前言——为什么今天的 AI 场景需要“一键组装”

过去一年里大模型的热度如潮水般汹涌，却也让开发者陷入了“工具太多、配置太繁琐”的泥潭。hen多团队仍然在为如何把 LLM、检索、工具链拼接在一起而绞尽脑汁，甚至不得不花费数周时间调参、写脚本。

就在这时京东零售的 Oxygen 团队 抛出了一张“全Neng拼图”。他们把多智Neng体协作抽象成若干可插拔的模块——Oxy，并把整个系统包装成一个Ke以在本地或云端“一键启动”的代码仓库。换句话说你只要动动手指，就Neng让几千个“小助手”在同一时间跑起来。

OxyGent是一套基于 Python 的多智Neng体协作框架，它把「Agent」视作可组合的积木块，每块内部Ke以是 LLM、函数调用、外部 API，甚至是另一个 Agent。不同于传统的 RAG方案，它不依赖事先构建的大规模知识库，而是让每个 Agent 把业务规则写进自己的提示词里让模型自己完成“路由+推理”。

指令化知识压缩：把业务常识、流程约束直接写进 Prompt，让 LLM 在对话中自行决定使用哪段信息。

拓扑自适应：Agent Ke以在运行时动态建立或拆除链接，实现类似神经元突触的弹性连接。

全链路审计：每一次决策dou会生成可追溯的图谱，像 Git 提交一样记录「谁」「何时」Zuo了什么。

X 光级可视化：系统自动绘制决策流图，从高层策略到原子操作层层展开，一目了然。

秒级时间追踪：细粒度统计 LLM 推理、工具调用以及 Agent 协商所耗时间，让性Neng瓶颈一眼kan穿。

数据助手即插即用：查询、口径校验、图表绘制等功Neng被封装为独立工具，只需一句自然语言指令，即可完成端到端的数据分析。

无 YAML、纯代码：所有组件通过 Python 类直接实例化，省去繁琐的配置文件和冗余脚本。

谁说知识问答一定要 RAG？

传统Zuo法是先把海量文档存入向量库，再让模型检索后生成答案。这种方式虽然直观，却会带来两大痛点：一是向量检索本身消耗算力；二是检索结果往往与业务语义不匹配，需要额外过滤。

OxyGent 的解决方案是：把关键业务逻辑写进 Agent 的提示词，让模型直接推理出答案，而不必走检索这条“弯路”。

举个例子，Ru果你想查询某商品的库存状态，只需让一个专门负责「库存查询」的 Agent 持有「库存字段名」和「geng新频率」等信息，它会自行决定调用相应 API 并返回结果；整个过程既省掉了向量库，也避免了因检索误差导致的信息偏差。

# 克隆官方仓库
git clone https://github.com/jd-opensource/oxygent.git
cd oxygent
# 一键构建镜像
docker build -t oxygent:latest .
docker run -d -p 8080:80 oxygent:latest

from oxy import Agent, Tool
# 定义一个简单的数据查询工具
class StockTool:
    def run:
        # 假设这里调用内部库存 API
        return {"sku": sku, "stock": 128}
# 创建负责库存查询的 Agent
stock_agent = Agent(
    name="stock_agent",
    llm="gpt-4o-mini",
    tools=,
    prompt="""
你是一名资深电商运营顾问，需要快速判断商品是否有货。
只要收到 SKU，就调用 StockTool 返回库存数字。
Ru果库存大于 0，请回复“有货”，否则回复“缺货”。"""
)
stock_agent.deploy

agents = 
for i in range:
    a = stock_agent.clone
    agents.append
print} 个智Neng体")

resp = agents.ask
print   # 输出：“有货”

以上流程全部通过网页 UI 或 CLI 完成，无需手动编辑 JSON/YAML 配置文件，真正实现“一键上千”。Ru果想进一步了解部署细节，可访问官方帮助站点：

KPI kan板往往需要跨部门协同，多轮审批与数据校验非常耗时。基于 OxyGent 的 VOB 模块，将每一道审批抽象为独立 Agent，并用统一的「组织树」管理它们之间的上下游关系。结果是一条业务请求Ke以像执行一段 Python 脚本一样，被完整追踪、动态调度。

传统 BI 工具要求用户先写 SQL 再手工绘图，而 OxyGent 的 Data Assistant 把「查询 → 清洗 → 可视化」全部封装进不同 Tool。当你在聊天框里说：「帮我画出过去三个月销量Zui高前十品类的柱状图」，系统会自动挑选 SQL Tool 拉取数据、用 Pandas Zuo聚合，再交给 Matplotlib 完成绘制，一气呵成。

E‑mail 自动分类、客服机器人联动以及订单异常检测，douKe以视作一次“大型对话”。在 OxyGent 中，你只需要把任务投进去，一个虚拟聊天室就会出现多个角色——比如「API 调用者」「时间检查员」「错误捕获器」——它们会自发分工并实时协商完成目标。整个过程没有硬编码流程，可随时通过 UI 调整工作流，使得系统始终保持弹性和响应速度。

The GAIA Benchmark，由 Hugging Face 社区维护，是目前Zui权威的大模型综合评估平台之一。它覆盖知识问答、推理、数学计算、代码生成以及中文理解等十余维度，每项dou采用公开数据集进行公平比较。

Proudly, OxyGent 在Zui新一次跑分中拿到了 **59.14 分**，紧随开源标杆 OWL，仅差几分即可冲榜首。这说明即使没有专门Zuo RAG 优化，这套框架依旧Neng够凭借高效推理和灵活工具链获得竞争力表现。

AIGC 正在从“单体机器”转向“AI 群落”。当每个业务环节dou有对应的小型代理负责处理，它们之间通过轻量级协议互相传递信息，就像微服务一样实现横向 。OxyGent 为这种演进提供了底层支撑：开放式插件体系、高精度监控以及即时可视化，让研发团队Neng够快速迭代并实时定位问题。

PaaS 化：CSP 将可Neng推出基于 OxyGent 的托管服务，让企业无需关心底层资源，只管定义「角色」与「规则」。

MLOps 融合：SOTA 模型geng新后只需替换对应 Agent 的 LLM 参数，即可无缝升级整个生态系统。

#AI民主化：普通业务人员也Neng通过自然语言描述需求，由系统自动生成对应智Neng体，实现真正意义上的“人人dou是 AI 开发者”。

Kubernetes Neng够管理容器集群，但它无法帮你快速把业务逻辑映射到 AI 上。而 OxyGent 正好填补了这块空白：只要掌握一点 Python 基础，你就Neng在几分钟内造出上千个具备专业Neng力的小助手，让企业运营geng快、geng精准、geng透明。Ru果你Yi经厌倦了“一堆脚本+手动调参”的日常，不妨现在就访问, 下载源码并亲自体验一次 “AI 超级军团” 的组装快感！祝你玩得开心，也期待kan到你的创意作品登上社区榜单～ 🎉🚀️ 联系作者：.