解锁JoyAgent：大模型时代的智能新利器

大模型浪潮中的新星登场

在当今数字化的商业时代，企业面临着前所未有的挑战与机遇。想象一下，一家大型零售企业，在面对海量的销售数据、复杂的供应链管理以及瞬息万变的市场需求时，传统的运营模式显得捉襟见肘。采购部门在预测商品销量和调配库存时，常常因为人工分析的局限性，导致库存积压或缺货现象频发；人力资源部门在招聘旺季，被堆积如山的简历淹没，筛选合适人才的效率极低，错过许多优秀候选人 。这些问题严重制约了企业的发展，降低了企业的竞争力。

而在大模型技术迅猛发展的今天，一款名为 JoyAgent 的智能体横空出世，为企业带来了新的曙光。它就像是一位全能的助手，能够深入到企业业务的各个环节，以智能、高效的方式解决复杂问题，成为企业数字化转型道路上的得力伙伴。

JoyAgent 究竟是什么

JoyAgent，作为行业首个 100% 开源的企业级智能体 ，犹如一颗璀璨的明珠，在大模型的星空中闪耀着独特的光芒。它成长于京东自身庞大而复杂的业务系统，历经了无数次大规模场景的严苛锤炼，就像一位久经沙场的战士，积累了丰富的实战经验，具备了强大的应对能力。

从技术架构上看，JoyAgent 采用了先进的混合代理模型（MoA），巧妙地融合了大小模型的优势。这就好比一支足球队，既有技术精湛的核心球员（大模型），能够掌控全局、做出关键决策；又有灵活多变的辅助球员（小模型），可以在不同的场景下迅速响应、协同作战。通过这种融合，JoyAgent 在处理各种任务时，既能展现出深度的理解和分析能力，又能具备高效的执行效率 。

在多智能体协同方面，JoyAgent 更是表现出色。它拥有一套高完成度的多智能体协同引擎，当面对复杂的任务请求时，多个智能体就像一群训练有素的团队成员，能够迅速展开提议、热烈讨论，甚至通过投票的方式，选出最佳的执行方案。这种协同机制，大大提高了任务处理的准确性和高效性，让 JoyAgent 在企业级应用中脱颖而出。

五大特性，铸就非凡实力

JoyAgent 之所以能够在众多智能体中脱颖而出，凭借的是其五大核心特性，这些特性就像是它的五大利器，使其在企业级应用中展现出强大的实力。

100% 开源：开发自由新高度

在开源领域，JoyAgent 可谓是一股清流。当前市场上的开源 Agent 大多只是提供 SDK 或者框架，这就好比给了开发者一堆建筑材料，却需要开发者自己去设计、建造整栋大楼，还需做进一步开发 。而 JoyAgent 实现了真正的产品级开源，它将前端、后端、框架、引擎和核心子智能体等全部开源 。这就像是直接把一栋精装修好的大楼交给开发者，开发者只需根据自己的需求进行简单布置，即可快速部署，拥有专属的企业级多智能体产品。这种全方位的开源，极大地降低了开发门槛，让开发者能够更自由地发挥创造力，加速智能体的应用进程。

高可用性：便捷高效新体验

作为一款通用的开源多智能体，JoyAgent 的高可用性体现在多个方面。平台预置了多种子智能体，就像一个百宝箱，里面装满了各种实用的工具，无论是处理文档、生成报告还是进行代码编写，都能找到对应的智能体。而且，它支持 html、ppt、markdown 多种文件交付样式，用户可以根据自己的需求选择最合适的输出格式，获得更好的多 Agent 执行效果。对于用户定制新场景功能，JoyAgent 更是提供了便捷的操作方式，直接将相关智能体或者工具挂载到平台上即可快速调用，就像给电脑安装软件一样简单。此外，用户还可本地独立部署，使用更加灵活，不受平台限制。

更轻量化：灵活部署新选择

JoyAgent 和平台耦合度低，无需依赖 MaaS 平台或云平台能力，这使得它在部署上具有极大的灵活性。用户可以根据自身的实际情况，选择将其部署在本地服务器上，避免了对外部平台的依赖，减少了潜在的风险和成本。对于一些对数据安全性要求较高的企业来说，本地独立部署能够更好地保护企业数据的隐私和安全。这种轻量化的设计，让 JoyAgent 能够适应各种不同的应用场景，为用户提供了更多的选择。

更强性能：精准高效新标杆

在性能方面，JoyAgent 堪称佼佼者。它在 GAIA 榜单 (Val 集) 准确率超过 75%，超越了 OWL、Smolagent 等众多行业知名产品 。这一成绩的取得，得益于它先进的技术架构和多智能体协同机制。在实际应用中，JoyAgent 能够快速、准确地理解用户的需求，并给出高质量的解决方案。在处理复杂的业务流程时，它能够迅速分析问题，制定合理的解决方案，并通过多智能体的协同工作，高效地完成任务。比如在电商领域，它可以根据海量的销售数据和市场趋势，精准预测商品销量，为企业的采购和库存管理提供有力支持。

成熟可靠：实践验证新保障

JoyAgent 历经京东内部大规模场景锤炼，超 2 万个智能体实践 ，这是它成熟可靠的有力证明。在京东这样庞大而复杂的业务体系中，JoyAgent 经过了无数次的实际应用和优化，其产品可靠性得到了充分验证。这意味着企业在使用 JoyAgent 时，可以更加放心，不用担心出现不稳定或者错误的情况。无论是在日常的业务运营中，还是在面对突发的业务需求时，JoyAgent 都能够稳定发挥作用，帮助企业提升工作效率，降低运营成本。

多场景应用，释放智能潜能

JoyAgent 的强大之处，不仅仅体现在其技术特性上，更体现在它广泛的应用场景中。它就像一把万能钥匙，能够打开企业各个业务领域的智能大门，为企业带来前所未有的效率提升和创新变革。

零售领域：智能决策提效益

在零售采销场景中，JoyAgent 堪称一位 “智慧大脑”。以京东 618 大促为例，采销经理王明（化名）面临着某商品品类的精准预测与库存调配难题。传统方式难以应对区域需求波动，手动流程更是耗时费力。而 JoyAgent 就像一位得力助手，深度融合历史销售、实时搜索、气象变化等多维数据，精准预测全国销量将达数百万台，远超人工预估，并敏锐洞察到华南需求激增。同时，它实时透视全国八大仓库存，预警华南主力型号库存仅剩 50%。基于这些精准分析，JoyAgent 自动生成供应链优化报告，明确分仓补货策略，如紧急补货广州仓，并打通采购系统，实现 “一键生成采购单”，将采购流程从数天缩短至几分钟 。这一高效的决策过程，不仅避免了库存积压或缺货的风险，还大大提高了采购效率，为企业节省了大量的时间和成本。

人力资源：智能招聘新变革

在人力资源领域，招聘是一项耗时费力的工作。京东某 HR 部门在 618 前夕需要组建一支精锐团队，一度陷入海量简历筛选低效、人才结构洞察模糊的困境。这时，JoyAgent 发挥了重要作用。它基于岗位需求深度解析简历，精准锁定高匹配候选人，将 HR 从简历 “海洋” 中解放出来 。与此同时，JoyAgent 实时汇聚数据，生成清晰的人才结构报告，全局透视技能分布、岗位缺口与渠道效果。在多智能体协同下，HR 得以迅速调整策略，聚焦高价值沟通与决策。最终，新团队高效集结完毕，核心岗位快速匹配优质人才，招聘流程实现智能化飞跃。JoyAgent 的应用，不仅提高了招聘效率，还提升了招聘质量，为企业组建高素质团队提供了有力支持。

物流运输：智能调度保畅通

物流运输环节，JoyAgent 同样表现出色。在京东的物流体系中，每天都有大量的货物需要运输和配送，如何优化物流配送路线，提高物流效率，是一个关键问题。JoyAgent 通过协同多智能体进行智能仓储调度，能够实时分析路况、交通信息以及货物分布情况，从而为每一辆配送车规划出最佳的配送路线 。在面对突发情况，如交通事故、道路临时管制等，JoyAgent 能够迅速做出反应，重新规划路线，确保货物能够按时、准确地送达客户手中。通过 JoyAgent 的智能调度，京东的物流效率得到了显著提高，配送时间缩短，客户满意度大幅提升。

手把手教你使用 JoyAgent

快速体验：一键开启智能之旅

是不是已经迫不及待想要感受 JoyAgent 的魅力了？别着急，贴心的项目团队为我们提供了一个一键使用的链接：https://joyagent-genie.jdcloud.com/ 。只需使用京东 / 京东云账户登录，就可以直接开启智能体验之旅。在这里，你可以向 JoyAgent 提出各种问题，体验它在不同场景下的强大功能，感受它为你带来的便捷与高效 。

本地部署：打造专属智能空间

对于一些追求个性化和数据安全性的用户来说，本地部署是一个不错的选择。下面就为大家详细介绍一下 JoyAgent 的本地部署步骤 ：

1. 克隆项目：打开你的终端，使用以下命令克隆 JoyAgent 项目：

git clone https://github.com/jd-opensource/joyagent-jdgenie.git

1. 启动项目：克隆完成后，进入项目目录，根据项目文档，使用命令 sh ``Genie_start.sh 启动项目。执行后，如果没有报错，就说明启动成功啦！此时，打开指定的 URL，就可以看到 JoyAgent 的本地页面 。

2. 配置模型：项目默认使用的是 gpt4.1 模型，但由于国内访问限制，我们可以根据自己的需求配置其他模型。以配置 Deepseek 模型为例，需要进行以下两步操作：

• Python 配置文件的修改：在 .env 文件中，删除掉默认的 OPENAI_API_KEY 和 OPENAI_BASE_URL，然后设置 DEEPSEEK_API_KEY、DEFAULT_MODEL 以及 SERPER_API_KEY 。

• Java 端配置文件的修改：修改 resources/applicaition.yml 文件中的 llm-default 配置。特别注意，对于 deepseek 模型，需要配置 max_tokens 为 8192，否则可能会出错 。

  完成以上配置后，再次运行 Genie_start.sh 脚本，就可以使用配置好的模型了。

创建及使用知识库：知识管理新方式

JoyAgent 的知识库功能，为我们提供了一种简单易用的方式来存储和管理外部数据，让智能体可以与指定的数据进行交互，从而提升回复内容的准确性和可用性 。

1. 创建知识库：

• 登录 JoyAgent 智能体平台，可以访问 JoyAgent 控制台 - 知识库，进入知识库列表页；也可以访问京东云控制台，点击顶部导航栏人工智能 - JoyAgent 智能体平台，随后选择菜单知识库，进入知识库列表页 。

• 在知识库列表页中点击创建知识库，在页面中填写相关信息配置，如知识库名称、描述等 。

• 在文件页面，单击新建文件，在弹出的页面选择要上传的数据格式（默认是文本格式），然后选择一种文本内容上传方式完成内容上传。上传方式有本地上传和自定义两种 ：

  • 本地上传：在文本格式页签下，选择本地文档，然后单击下一步；将要上传的文档拖拽到上传区，或单击上传区域选择要上传的文档；当上传完成后单击下一步；选择内容分段方式，可选择自动分段与清洗（系统会对上传的文件数据进行自动分段，并会按照系统默认的预处理规则处理数据），也可以选择自定义（手动设置分段规则和预处理规则，包括选择分段标识符、设置分段最大长度、设置文本预处理规则等）；最后单击提交完成内容上传和分片 。

  • 自定义：在文本格式页签下，选择自定义，然后单击下一步；输入文档名称，然后单击确认；点击刚刚创建好的文件标题或单击编辑按钮进入自定义文件编辑页面；单击新建，在弹出的页面输入要上传的内容（每个分段最多可添加 2000 个字符）；最后单击保存 。

1. 使用知识库：

• 在智能体中使用知识库：登录 JoyAgent 智能体平台，访问 JoyAgent 控制台 - 智能体，进入智能体列表页；或访问京东云控制台，点击顶部导航栏人工智能 - JoyAgent 智能体平台，随后选择菜单智能体，进入智能体列表页 。在智能体页面，选择指定智能体并进入智能体编排页面，在智能体编排页面的知识库区域，点击加号图标添加知识库 。

• 在工作流中使用知识库：登录 JoyAgent 智能体平台，访问 JoyAgent 控制台 - 工作流，进入智能体列表页；或访问京东云控制台，点击顶部导航栏人工智能 - JoyAgent 智能体平台，随后选择菜单工作流，进入工作流列表页 。在工作流页面，选择指定工作流并进入画布，在页面右上方，点击添加知识库节点，在工作流的画布内，连接知识库节点 。

创建及使用工作流：业务流程智能化

通过创建和使用工作流，我们可以将复杂的业务流程进行智能化编排，提高工作效率 。

1. 创建工作流：

• 登录言犀智能体平台，访问言犀控制台 - 工作流，进入智能体列表页；或访问京东云控制台，点击顶部导航栏人工智能 - 言犀智能体平台，随后选择菜单工作流，进入工作流列表页 。

• 点击创建工作流，在弹窗中填写相关信息配置，包括图标（单击默认图标后，您可以上传本地图片文件作为新的图标）、名称（建议输入清晰易理解的名称，便于模型搜索与使用工作流）、描述（建议输入清晰易理解的描述，便于模型搜索与使用工作流） 。

• 配置完成后点击确定，进入工作流的画布页，初始状态下工作流包含开始节点和结束节点。开始节点用于启动工作流，结束节点用于返回工作流的运行结果 。

1. 配置节点：

   节点是工作流编排的基础功能单元。通过连接并配置不同的节点，可以灵活且稳定地实现业务流程编排 。创建画布后，可以通过右上角菜单，点击添加节点，并拖动所需要的节点到画布指定位置。点击画布中的节点，画布右侧会弹出编辑面板，通过编辑面板可以配置每个节点的参数信息和功能 。

• 开始与结束节点：开始节点是工作流运行的起点，在进入画布后，画布中会包含一个开始节点，且开始节点不可以被复制或删除。开始节点中的系统参数为在智能体中调用时系统默认带入，输入参数则需要用户根据实际场景进行自定义。系统参数指工作流调用时，会默认带入原始消息内容作为系统输入参数，可在后序节点被引用；输入参数用于定义工作流运行需要的输入参数，大模型调用该工作流时，将根据输入参数的描述，理解对话内容并获取参数 。结束节点是工作流的最终节点，输出工作流运行后的最终结果，该结果将输出给调用此工作流的智能体。回复模式可以选择两种输出方式，选择 “返回变量，由智能体生成回答” 时，工作流输出为对应参数类型和参数值，由智能体处理后生成回答；选择 “使用设定的内容直接回答” 时，工作流输出为参数值与设定 “回答内容” 的组合。输出参数用于定义工作流需要输出的参数，回答内容在选择 “使用设定的内容直接回答” 时可设置，编辑智能体的回复内容，即工作流运行完成后，智能体中的 LLM 将不再处理再输出，而是直接用这里编辑的内容原文回复对话，可以使用 {{变量名}} 的方式引用输入参数中的变量 。

• 大模型节点：大模型节点可调用大语言模型，根据输入参数和提示词生成回复。配置时支持选择要使用的模型，同时可以配置多样性参数；支持配置批量处理模式，后续该节点会按照配置多次运行，每次运行都会分配参数值，直到达到次数限制或者列表的最大长度；输入配置要输入给大模型节点的内容，此处的输入可以插入提示词中，作为变量；提示词用于编写大模型的提示词，使大模型实现对应功能，通过插入花括号的方式，如 {{input}}，可以引用对应的参数值，此处也可以在输出定义参数，并在提示词中引用，如 {{output1}}，指定大模型将对应信息按照参数的格式输出；输出通过参数输出大模型的结果，设置多输出时，系统会自动解析模型输出转为设置的参数，为了保证效果较好，需要在提示词中指定每个参数的输出内容，并在配置中准确填写参数描述 。

• 插件 API 节点：将插件引入工作流使用，可极大扩展工作流的可用性。你可以选择平台预置的插件或您自定义的创建插件，并于其他节点配合，与外部系统、服务完成交互并输出业务结果，选择插件后将自动带出插件的相关配置信息。批处理打开批处理模式下节点会多次运行，在每一次运行中，批处理列表将按照顺序将列表中的一项赋值给批处理变量，直到达到批处理上限或列表最大长度；输入为 API 的输入参数，当此节点运行时，会将这些参数传入并调用这个 API；输出为 API 的返回值，当此节点运行完成后，这些变量会被赋值为 API 的返回内容，可以在下游节点引用这些变量 。

• 知识库节点：知识库节点支持根据输入的参数，在选定的知识库中检索相关片段并召回，返回切片列表。可选知识库需要在言犀知识库中预先创建。输入参数的参数名不可修改，参数类型为 string，上级节点的输出参数会强制转换为 string 类型作为知识库节点的输入，输入参数有两种类型，引用类型为引用上一个节点的输出变量，常量类型，可以输入一个 string 类型的入参；选择需要检索的知识库，支持选择多个知识库；检索策略按照指定的检索策略从知识库中寻找匹配的片段，不同的检索策略可以更有效地找到正确的信息，提高最终生成的答案的准确性和可用性，如混合检索（使用倒排索引和语义检索两种策略进行召回，推荐在需要对句子理解和语义关联性的场景下使用，综合效果更优）、语义检索（像人类一样去理解词与词，句与句之间的关系，推荐在需要理解语义关联度和跨语言查询的场景使用） 。

更多大模型知识

搜索【码上有模力】