算法人从校园到京东零售，你要知道的干货信息

京

京东零售招聘2025年03月12日约 5 分钟

“京东智能助手”Agent Planning框架

我们所做的这个智能体可以通过模拟现实商家团队的协作方式，由Master Agent和Sub Agents协同将复杂问题拆解为多个子任务，显著提升了商家经营问题解决的准确性和效率。

该智能体应用的核心技术包括ReAct范式、多模型集成和动态规划更新，能够精准理解用户意图，并且通过引入Embedding和Tools DAG技术，有效减少了LLM的幻觉问题，有效提升了工具调用的准确率。

商家只需用自然语言与助手沟通，即可获得销量预测、营销投放、定价建议等多项服务。

基于基座大模型和京东电商领域微调，我们上线了交互式的“京东京言AI购物助手”。比如，你不知道该买一个怎样的电视，你就可以选择和这个助手进行交互，它会为你提供精准且丰富的选品建议。

未标题-2.png

“京东京言AI购物助手”

在传统推荐领域，我们还会运用序列建模、多模态等技术，充分理解消费者意图、整体理解掌握京东电商平台的商品——两者匹配，赋能京东采销运营快速定位经营方向，为新品引入、营销活动等工作提供基于大数据的参考，从而实现业务的快速增长。

当前各种多模态模型已取得巨大进展，多模态知识如何与京东电商业务相结合，赋能CTR/CVR预测和搜索推荐应用，是一个比较大的挑战。

这里以推荐的解决方案为例，我们基于SOTA模型在电商领域精调，为搜推模型提供更加准确的多模态表征，包含商品名称、图片等信息。在这个基础上，摒弃传统的在特征层面融合ID和模态特征的方式，我们直接在模型层进行融合，利用文本和图像的表征，采用预训练的方式以CTR为监督信号进行训练，训练好的参数再与传统预测模型融合训练，提升整体效果。

京东APP里商品的文字、图片、视频、甚至直播，都是一种商品描述，但形式完全不同的商品描述如何可以被融合理解，以更简单高效的形式助力搜索推荐、广告算法的应用？

其实，大语言模型（LLM）本身就蕴含多模态语义之间的理解能力，但在面对多模态语义颜色和功能、信息含量等对不齐的问题时，我们应用了MoE（Mixture of Experts）架构，利用多种多样的Expert、Task等帮助实现了不同形式、不同量级的商品描述信息融合理解。

未来，欢迎各位同学加入京东零售技术团队，和顶尖的技术大咖们一起，用代码定义未来，用算法改变世界！

在学校里，很多时候我们是多个同学跟随一个导师，然后这帮同学就形成了一个有共同学术研究目标的团队，大家你追我赶，向着共同的目标前进。

在京东零售技术团队，我觉得完全是学校的“复刻”。这里也会有大大小小的Team，很多思路、解法、决策都是在Team里聊出来的，大家会共同探索、彼此协作——这种氛围我觉得特别适合刚从学校走出来的技术同学们。

之前跟着团队参加公司的“黑客马拉松”活动，凌晨两点会议室还飘着拿铁和披萨的香气。当时，我们组用LSTM（Long Short-Term Memory）模型对患者数据做识别时，发现标注数据有噪声，另外一位算法工程师直接拉着产品经理现场写清洗脚本，前端同学主动帮忙做可视化数据分布——这种全员“技术狂”的氛围让我瞬间找到了归属感。