ITPub博客

OpenClaw对接聊天APP及AI助手工具1、对接飞书聊天APPopenclaw配置此处以飞书为例，输入插件下载安装命令：openclaw plugins install @m1heng-clawd/feishu   cd /root/.openclaw/extensions/feishu/  npm&nb

1、背景在 AI 问世的两年里，我们习惯了把它当作一个超级百科全书：如果你问它一个事实，它会给出答案；如果你给它一段文字，它会帮你总结。然而，当我们面对“分析某行业未来五年的趋势”或“撰写一份详尽的技术竞品调研报告”这样复杂的任务时，传统的 LLM 往往显得力不从心——它们缺乏深度，容易产生幻觉，且受限于上下文长度。Deep Research正是为了解决这一痛点而生。它不再是一个简单的聊天机器人，

系统的复杂性我们团队负责的系统是分布式微服务部署架构，随着业务的不断发展壮大和多条线场景化的持续建设丰富，系统的业务逻辑越来越多，功能逻辑也越来越复杂。系统早期单个应用的一个用户故事地图系统交互物理模型（库表）的复杂性一个子系统的代码沉淀在应用部署方面，目前现状我们的一个应用对应一个coding代码地址，部署以一个应用为单位发起部署申请，应用下

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。Moltbot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

引言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

1 前言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

一、背景：大促备战中的异常数据大促备战期间，接到客户反馈我司上传到客户服务器上的文件存在科学计数法表示的情况（下图的4.55058496E7），与约定不符。查看转换前的数据是：455058496，转换后（除以10：进行毫米到厘米的转换）就变成了科学计数法形式了。问题代码：<set var="temp.b" expr="${_ite

项目说明这是一个同时支持stdio，streamableHttpless和sse三种协议的MCP-Server的框架（ts语言）。为什么我想做这个框架呢？因为随着AI发展，现在越来越多业务需要和AI相结合。而我在做AI应用中发现，MCP服务在AI方向的业务使用频率很高，但随着业务的加深，发现存在以下痛点：1.针对不同业务，对于mcp-server需要的类型不同，有的就需要stdio，有的需要网络请

在 618 大促的技术战场上，每一行代码、每一个配置都影响着一线的实实在在的业务。一次看似平常的发版，却意外暴露了我们系统中的定时任务管理短板，这促使我们深入剖析分布式任务调度中异常重试机制的技术细节，并最终将其转化为守护系统稳定性的坚固防线。一、异常事件回溯：隐藏在发版背后的发版次日，业务部门反馈商家未收到门店收货明细邮件，导致门店收货业务收到影响。技术团队迅速启动应急流程，通过全链路日志追踪和

大促备战中的代码评审困境与破局   双十一大促是系统稳定性的终极“大考”。为规避上线风险，技术侧会启动系统封板管控，主动将非紧急需求的发布窗口前置。这一举措在保障系统稳定性的同时，也必然导致研发需求的前置与集中，使得封板前的代码评审任务量显著增加。我们面临着一个严峻的“量与质”的挑战：如何在时间紧、任务重的双重压力下，确保代码评审的效率与质量，从而前置发现潜在风险，有效拦截线上

一、背景当前在传统设计环节，设计师与研发之间存在大量的关于样式等视觉层的理解偏差，从而会出现大量的重复且无效的细节像素调整工作，由于项目时间紧、细节多设计走查环节会给各方角色诸多额外负担，在AI涌现后设计师尝试使用AI_Code直接还原设计稿件，并且从传统交付静态界面设计图片转为交付可运行的实现方案，但在多数团队的认知里，AI_Code仍停留在“氛围编程”阶段：能写出代码，但不符合框架规范，改

1. 背景与痛点：存量代码的“多语言噩梦”在前端开发中，将一个成熟的中文存量项目进行国际化多语言（i18n）改造，往往面临着以下困境：•工作量巨大： 项目包含数百个 .vue/.js/.ts 等文件，散落着成千上万个硬编码的中文字符串。•人工易错： 手动提取容易遗漏，且极其枯燥，极易产生 Copy/Paste 错误。•命名困难： 为每一个中文词条想一个语义化的英文 Key（如 homePageTi

1. 背景这可能是全网的第一篇完整讲解鸿蒙端使用CANN部署AI模型的文章, 满满干货。社区作为用户交流、信息传递的核心载体，图片内容（如理财产品截图、投资经验分享配图、用户互动评论图片等）的展示质量直接影响用户的信息获取效率与平台信任感。从京东金融App社区的业务需求来看，当前用户上传图片普遍存在多样性失真问题：部分用户通过老旧设备拍摄的图片分辨率较低，部分用户为节省流量选择低画质压缩上传，还有

引言随着 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

一、概述     通常我们使用wireshark进行抓包分析的时候，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。并且针对时效要求高，并且设备处理性能不高的被抓包设备。进行实时分析也会造成线上业务卡顿。       &n

一、背景：大促备战中的异常数据大促备战期间，接到客户反馈我司上传到客户服务器上的文件存在科学计数法表示的情况（下图的4.55058496E7），与约定不符。查看转换前的数据是：455058496，转换后（除以10：进行毫米到厘米的转换）就变成了科学计数法形式了。问题代码：<set var="temp.b" expr="${_ite

大促备战中的代码评审困境与破局   双十一大促是系统稳定性的终极“大考”。为规避上线风险，技术侧会启动系统封板管控，主动将非紧急需求的发布窗口前置。这一举措在保障系统稳定性的同时，也必然导致研发需求的前置与集中，使得封板前的代码评审任务量显著增加。我们面临着一个严峻的“量与质”的挑战：如何在时间紧、任务重的双重压力下，确保代码评审的效率与质量，从而前置发现潜在风险，有效拦截线上

MM2025: Uni-Layout: Integrating Human Feedback in Unified Layout Generation and Evaluation论文链接：https://arxiv.org/abs/2508.02374代码链接：https://github.com/JD-GenX/Uni-Layout摘要：布局生成在电商图片的设计中起到至关重要的作用。

引言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

背景在前端开发中，自动化测试是确保软件质量和用户体验的关键环节。随着Web应用的复杂性不断增加，手动测试已经无法满足快速迭代和持续交付的需求。自动化测试通过模拟用户与应用的交互，能够高效地执行重复性测试任务，加快测试周期，提升测试覆盖率，从而更早地发现缺陷和问题。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。在众多自动化测试工具中，Playwrigh