行云前端工程在行云2.0时代迅速扩展，但面临代码结构混乱、业务杂糅、构建效率低下等问题。通过“内外同源绞杀计划”，采用monorepo架构，借助Nx和pnpm工具，实现了模块化、微前端化改造。优化了构建流程，清理了冗余代码，统一了样式规范，提升了扩展性和可维护性，为业务发展提供了坚实的架构支撑。

京东广告团队基于大语言模型技术，开发了京准通智能助手，应用于广告投放场景。通过RAG和Function Call两大核心技术，智能助手实现了智能客服、数据查询、广告创编等功能。团队还构建了Agent搭建平台，提升工程复用率和应用搭建效率，支持多Agent架构升级，持续优化商家服务体验。

生成式推荐大模型在京东联盟广告业务中优化UCTR与UCVR指标，通过DPO对齐范式实现多目标优化。商品离散化和行为序列建模简化了推荐流程，提升了模型泛化能力。Softmax-DPO和β-DPO方法分别处理多负例和参数敏感问题，线上实验显示转化率显著提升。未来探索方向包括多目标优化和多场景建模。

Caffeine缓存通过ConcurrentHashMap存储数据，采用窗口区、试用区和保护区管理元素生命周期，各区使用LRU算法的双端队列。TinyLFU算法优先驱逐低频元素，Count-Min Sketch记录访问频率，保证高准确率且内存占用少。读写操作分别通过MPSC模式的ReadBuffer和WriteBuffer添加任务，由maintenance方法异步执行，确保缓存高效运行。

DeepSeek官网对话框下方有两个按钮,分别代表深度思考和联网搜索。深度思考(R1)模型因其在低资源下通过SFT和强化学习训练出超强推理能力而备受关注。联网搜索则解决LLM知识时效性问题,使其能理解自然语言并进行实时搜索。DeepSeek V3是当前最强开源基座模型,而R1模型则在复杂问题推理上表现更优。

本文探讨了如何利用京东云电脑快速部署私人DeepSeek大数据模型,并详细介绍了本地部署的优势,如降低成本、保护数据隐私、提升性能等。通过Ollama服务搭建和模型运行步骤,读者可以轻松实现DeepSeek模型的本地化应用。此外,还介绍了如何利用Cherry Studio和Page Assist等工具构建本地知识库,并实现模型的联网功能,满足多样化需求。

Doris冷热分层方案历经V1数据湖和V2分布式存储两代演进。V1通过SDC将冷数据入湖,实现查询解耦,但存在ETL复杂、Schema变更受限等问题。V2基于分布式存储,支持冷数据自动迁移,简化了架构,但需限流冷查询。升级至Doris 2.0后,解决了查询性能下降、分桶裁剪失效、FE CPU使用率高等问题,优化了冷数据Schema Change,提升了并发查询能力和存储效率,显著降低了成本。

DeepSeek火爆但常遇服务器繁忙,本地部署受限于硬件。推荐通过硅基流动和Cherry Studio在线体验满血版,无需高配电脑。新用户注册可得2000万tokens,支持多种模型切换,包括DeepSeek-R1和图像生成模型。Cherry Studio支持私域部署,确保对话信息本地存储,保护隐私。简单几步即可搭建高效、安全的AI助手。

京东商家智能助手通过基于大语言模型的Multi-agent系统,提供7x24小时的电商经营支持。该系统采用多智能体协同技术,实现从商品发布到数据分析全流程智能化操作,决策准确率超90%。通过ReAct范式动态规划和分布式协作,提升规划效率和架构稳定性,显著降低推理成本。商家助手在电商领域展示了多智能体与大模型结合的潜力,为行业智能化协作提供新方向。

稳定性建设需要全方位的团队协作和机制保障。通过方案评审、架构设计、代码规范等流程来减少人为因素导致的故障。SRE角色结合开发和运维,注重快速响应和风险评估,积极推动机制落地和风险预防。识别大促期间高并发和业务场景的特殊需求,提前演练确保稳定性。像扁鹊三兄弟一样,SRE需在事前、事中、事后各阶段主动识别和解决问题,保障系统健康。

在信息技术迅速发展的背景下，运维工作正从人工操作转向自动化、AIOps和ChatOps。自动化运维提高效率，减少错误；AIOps利用机器学习处理海量数据，预测故障；ChatOps让运维任务在聊天平台上执行。大模型的应用增强了运维智能化，如自动化问题诊断、智能日志分析等，显著提升了运维效率和系统稳定性，为企业信息系统的稳定运行提供保障。

本文详细描述了从MongoDB到其他数据源（如JImKV、MySQL、ES）的迁移方案。步骤包括梳理业务范围、改造DAO层、实现数据双写、进行数据迁移和同步。上线过程需确保系统具备可监控、可回滚和可灰度的能力，以实现平滑切换。关键在于选择合适的中间件和设计模式，确保不影响当前业务逻辑。通过代码异步任务和大数据抽数任务，两种方式进行存量数据迁移，并详细探讨了上线后的监控和回滚策略。

秒杀场景中的库存扣减问题需解决高并发带来的数据一致性挑战。常规方法如数据库加锁和缓存机制在高并发下难以有效。优化方案是将库存操作模块化，围绕Redis进行，并通过异步流程更新MySQL，提高并发能力。为进一步提升，采用分片和动态库存注入策略，结合调度器管理，实现水平扩展，确保系统高效稳定。

在业务监控中，系统级异常通常与业务级异常高度相关，但业务异常未必总伴随系统异常。这种滞后导致问题发现依赖用户反馈，影响严重。通过统一日志和告警配置，提升实时监控能力。泰山平台提供了丰富的日志格式和告警规则，帮助快速识别问题并优化流程，确保技术与业务同步，提升系统稳定性和用户体验。

品牌管理中，品牌命名、品牌口号、品牌标识等是品牌创建的关键工作，对品牌是否成功起着至关重要的作用。本次将分篇章依次分享品牌名称、品牌口号和品牌标识管理的理论/策略/流程等，首篇聚焦于品牌命名。

推荐系统的主要任务是根据用户的历史行为预测其兴趣点，并向其推荐相应的商品。传统的推荐系统在处理用户请求时，会触发多个召回模块（包括热门商品召回、个性化召回、深度召回等），以召回大量候选商品。