
简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
这样的场景,对所有从事 AI 基础设施与大数据计算的技术人员而言,都是一次难得的机遇——这也是许多平台型企业所不具备的独特土壤。而我们团队所做的工作,则类似于构建身体的“骨骼、血液与肌肉”——我们致力于打造一套以大模型为中心的 AI 原生分布式应用服务框架,用以承载大模型推理及 AI 业务,使其更高效地理解数据、释放数据的深层价值。以‘Oxygen’为名,承载着京东零售技术团队的愿景:我们致力于构
这样的场景,对所有从事 AI 基础设施与大数据计算的技术人员而言,都是一次难得的机遇——这也是许多平台型企业所不具备的独特土壤。而我们团队所做的工作,则类似于构建身体的“骨骼、血液与肌肉”——我们致力于打造一套以大模型为中心的 AI 原生分布式应用服务框架,用以承载大模型推理及 AI 业务,使其更高效地理解数据、释放数据的深层价值。以‘Oxygen’为名,承载着京东零售技术团队的愿景:我们致力于构
当前各类状态信息为st,已知各模块负载约束Cm,权衡消费Q(st,at)和算力消耗C(st,at)的关系,应该采取什么样的动作组合at,能够得到最大的奖励R(st,at)。

京东供应链算法团队推出首个自研十亿级销量预测时序大模型TimeHF,基于人类反馈的强化学习技术(RLHF)首次应用销量预测,预测准确度大幅度提升10%+,降低需求端预测不确定性。经过和各时序模型在内外部数据集对比,时序大模型在模型尺寸和效果上均表现突出,优于行业水平。目前在2万种商品上输出预测进行自动化补货,预测准确率相较于线上大幅提升。
回顾这段从V1到V4的进化之路,我将我的经验提炼为几点“心法”,希望能对大家有所启发:•始于模仿,终于框架:从模仿你自己的专家思考过程开始,逐步将零散的规则,抽象和沉淀为普适的、可复用的分析框架。•规则是骨架,背景是血肉:只给规则,AI是冰冷的机器;为规则注入业务背景、用户心理等“常识”,AI才有智能的灵魂。•反例是最好的老师:教会AI“什么不是风险”和“什么是风险”同等重要。精心设计的“豁
如何将大语言模型的能力融入业务、产生价值?京东零售技数中心推出融合Agent、SFT与RAG的大模型基础应用框架,赋予大模型学习领域知识的能力,还显著提升了模型的自主决策和信息处理精确度,帮助业务完成大模型的微调、部署和应用。

多智能体系统正推动AI从单点智能迈向群体协作。随着大语言模型(LLM)和多智能体技术的持续突破,开源社区涌现出众多项目,探索智能体在文档处理、代码生成、自动化办公等场景的协同应用。然而,当前多智能体开发仍面临生态分散、调试复杂、决策不透明等挑战,阻碍了更广泛的落地。然而,当前多智能体开发仍面临诸多挑战:框架生态碎片化、配置调试复杂、智能体协作逻辑“黑盒”,使得构建和维护多智能体系统对个人开发者和中
用任意工具注册方式(FunctionHub、LocalMCP、SSEMCP),启动后都是以下效果。诚邀加入OxyGent开源社区!框架具备完善的数据存储机制,可用于后续的SFT训练或RL训练。Node.js环境(如果使用MCP工具)python环境(3.10及以上版本)按权重过滤执行过程的Memory。Plan-and-Solve范式。自定义大模型输出解析器。智能体同时调用多个工具。
随着大模型技术的迅猛发展,AI工具已成为重要的辅助生产力工具和工作伙伴。它能够显著提升工作效率、帮助解决业务痛点,甚至能通过知识延展与智能协同,帮助团队突破传统认知边界。掌握大模型工具的应用能力,正成为现代职场人提升价值产出的关键竞争力。大模型工具的发展现状如何?有哪些落地的业务实践?大模型工具建设的未来蓝图是什么?围绕这些问题,京东内部开展了一场大模型工具的探索实践技术沙龙,本文独家公开技术专家

虽然应用的算法有差异,但是同为深度学习相关任务,提升模型性能时的优化思路、训练技巧乃至模块实现方式都有很多共通之处,其技术迭代的方向和角度,也往往能带给我很多启发,跨领域的知识迁移,往往能碰撞出意想不到的创新火花。面对快速变化的时代和复杂的业务,我会主动追踪前沿进展,跟进顶会、开源社区的动态,保持对领域趋势的敏锐性,同时提升的跨领域技能与知识,深入理解用户需求与市场趋势,结合算法能力提供真正有商业
