ITPub博客

核心观点1. 通用大模型想解决营销领域问题需向垂类模型转型。“全才”通用大模型难覆盖广告营销全流程，需升级为“懂营销”的垂直模型，实现从“知道”到“落地执行”的三维跨越。2. 广告智能体破解传统投放门槛高效果不稳定难题。把简单留给客户，让复杂交给AI。传统投放对中小商家门槛高，广告投放智能体凭“一句话指令”实现自动化操作与调优，让广告主从 “操作岗” 解放出来，专注做 “战略岗”。3. 端到端建模

导语本文从日常值班问题排查痛点出发，分析方法复用的调用链路和上下文业务逻辑，通过思考分析，借助栈帧开发了一个方法调用栈的链式跟踪工具，便于展示一次请求的方法串行调用链，有助于快速定位代码来源和流量入口，有效提升研发和运维排查定位效率。期望在大家面临类似痛点时可以提供一些实践经验和参考，也欢迎大家合适的场景下接入使用。现状分析在系统值班时，经常会有人拿着报错截图前来咨询，作为值班研发，我们则需要获

作者：京东科技 王光辉核心能力1. 全流程自动化打通 Jen/行云/京东云OSS/零售云OSS/NP/CDN/R2M/JimDB/科技容器/零售容器/域名解析/镜像适配/测试站发布等全链路实现资源免维护部署，提升部署效率2. 高可用架构支持高并发访问，具备主备容灾机制系统稳定性与可维护性全面提升3. 精细化部署策略新增前端灰度发布能力支持按业务需求灵活选择部署模式部署模式共享集群适用场景：B端类应

一、背景      ROMA承接很多复杂图表的渲染需求，在京东金融APP内，特别是首页首屏的图表，对图表渲染的及时性要求很高。近期业务反馈频繁重启时，首页的黄金走势图偶现渲染不出的问题，通过梳理图表的渲染流程，对缓存策略、视图加载和渲染过程进行了重构，确保渲染成功率，提升了渲染速度以及补充了异常重试的功能。二、使用场景分析      京东

一、引言当你想规划一场旅行时，还会在百度里翻找十几页攻略，或是在小红书、微博上手动总结笔记吗？显然，这种传统方式既耗时又难整合，在当下快节奏和忙碌的生活中无疑是个负担。同时随着AI大模型的发展，越来越多的人直接向 ChatGPT、豆包等生成式 AI 提问，只需几秒就能获得带来源标注的精准答案。从 “主动找链接” 到 “被动等结论”，用户行为的这场变革使得GEO（生成式引擎优化）也正在成为 AI 时

TL;DR过去一年间，生成式推荐取得了长足的实质性进展，特别是在凭借大型语言模型强大的序列建模与推理能力提升整体推荐性能方面。基于LLM（Large Language Models, LLMs）的生成式推荐（Generative Recommendations, GRs）正逐步形成一种区别于判别式推荐的新范式，展现出替代依赖复杂手工特征的传统推荐系统的强大潜力。本文系统全面地介绍了基于LLM的生成

后端研发的 AI 突围作为一名后端研发，开始AI之路已经2年，从Chat QA，到AI Agent的开发，在到Multi-Agent，AI-Native。今年Q2开始结合保险业务场景，开始全面AI落地。我们的AI Agent的能力已跨过L1（Chatbot），在L2（Reasoner）全面爆发。我内心是焦虑的，大模型发展的得太快，尤其是在Cursor、JoyCode等产品出来后。我想不止是后端研发

简介本文整理了来自Daily Dose of Data Science最热门或最新的文章，其中极具特色的动图以生动形象的方式，帮助我们更好的理解AI中的一些核心技术，希望能够帮助大家更好的理解和使用AI。大模型Transformer vs. Mixture of Experts混合专家 (MoE) 是一种流行的架构，它使用不同的“专家”来改进 Transformer 模型。下图解释了它们与 Tra

Hudi系列:Hudi核心概念(版本1.0)•Hudi架构◦一. 时间轴(TimeLine)s▪1.1 时间轴(TimeLine)概念▪1.2 Hudi的时间线由组成▪1.3 时间线上的Instant action操作类型▪1.4 时间线上State状态类型▪1.5 时间线官网实例◦二. 文件布局◦三. 索引3.1 简介3.2 对比其它(Hive)没有索引的区别3.2 多态索引布隆过滤器记录索引表

Hudi系列:Hudi核心概念(版本1.0)•Hudi架构◦一. 时间轴(TimeLine)s▪1.1 时间轴(TimeLine)概念▪1.2 Hudi的时间线由组成▪1.3 时间线上的Instant action操作类型▪1.4 时间线上State状态类型▪1.5 时间线官网实例◦二. 文件布局◦三. 索引3.1 简介3.2 对比其它(Hive)没有索引的区别3.2 多态索引布隆过滤器记录索引表

背景   cef是一种跨平台的框架，属于chrome内核，可以用来显示web相关页面。目前在咚咚工作台上使用，显示聊天框，历史消息，插件页面等等。之前只是在win平台上使用，在今年开发mac版本商家咚咚过程中，完成了mac版本的适配，积累了一些在两个平台上的使用方法，避免以后再踩坑。一. 库和资源文件  基本的库文件包含了多个文件夹和资源文件，这些是运行cef时必须

一、背景       京东物流到仓业务「对商家」为了减少商家按照京东采购单分货备货过程，对齐行业直接按照流向交接，提升商家满意度；「对京东」揽收操作APP提效；到仓合单功能应运而生；二、问题       一次批量采购单（一次50或者100个采购单）需要根据不同的规则合并成多个订单；    &nbsp

一、RAG是什么？RAG（Retrieval-Augmented Generation，检索增强生成）, 一种AI框架，将传统的信息检索系统(例如数据库)的优势与生成式大语言模型(LLM)的功能结合在一起。不再依赖LLM训练时的固有知识，而是在回答问题前，先从外部资料库中"翻书"找资料，基于这些资料生成更准确的答案。RAG技术核心缓解大模型落地应用的几个关键问题：▪知识新鲜度

一、开篇引言京东零售从9月开始对技术风险系统性地跟踪汇报，以故障数、监控发现率、故障发现时间、故障恢复时间等多个指标进行统计和跟踪汇报，相比于之前线上小故障杖责二十、大故障发配宁古塔，有了向惩前毖后、治病救人方向的转变。我也有机会参与到其中部分问题的复盘，发现问题的原因要不是因为需求变更过程中理解有误，要不是因为需求变更中原程序圈复杂度高而衍生的错误。2024年，跨进21世纪已经两个轮回，这些计算

一、背景与挑战1.升级动因◦Oracle长期支持策略◦现代特性需求：协程、模式匹配、ZGC等◦安全性与性能的需求◦AI新技术引入的版本要求2.项目情况◦100+项目并行升级的协同作战◦多技术栈并存◦持续集成体系的适配挑战二、进度应用总数 已完成 应用下线 待升级 100+731310+三、主要问题域与解决方案1. 依赖管理的"蝴蝶效应"•sun.misc.BASE64Enc

今年7月份京东开源了业界高完成度轻量化通用多智能体产品(JoyAgent-JDGenie)，得到了行业的广泛认可，今天京东又放大招了，在JoyAgent-JDGenie的基础上又开源了Dataagent能力。开源体验：https://github.com/jd-opensource/joyagent-jdgenieJoyagent行业100%开源企业级智能体成长于京东自身业务系统的JoyAgent

行稳： 做好当下，结果第一读书和加入京东以来的这十几年，我感触最深的一个点就是要做好当下。我个人是一个思维比较跳脱，想法算是比较多的人。总是喜欢瞎折腾，喜欢想东想西。有时候有点 “这山望见那山高” 的意思。我本科的专业是偏电力的控制工程，做过那个电动汽车的无线充电。但是后来美国交换的时候看到了别人在做足式机器人控制，这个东西对于当时的我来说简直是太酷了，再加上当时Boston Dynamics的

目前k8s-cluster-inspector组件可以自动化完成Kubernetes集群巡检，并在巡检结果中给出当前集群存在的问题，问题分级，问题类型，问题解决方法。示例巡检数据结构如下：{        "name": "colocation-webhook-role",&

Go 语言在 2009 年被 Google 推出，在创建之初便明确提出了“少即是多（Less is more）”的设计原则，强调“以工程效率为核心，用极简规则解决复杂问题”。它与 Java 语言生态不同，Go 通过编译为 单一静态二进制文件实现快速启动和低内存开销，以25个关键字强制代码简洁性，用接口组合替代类继承，以显式返回error取代异常机制 和 轻量级并发模型（Goroutine/Chan

导语本文分析了在网络超时场景下，RPC服务调用数据一致性的问题，对于接口无幂等、接口幂等失效情况下，对异常数据快速处理做了分析思考和尝试，开发了一款轻量级仿幂等数据校正处理辅助工具。该工具可以MOCK或SPY服务调用，不限于RPC接口，进程内的方法调用也支持，与JSF、WebService、HTTP方式无关，只要方法能被代理，就可以使用，写服务、读服务均可以支持。目前已在生产环境中使用，在关键时刻