京东入局“养虾”赛道，主打低成本token消耗新策略

徽声在线记者 | 林晓阳
徽声在线编辑 | 苏婉婷

OpenClaw技术的突然爆火，让原本仅在技术圈内小范围尝试的“养虾”行动，迅速演变成了一场大厂之间的激烈竞赛。这一转变，标志着AI领域竞争焦点的微妙变化。

曾几何时，各大厂商还在为模型参数的大小和榜单排名争得不可开交，如今却纷纷将目光投向了Agent的实际应用——能否高效“干活”，已经取代了单纯的“聊天”能力，成为衡量技术实力的新标准。

然而，随着Agent逐渐进入多步推理、多轮调用的高级阶段，一个长期被忽视的问题开始凸显：成本。京东相关技术负责人在接受徽声在线等媒体采访时指出：“尽管龙虾模型本身是开源免费的，但token费用的飙升却不容忽视。”相比传统对话式模型，Agent在执行任务时需要反复调用模型，进行多轮思考，这导致token消耗呈指数级增长。

为了应对这一挑战，京东提出了“token efficiency（词元效率）”的概念。即在保证任务完成率的前提下，尽可能减少token的消耗，或者让每个token发挥更大的作用。京东自研的开源模型JoyAI-LLM Flash，在与市面上其他开源模型对比中，展现了显著的优势。在任务完成率相近的情况下，其token消耗仅为对方的四分之一到五分之一。这一差异在单次调用中或许并不明显，但在Agent的长链路执行中，却会迅速放大为巨大的成本差距。

京东通过两方面技术路径实现了这种效率优化：一是利用强化学习算法（如FiberPO）提升模型在长链路训练中的稳定性，减少对过长“思维链”的依赖；二是通过推理加速机制（如MTP）提升生成效率，将推理速度提升约1.8倍。这些技术突破，使得京东在大模型竞争中找到了新的突破口——不仅要比谁更“聪明”，还要比谁更“划算”。

如果说token效率解决的是“用得起”的问题，那么部署方式则直接关系到“用不用得上”。在实际应用中，无论是个人开发者还是企业用户，都面临着Agent使用门槛高的问题。从环境配置到模型调用，再到安全控制，整个流程复杂且繁琐。

为了降低使用门槛，京东将“养虾”行动拆分为三种不同路径。首先是云端方案，针对初级用户和开发者，京东提供一键部署服务，用户无需本地安装即可在线体验Agent的便捷。其次是本地部署方案，考虑到部分用户对数据隐私的严格要求，京东支持在本地环境中运行Agent，并强调“记忆共享”能力，确保不同终端上的Agent能够继承统一的上下文和历史信息，避免多Agent之间的割裂问题。

官方供图

最核心的，则是面向企业端的一体化解决方案。在企业场景中，AI落地的最大障碍往往不是技术能力，而是安全与合规问题。为此，京东云推出了OpeClaw一体机，支持本地化部署和一键启动，并提供标准版和个人版两种选择，以满足中大型企业与个人开发者的多样化需求。这种“软硬一体”的方式，更接近传统企业IT采购逻辑，通过标准化设备与系统降低部署复杂度，并确保数据不出本地环境。

企业在引入Agent时普遍面临一个核心矛盾：如果开放足够权限，Agent虽然更智能但也更危险；如果限制权限，又可能“什么都做不了”。对此，京东相关技术负责人表示，应将Agent纳入企业既有的信息化体系之中，而不是单独构建一套新规则。例如，将Agent的操作权限与企业OA系统打通，通过既有的权限管理体系进行控制，同时强化操作的可追溯性。

本地部署与私有化模型也被视为降低风险的重要手段。尤其是在涉及代码、业务数据等敏感信息时，企业往往难以接受调用外部模型服务。因此，京东的本地部署方案受到了广泛关注。

从行业整体来看，围绕“养虾”生态，头部公司的路径正在逐渐分化。阿里巴巴更强调“模型+云”的一体化输出，以通义千问为核心，结合阿里云平台，将模型能力以API和平台服务的形式提供给企业客户。其优势在于云基础设施与开发者生态的完善。腾讯则更侧重于应用层的渗透，依托微信、企业微信等产品，将AI能力嵌入具体使用场景中，通过高频应用推动Agent的普及。其路径更接近“超级应用+AI助手”的模式。

相比之下，京东的路径显得更为“工程导向”。其重点不在于打造爆款应用，也不完全依赖云平台，而是围绕成本控制、部署方式与安全体系，提供一整套可落地的解决方案。这种差异也在一定程度上反映了各自的基础能力：阿里擅长云与平台建设，腾讯擅长应用与生态构建，而京东则更强调供应链与企业服务能力。

在明确了各家战略差异之后，我们再来探讨Agent本身的价值显得更有意义。京东相关技术负责人给出了一个相对克制的判断：“龙虾”本身并不是核心，其真正价值在于放大模型能力。从技术演进来看，大模型正在从对话（Conversation）走向推理（Reasoning），再进入Agent（Agentic AI）阶段，未来可能进一步发展到具备创新能力（Innovation）的阶段。

在这一过程中，Agent更像是连接模型与现实任务的桥梁。它并不会替代模型本身，反而会放大模型能力的应用边界。这也意味着，当前围绕“养虾”的竞争，未必是一场短期战役。随着模型能力的持续提升，Agent的形态可能不断变化，但围绕成本、效率与落地的基础问题，仍将长期存在并亟待解决。