训练的边际成本。当单次训练成本高达千万美元时，监控系统不再是简单的报警，而是衡量算力价值的精算师。基于一线智算运维实践，探讨如何打破数据中心、服务器与网络之间的数据壁垒，构建具备业务感知能力的下一代智算监控体系。一、 核心痛点：为什么传统监控在智算时代失效了？在通用计算时代，我们习惯用 SLA 来衡量稳定性。但在 AI 大模型训练

背景在我们系统中，承接多种行业，多种商家的，多个业务条线，不同场景的的不同业务诉求，在实现上将个性和通用字段隔离，通用字段是所有条线通用逻辑所共用的标准字段，对于个别条线的个性化诉求，则通过个性化扩展字段来实现。通用字段，作用于通用逻辑，所有条线走到相应功能时，会对通用字段读写。而对于个性扩展字段而言，只有用到个性化功能时，才会对个性化扩展字段进行赋值。在数据库持久化存储上，用不到该个性化扩展字段

背景在日常工作中，有时会遇到一些突发流量，突发流量虽然持续时间短，但形成的流量洪峰不容小觑，对于系统来说也是较大的冲击。应用、数据库等方面都会有明显的跳点，持续时间越长，风险越大。突发流量的来源，有时是来自JSF、RESTful等远程服务调用，也可能是MQ事件消息，也可能是系统自身的一些定时任务，异步任务等。如果定时任务、异步任务的量大，应用、数据库都会有较大的负载压力。对于应用而言，直观的指标例

一、 AI Agent落地方法论与技术点1.怎么选场景，定目标？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。目标场景定的不对，不但常常让产研的心血付诸东流，还会无法形成合力，形成由点线再到面的连招攻击。为了介绍我们如何选场景，定目标，先介绍一下京东保险在干嘛？我们做传统保险，在京东场内还有许多特色服务，比如零售商品延长保障，运费险，不爱吃包退，复购补贴，宠物险，账户安全险，上门医疗险

写在前面的话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。一、开场：一个真实的冲突场景

导读随着京东业务增长、平台商家数的大幅增加，京东的订单量急剧上涨，尤其是2025年京东发力本地生活业务，给B端订单存储带来较大压力；另一方面京喜自营做为京东低价策略心智的店铺，业务增长也是非常迅猛，一个店铺订单相当于几十近百个店铺单量总和。基于以上订单ES存储面临极大挑战，系统架构升级迫在眉睫。本文主要介绍B端pop订单异构系统当前系统架构现状，阐述下我们面临的主要问题、以及解决思路和技术升级方案

在电商推荐系统中，推荐模型长期面临着两个核心矛盾：一方面，传统的多阶段级联推荐系统存在目标不一致和误差累积的问题；另一方面，直接引入大型语言模型LLM虽然能带来强大的推理能力，但其高昂的延迟和计算成本在工业级应用中难以承受。更重要的是，现有的生成式推荐方法在多场景扩展性上面临巨大瓶颈--每个场景都需要独立训练和部署，导致资源利用率低下、维护成本高昂。京东零售OxygenREC团队在论文《Oxyge

在 Agentic AI 快速演进的今天，“Agent Skills 会取代 MCP”或“MCP 已经过时”的声音不绝于耳。这种二元对立的叙事，看似犀利，实则掩盖了智能体架构设计中最本质的真相：Agent Skills 与 MCP 并非对手，而是搭档。前者是人类智慧的结晶——将业务规则、决策逻辑与合规要求，以声明式、可读、可维护的方式注入 AI 代理；后者是技术能力的桥梁——让 AI 能安全、可

引言：AI规模化落地，推理系统面临全新挑战全球领先的市场研究和咨询公司IDC预测，到2028年，75%的新 AI 工作负载将实现容器化，从而显著提升模型与工作负载更新的速度、一致性与安全性。容器化技术将成为 AI 推理时代的“默认交付形态”。当前随着大模型技术快速演进与业务场景的深度融合，AI业务对推理基础设施的需求呈现爆发式增长。在早期小流量场景下，手动部署与定制化方案尚可应对；然而当模型规模

OpenClaw是少数真正具备系统级操作能力的个人智能助理：本地长期记忆（对话数据自主可控）跨平台推送（支持对接通讯类软件）真实任务执行（文件整理、表单提交、代码生成）这样一个强大又敏感的 AI 助手，该运行在哪里？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。京东云全面上线 openclaw(Clawbot)！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