后端研发和运维常面临SQL定位难题，难以快速识别SQL来源和业务方法。为解决此痛点，基于姓名贴灵感，开发了一款SQL染色标记MyBatis插件。该插件轻量高效，对业务代码无侵入，支持SELECT、INSERT、UPDATE、DELETE等语句，内置statementId、PFinderId，方便分布式跟踪和定位。用户还可自定义附加信息，如线程id等，提升SQL排查效率。

GLM提出了一种基于自回归空白填充的通用语言模型，通过2D位置编码和任意跨度预测改进预训练，适用于多种NLP任务。实验表明，GLM在同等模型规模和数据下优于BERT、T5和GPT，展现了强大的泛化能力。其多任务预训练和微调策略进一步提升了模型性能，尤其在NLU和生成任务上表现突出。

Chrome DevTools是前端开发的核心工具，支持网页、Android WebView及Roma安卓&鸿蒙端调试。其核心为Chrome DevTools Protocol (CDP)，通过JSON-RPC实现双向通信，支持DOM操作、网络监控、JavaScript调试等功能。自定义调试工具可突破DevTools局限，适用于非网页应用及特定领域需求，需实现消息通道与运行时环境集成。掌握DevTools原理与CDP协议，有助于开发高效调试工具。

时序流异常检测技术通过自隔离机制和记忆空间，有效捕捉序列模式异常，适应数据分布变化，减少无效预警。该技术在多维趋势、概念漂移和周期序列检测中表现优异，能早期发现异常，降低企业风险。基于轻量级框架，支持大批量场景应用，提升风控巡检效率，减少70%以上无效预警，为企业提供隐形守护。

业务监控需兼顾技术指标与业务指标，前者确保系统稳定，后者关注数据正确性。两者相互关联，技术问题直接影响业务，但业务异常未必源于技术。构建业务指标体系时，需确保指标有价值、可度量、可操作且易于理解。监控过程中，逐步迭代优化，去除干扰数据，确保指标稳定有效，同时避免过多冗余，快速定位问题。

京东零售技术推出的“京点点”AIGC平台，通过四大技术创新，助力商家高效生成商品图片和营销文案。平台采用DiT框架和Flow Matching技术，提升图像生成质量；自研ReferenceNet和ControlNet，实现精准图像控制；结合多模态商品理解模型和RAG方案，优化文案生成。AI生图效率提升95%，成本降低99%，为电商内容生产提供高效解决方案。

Caffeine缓存通过时间轮机制实现高效的元素过期管理。时间轮采用分层结构，将元素按过期时间分配到不同层级，如秒、分钟、小时等。元素添加时计算过期时间并分配到相应层级，随着时间推移，元素可能被重新分配到更低层级或直接过期驱逐。这种机制确保过期检查仅针对可能过期的元素，提升缓存性能。

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。