刚刚，京东JoyAgent 3.0杀进了全球智能体方向第一梯队。

在全球权威的GAIA智能体能力评测中，JoyAgent 3.0验证集准确率超77%，测试集超67%，跻身第一梯队，直接超越OWL、Smolagent等行业头部框架。

据悉，GAIA Benchmark由400+道人工标注的高难度问题组成，覆盖日常任务、科学推理、多模态交互等领域，核心考察智能体的自主决策、链式推理、工具使用能力。它采用“零样本评估 + 开放式回答” 机制，避免模型靠记忆或提示词作弊，能真实反映智能体在企业复杂场景中的落地潜力。

而JoyAgent 3.0这样的成绩也意味着企业级智能体终于从实验室炫技迈入真能干活的生产力工具阶段。

但JoyAgent能取得这样的成绩也并非偶然。早在今年7月，京东悄悄上线了JoyAgent，不到一个月时间，京东JoyAgent在GitHub上就斩获一万 Star，成为国内企业级智能体领域增速最快的开源项目。

这不仅得益于其100%完整开源，更在于其是目前唯一一个将核心引擎、交互界面、多模态处理能力全盘开放，还进一步开源了多模态RAG和DataAgent模块 —— 更关键的是，它集成了行业首个DGP数据治理协议，支持智能问数、诊断分析等企业级需求，企业开发者无需再进行二次开发，直接就能本地独立部署，开箱即用。

这波操作直接把开发者的好感拉满了。

更关键的是，JoyAgent天生带着 “生产级基因”：依托JoyCode自编码能力，能直接对接企业编码场景；多模态RAG能解析企业的PDF报表、生产视频等非结构化数据；DataAgent则能打通企业数据库与知识库，甚至融合内部工作流 —— 相当于把 “数据处理、决策生成、业务对接” 的全链路能力打包好了。

此外，JoyAgent还开放兼容，不绑定企业现有系统，支持MCP、A2A两大开放协议，企业既能把自研的智能体接入JoyAgent调度，也能把JoyAgent的智能体发布成A2A服务或SDK，融入现有业务系统。

所以，能在短时间内受到开发者的青睐绝非偶然。而在京东内部，已经有3万+智能体上岗了，AI工作搭子正在解决更多工作。

这份“受欢迎的底气”，在JDD 2025京东全球科技探索者大会上有了更完整的延伸 —— 京东不仅对外披露了JoyAgent的开源成果，更宣布它与JoyCode智能编码助手组成 “智能体 + 代码” 的AI开发新范式——通过智能体驱动代码生成、代码反哺智能体进化的闭环机制，提升开发效率，实现智能体与代码的双向协同。

京东集团技术委员会主席、京东云总裁曹鹏指出：“面向全面开花的AI应用，其底层开发模式需更敏捷、高效且具AI原生化，AI智能体+代码整合成为企业构建深度AI应用的关键新范式”。

从JoyAgent到JoyAgent+JoyCode融合，对京东而言来说并非是一次简单的功能叠加，而是基于长期技术沉淀的生态跃迁。从中可以看到京东其实在传递一个核心逻辑：好的AI工具，不该让企业迁就技术，更重要的是要适配业务。JoyAgent与JoyCode的组合，正是通过开源降低门槛、协同提升效率、场景化解决需求，让企业AI真正从 “能用” 走向 “好用”。

面向深度应用，京东交出“解题方程式”

JoyAgent与JoyCode的融合本身就是一个大胆的尝试，再结合其企业级的定位来看，它更像是传递一种态度：智能体平台和代码平台不应是割裂的工具链，而应成为有机共生的智能生态赋能企业生产落地。

CSDN了解到，在京东的双融模式出现之前，行业内的智能体开发与编码开发始终处于“两张皮” 的割裂状态，并未有过真正的融合尝试。

这种割裂的本质，是把“智能体的决策能力” 与 “代码的执行能力” 拆分成了两个独立赛道，开发者被迫成为 “中间商”，反复在两者间做适配协调—— 前端要自己开发操作界面，后端要手动搭建逻辑架构，多智能体协同的 “对话规划”“任务分配” 机制更是需要从零设计。就像拿到一堆散落的零件，螺丝、齿轮、外壳样样不缺，却没有组装说明书，开发者得花大量时间琢磨如何拼接适配。

而编码领域的AI工具，彼时还停留在 “辅助补全” 的初级阶段。无论是通用的编码助手还是垂直场景的开发平台，核心能力都局限于代码补全、语法纠错、简单重构这类基础功能，无法与智能体形成联动。

生产场景中最常见的困境是：智能体算出了“最优方案”，开发者得手动复制智能体生成的API接口到代码编辑器，再编写对接系统的执行逻辑；后续代码运行时产生的 “延迟数据”，又要人工整理成表格回传智能体优化模型，整个过程像在 “跨河搭桥”，既耗时又容易因人为操作出错。

而JoyAgent与JoyCode的融合打破了这一割裂局面，首次实现智能体与代码的双向闭环联动。

它不仅支持MCP、A2A协议接入自研智能体或输出SDK，能无缝融入业务；并且100%完整开源，开放多模态RAG、DataAgent（含行业首个集成DGP协议的能力），可独立部署；还提供开箱即用的全品类AI算法库，TEXT2Workflow等功能降低开发难度。这种 “能决策、易集成、可落地、低门槛” 的特性，天然适配企业生产场景，直接将企业生产场景的应用落地门槛又打了下去。

具体来看，它有两大核心优势：

一是实现了智能体与代码环境的深度耦合，智能体平台与代码平台可实现双向反哺，一方面，JoyAgent将智能体、AI算法库等原子能力 “打包成可直接调用的模块”，开发者在JoyCode中无需额外开发适配逻辑；另一方面，JoyCode生成的应用在实际运行中，会自动收集业务数据与用户反馈，实时回传至JoyAgent，用于优化智能体的行为逻辑与知识模型。这种双向反哺不仅让智能体 “越用越聪明”，更让代码开发始终贴合业务需求变化，开发者无需反复重构代码，就能快速调整AI应用功能，高效搭建出复杂且深度适配企业场景的定制化方案。

二是对开发者完全友好，不用写一行代码全自动化编程，依托JoyCode IDE 2.0的端到端智能体团队与CSR上下文引擎，开发者无需掌握复杂编码语法，只需输入业务需求，系统便会自动拆解任务逻辑、匹配所需能力，全程自动生成完整代码。

更关键的是，其构建的云端原生协作生态，打通了“本地 / 远程开发” 与 “云端部署” 的壁垒 —— 无论开发者在本地调试还是远程协同，代码编写完成后均可一键上云，无需手动配置服务器环境、适配部署规则，彻底省去传统开发中 “编码之外的繁琐环节”。

目前，JoyCode已服务京东上万名研发人员，支撑数亿级用户产品研发，生成代码采纳率超40%、开发周期缩短30%，这意味着开发者无需耗费精力在基础编码上，只需聚焦业务需求设计，就能快速落地复杂应用，真正实现 “零编码门槛，高效率开发”。

JoyAgent+JoyCode重构开发范式：打通企业AI深度应用全链路

如果说此次京东JoyAgent与JoyCode的融合是一次智能体与代码的AI开发范式的革新，不如说它的终极目标是解决行业核心挑战——如在企业生产场景落地、工具链融合、开发效率瓶颈等方面提供切实可行的路径和全新的开发范式。

现在大家都在谈论AI落地，但当AI渗透进企业核心业务释放行业价值时，需要面临的是真实业务场景的复杂性、数据安全的高要求以及跨系统集成的刚性约束。

比如在工业制造场景下，智能体需同时处理图像、传感器等多模态数据并适配不同型号检测标准，但编码工具无法直接调用其多模态识别能力，开发者需手动拆解API、编写对接代码，导致调试周期长且新增型号需重复修改，业务响应滞后；数据安全领域，金融机构开发敏感数据相关智能体时，因开源智能体依赖外部算力或数据治理不合规，编码工具对接本地存储需手动编写加密逻辑，合规验证耗时严重延误上线；跨系统集成方面，零售企业系统（如ERP）与智能体协议不兼容，开发者需编写大量中间件代码做协议转换，适配老系统耗时且系统升级需重新调整代码，导致AI落地卡在“最后一公里”。

而这正是JoyCode与JoyAgent协同突破的关键所在，它向行业展示了一个真正面向企业生产环境的AI开发范式。通过深度集成智能体认知能力与代码生成逻辑，真正让智能体从能思考变成能行动，让代码从被动执行变成主动适配。

大会现场，曹鹏通过一个视频展示了目前京东内部借助智能体平台和编码平台让大量创意快速落地形成应用。基于“智能体+代码”范式，京东内部孵化出数字面试、采销助理、代码编程人员等多个高价值数字员工，帮助企业提升运营效率，推动AI从单点应用走向全流程产业升级。

这些案例的共性在于，双融模式彻底改变了“技术与业务脱节” 的传统开发逻辑：对业务人员而言，无需懂代码，通过自然语言即可驱动智能体与代码生成应用，真正实现业务需求直接落地；对技术人员而言，无需反复在智能体与代码间做适配，原子能力直调、数据自动反哺的机制，大大缩短了开发周期。也进一步证明了JoyAgent与JoyCode双融模式在复杂业务场景中的可行性。

不止能用，更要好用

可以看到，京东方案解决的是企业如何把智能体与代码的能力真刀真枪地在企业环境中“用起来”、并产生实际生产力变革的问题，而非仅仅停留在“能用”的层面。

更难得的是，JoyAgent完全开源，这意味着企业可在私有化部署中自由集成，无需受限于公有云架构或第三方合规风险，真正实现数据不出域、行为可追溯、权限可管控。结合JoyCode的低代码生成能力，企业在私有环境中也能快速构建具备自主决策与执行能力的数字员工，大幅降低AI应用门槛。

也正因如此，企业可以直接复制这个样本，无需从零构建AI能力，并且通过JoyAgent与JoyCode的协同架构快速实现业务流程自动化与智能化升级，同时实现需求到落地的无缝衔接，真正让AI融入核心业务流，推动生产力质变。

正如京东集团SEC副主席、CEO许冉在演讲中提到的：“如果要最大化地发挥人工智能的价值，基础模型固然重要，产品的体验和挖掘实际在产业应用的场景是更关键的要素。京东不片面追求运动式的AI，京东追求的是可持续发展、真正为产业创造价值的AI。”

尽管目前京东的方案也在探索阶段，但将智能体与代码平台深度融合，探索企业生产落地的路径已展现出清晰的可行性。从这一点上来看，京东已经走在了第一梯队上。