大模型工具的“京东答案”
京
京东零售技术约 8 分钟
京东零售技术约 8 分钟大模型工具的发展现状
1. 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。
2. 京东大模型工具的能力现状和应用现状
3. 京东大模型工具介绍
JoyAgent
OxyGent
JoyCode
1. 大模型应用落地三大关键
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。
3. 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。
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。
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。
1. 大模型政策展望
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。
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。
推荐阅读