大模型工具的 “京东答案”

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的洞察观点。01大模型工具的发展现状

行业内大模型工具发展现状

ChatGPT 横空出世后，大模型研究出现突破性进展。目前，大模型已广泛应用于文本生成、智能客服等领域。头部企业纷纷入局大模型工具，在设计理念上，大模型工具设计一般遵循五大原则：

低代码交互(UI原则)

：降低使用门槛，让非技术人员也能快速上手。

安全（本地化部署）

：私有化部署防止数据信息泄露。

易用性（多端兼容）

：一码多端，场景覆盖全面，降低适配和使用成本。

可扩展性：

适应开源趋势，持续迭代进化。

高性价比

：商业可持续

京东大模型工具的能力现状和应用现状

京东在大模型领域积极布局，旗下言犀大模型品牌已全新升级为 JoyAI。JoyAI 拥有从 3B 到 750B 的全尺寸模型，涵盖语言、语音、图像等多种模态。在大模型的基础之上，通过创新技术，提升了推理效率，降低了训练成本。目前，JoyAI 已深入零售、物流、健康、工业等诸多领域，服务京东超百万商家，并在数百个细分业务场景中发挥作用。围绕言犀大模型，构建了企业级AI Agent平台JoyAgent，智能编码助手JoyCode以及多智能体协作框架OxyGent等。

京东大模型工具介绍

JoyAgent

JoyAgent

作为行业首个100%开源的企业级智能体，实现了产品级开源，包括前端、后端、框架、引擎和核心子智能体。开源产品历经京东内部大规模场景锤炼，与平台完全解耦，用户可以本地独立部署。基于高完成度的多智能体协同能力，打通AI落地最后一公里，帮助企业快速将智能体在生产场景用起来。开源地址：https://github.com/jd-opensource/joyagent-jdgenie

OxyGent

OxyGent

多智能体协作框架将工具、模型和智能体抽象为可插拔的原子算子Oxy，支持开发者像搭积木一样灵活组合多智能体系统，具备极致可扩展性和全链路决策追溯能力。致力于帮助开发者高效组装多智能体协作系统，实现智能体间的无缝协作、弹性扩展与全链路可追溯。开源地址：https://github.com/jd-opensource/OxyGent

JoyCode

JoyCode官方体验链接：https://joycode.jd.com京东智能编码助手JoyCode已从早期的AI辅助编程（代码补全/评审）发展到如今的多Agent交互自主编程阶段。本次分享介绍了两个运用JoyCode实现代码协作提效的成功案例：1）前端H5页面开发-利用Figma MCP+JoyCode；2）自定义Agent生成易拉宝SDK接入代码；针对代码Agent在实际应用中容易出现的挑战：AI编码智能体容易偏离目标以及研发场景差异巨大，JoyCode 3.0 也给出了自己的解决方案：通过”先规划再执行“的策略，通过智能体团队协作来解决目标偏离问题。以及通过自定义智能体让用户根据业务场景创建适合自己的智能体。现在，JoyCode已经不仅仅是一个编程助手，更将会是一种新的编程范式。

02

大模型工具使用经验与业务实践

大模型应用落地三大关键

大模型应用落地的三大关键是

选对工具平台、明确量化目标和分阶段迭代验证

。京东智能体的实践表明，成功应用需从MVP验证开始（如用低代码快速搭建工作流），再通过数据闭环持续优化（如设定准确率、流畅性等指标）；好的工具可以减少我们在模型稳定性、权限安全和多系统对接等方面大量工作。JoyAgent产品经理表示：AI应用需接受"效果渐进提升"的现实，通过灰度放量和场景聚焦实现价值闭环，并预言未来Agent将向多模态交互和实体化形态（如数字员工）演进。

办公场景

AI赋能办公在京东内部已形成系统化的方法论和发展路径。当前聚焦工具智能化（如未读摘要和自动会议纪要），并推出超级工作助理Max，整合待办、信息流，实现"一句话创建任务"。未来重点发展"数字员工"（具备思考、执行和协同能力），最终构建一站式办公协作开放生态，支持业务部门定制专属AI助手。

代码评审

京东日均近万次代码评审，为打破传统人工Review存在效率瓶颈，京东技术团队已基于言犀大模型，DeepSeek以及AutoBots实现AI评审。自动化行级检测，覆盖规范检查、安全漏洞等场景，集成17个代码规范库并嵌入Coding平台，支持开发者与AI实时交互。AI评审系统已帮助物流团队降低Java代码缺陷率32%。该系统已开放全集团多语言接入，并与京东办公平台深度打通，实现评审进度自动通知。

本地生活

聚焦于垂直场景的创新应用，本地生活业务也为大模型的创新应用提供了三个典型方向：

跨语言代码翻译：

解决算法（Python）与工程（Java/Go）的技术栈鸿沟，实现"写一种语言，自动生成多版本部署"。

通识知识标注：

通过大模型解决地域性常识矛盾（如"安徽板面实为石家庄特色"），替代人工规则维护。

多Agent仿真系统：

模拟外卖场景中骑手、商家、用户的动态博弈，优化调度策略并降低试错成本。

物流场景

京东物流已经在多个领域成功应用了AI技术实现业务提效：

数字仓AR眼镜：

通过多模态识别技术（视觉+AR提示），让仓内拣货员无需手动扫码，效率提升15%。

智能外呼系统：

大模型自动生成客服用语（如预约配送时间），提升服务体验。

地址解析引擎

：基于言犀大模型实现楼栋级定位（如“XX小区3号楼2单元”），并提升目标地点定位的精度，将配送超配率压降至万分之1.5以下。大幅度降低了物流/外卖的客诉率。

电梯识别模型：

判断楼栋是否有电梯以及使用情况，节约骑手时间成本。

03

大模型工具建设未来展望

大模型政策展望

大模型技术的发展必须深度契合政策环境，当前国内外监管框架正在快速成型。近期，由国家互联网信息办公室等七部门联合发布的《生成式人工智能服务管理暂行办法》重点规范了数据质量、内容安全和版权保护三大领域，要求企业在训练数据清洗、敏感信息过滤等方面建立严格机制。同时，欧盟《人工智能法案》提出的系统性风险管理理念，特别是对生成内容版权归属的规范，正在重塑全球AI治理格局。未来行业将经历从野蛮生长到标准化发展的转型，这一过程中，政企协同和全球共治将成为关键。只有主动拥抱监管、参与标准制定，企业才能在大模型这一"新型基础设施"的建设中把握先机，避免因政策风险限制创新突破。

大模型Agent的终局形态

Agent的未来将朝着多Agent协同、具身化及群体智能进化的方向发展，具体包括：

多Agent协同与复杂任务处理

：Agent将从单一任务转向多Agent协作，通过分工与通信完成更复杂的全局性工作（如项目开发、跨领域决策）。

具身化演进

：当前无实体的Agent将逐步发展为数字人（2D/3D），最终融入物理世界（如机器人、智能家居），实现面对面交互。从后台默默服务转向可见的协同办公助手或生活伴侣（如带实体形象的智能管家）。

群体智能与进化能力：

Agent群体将模拟人类社会的进化机制，通过与环境交互持续更新知识库与决策逻辑，实现在线自我迭代。并且支持Agent群体的动态增减（如新成员加入、旧成员淘汰），形成更灵活的智能生态系统。未来的Agent将成为高度自主、具身化、可进化的智能伙伴。

具身智能“端到端”的实现路径

通过

感知、数据闭环、轻量化

，具身智能可以从传统规则驱动转向端到端大模型驱动：

多模态感知融合（看得清）：

传统规则方法依赖人工设计的前融合规则（如激光雷达与摄像头数据对齐），但原始数据（如摄像头畸变、噪点）需大量预处理，泛化性差。大模型直接接收多模态原始数据（摄像头+激光雷达+毫米波雷达），自动学习最优感知策略，提升环境理解的鲁棒性。

数据自闭环（学得好）：

传统方式依赖真实司机行为数据收集，成本高且长尾场景覆盖不足。通过仿真+真实数据结合，如通过如快递员拍照定位无感采集数据，结合远程驾驶干预记录构建闭环。甚至利用World Model和Diffusion技术，从少量标注数据泛化出更丰富的训练样本。

轻量化部署（跑得快）：

通过INT4量化等技术，将7B参数的大模型运行在车载芯片上。或者将感知、决策等算子固化到专用硬件（如NPU/TPU），提升实时性，降低功耗。端到端大模型通过“原始输入→模型→最终输出”的全局优化，替代传统分模块规则系统，实现感知-决策-控制的协同进化，最终实现让具身智能，比如自动驾驶系统可以像人类一样“直觉化”地处理复杂场景。

营销广告在AI时代的新机遇

在AI对话场景中进行广告推广将成为必然趋势，基于三个关键洞察：各大科技平台正在积极构建AI智能体生态，这将催生大量新型流量入口。在零售、金融、医疗等垂类场景中，AI对话天然适合进行商品推荐、服务测评等精准营销。技术层面需要突破意图识别、生成式召回排序等核心挑战，通过更自然的交互方式实现"广告即服务"的体验升级。这种新型推广模式将重塑传统广告逻辑，为京东等企业带来更优质的流量转化机会。未来，京东技术将与各位技术同仁一起，主动拥抱AI浪潮，让我们共同见证并参与这场由技术引领的效能革命，让智能真正“为我所用”。

审核编辑 黄宇