开源 Agent 这个圈子，大部分项目给你的是一套 SDK 或者一个框架：LangGraph、AutoGen、CrewAI 都是如此。能力不缺，缺的是”能直接用的那层”——前端界面、会话管理、任务拆解、文件产出，全要自己补。京东 2025 年 7 月开源的 JoyAgent-JDGenie 走的是另一条路：它开源的是一个端到端的产品，不是让你二开的脚手架。GitHub 上目前 11.9K 星，Apache 2.0 协议，默认分支就是 data_agent。
它到底是个什么东西
用一句话说：你给它一句任务，它还你一个交付物。比如”做一份最近美元和黄金的走势分析”，它会自己拆步骤、自己搜资料、自己算数据，最后吐一份网页版报告出来，也可以要 PPT 或者 Markdown。文件、表格、代码执行都在它的工具集里，不需要你写胶水代码。
项目本身是混合栈：后端 Java（Spring Boot，:8080），前端 React（:3000），工具层 Python（:1601）。整套东西打成一个镜像，docker run 起来就能用，这点对不想折腾编译的人挺友好。
它跟 Dify、n8n 这类平台不是一回事。Dify 是给你搭 AI 应用的场地，我写过它的入门；n8n 是自动化积木，这篇讲过定位。JDGenie 更像是把”通用助手”做成了一个开箱即用的成品，你要加能力就往上面挂子智能体。官方对比表里把这两类都归成”只开源了框架”，这话带立场，听听就行——它们解决的是不同问题。
架构：三层，两个核心角色
请求链路很直白：前端把 query 通过 SSE 推给后端，后端先交给规划器，规划器把任务拆成一到五个有先后关系的子任务，再交给执行器按 DAG 并发跑，执行器每一步要么调工具、要么调模型、要么落文件。工具调用统一走 genie-tool 这个 Python 服务，搜索、代码解释器、文件读写、报告生成、PPT 生成都在里面，模型接口在 application.yml 的 llm.default 里配（base_url / apikey / model / max_tokens）。
两个设计细节值得注意。一是它支持两种模式：react（边想边做）和 plan and executor（先规划再执行），配置里能选，复杂任务用后者，简单问答用前者更省 token。二是子智能体是插件式的，你实现一个 BaseTool 接口——给个名字、描述、参数 schema、执行方法——就能挂上去，不需要改引擎。外部工具还能通过 mcp_server_url 塞进来，格式是逗号分隔的 SSE 地址。
跑起来要改什么
三步：clone、改配置、build & run。真正花时间的是第二步，两个文件：
genie-backend/src/main/resources/application.yml：填base_url、apikey、model、max_tokens。用 DeepSeek 的话max_tokens记得设 8192，写大了会报错。genie-tool/.env_template：填OPENAI_API_KEY、OPENAI_BASE_URL、DEFAULT_MODEL，外加一个SERPER_SEARCH_API_KEY（搜索工具用 Serper，没这个 key 搜索链路直接断）。DeepSeek 走的是DEEPSEEK_API_KEY/DEEPSEEK_API_BASE，模型名写deepseek/deepseek-chat。
然后 docker build -t genie:latest .，docker run -d -p 3000:3000 -p 8080:8080 -p 1601:1601 --name genie-app genie:latest，浏览器开 3000 就能用。不想用 Docker 的话，环境是 JDK 17 + Python 3.11 + uv，仓库里带了 check_dep_port.sh 和 Genie_start.sh，先查端口占用再一键起，Ctrl+C 全杀。
说点实话
第一，别被 75.15% 这个数字带跑。那是 GAIA 验证集的自测成绩，同一张表里 Alita v2.1 是 0.8727、Skywork 0.8242、蚂蚁 AWorld 0.7758，都排在它前面。JDGenie 的位置是中上，不是第一。它的卖点从来不是分数，是”开箱即用的完整产品”这个形态——AutoGPT 当年也是通用 Agent 的思路，但给的是个需要自己拼的骨架；MetaGPT 更像多角色协作的范式演示。JDGenie 至少把报告、PPT 这些”最后一百米”给做完了。
第二，双栈是有代价的。Java 改逻辑、Python 改工具、前端改界面，出问题要跨三套栈排查。而且规划器、执行器的 system prompt 全塞在 yml 的长字符串里，中文加转义，改一个字都容易踩坑。想要”改两行 Python 就跑”的体验，这套不合适。
第三，成本不是零。max_steps 默认 40，执行器单步观察上限 10000 token，一个稍复杂的任务跑十几步很常见。模型 API 加 Serper 的调用费，跑批之前先算账。另外它没有多租户和账号体系，团队内部用要自己在前面套一层网关。
适合谁：想要一个”提问出报告”的通用助手、能接受 Java 栈、有私有化部署需求的团队，或者想研究多智能体产品级实现的人——它的前端、引擎、子智能体是一起开源的，这种完整度在开源项目里不多见。不适合谁：只想接个 API 写几十行代码的，那用官方 Agents SDK 更轻。
真要上手，建议先拿一个小任务把链路跑通：搜一条新闻出个网页报告，确认 LLM、Serper、工具服务三个环节都通了，再往复杂任务上加。别一上来就丢”分析某个行业”这种大活，调试成本会让你怀疑人生。
