基于多智能体强化学习的全链路算力调度方案（MaRCA）通过用户价值、算力、动作价值预估及负载感知决策模块，解决流量波动大、算力资源受限下的商业价值最大化问题。MaRCA采用集中式训练与分布式执行，显著提升广告收入并降低系统风险，推动算力调度向智能化演进，为搜广推行业提供了高动态场景下的算力优化新范式。

京东外卖将引入地图轨迹技术，实时展示骑手送餐路径，提升用户体验。地图轨迹技术广泛应用于出行导航、物流追踪等领域，其核心在于地理坐标系统和投影技术。ArcGIS和QGIS是主流GIS软件，分别适用于大型项目和小型开发。GPS技术通过卫星信号实现精准定位，北斗系统在亚太地区表现优异。轨迹数据可通过多种格式存储，如GPX、FIT等，常用于运动记录和地理信息共享。

线程状态分析聚焦于WAITING和TIMED_WAITING，前者等待特定操作触发，后者设定时间限制自动恢复。线程池嵌套调用导致CPU频繁切换，建议统一线程池优化。火焰图揭示锁性能和CPU采样问题，getFatherActivity大对象反序列化拖累性能，优化建议使用toMap并减少循环内调用。并发线程执行结果工具类需处理异常日志，避免资源浪费。

京东广告团队提出了一种基于多模态大语言模型（MLLMs）的广告图片生成方法，旨在优化点击率（CTR）。通过预训练和强化学习微调，团队引入了一种新颖的奖励模型和以商品为中心的偏好优化策略，确保生成图片的视觉吸引力和商品相关性。实验表明，该方法在在线和离线指标上均达到了最先进的性能，显著提升了广告效果。

双11供应链大屏的稳定性保障，通过全链路流程图梳理风险点，分层处理数据接入、加工、存储和服务。技术策略包括高可用接口、监控前置、容错重算和快速恢复。业务促销策略灵活调整，确保数据准确性和接口稳定性。监控覆盖全环节，提前感知异常，保障大屏数据稳定可靠。

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。