〇 分享简介 〇

软件工程正快速从敏捷研发2.0时代往智能研发3.0时代演进，AI技术正在重塑软件工程的范式，随着企业数字化转型的不断深入，如何基于企业现有的研发工艺基础上，通过AI技术来提升软件研发效能，降低成本提升效率，从而更好的满足业务数字化转型的要求，是目前各个企业面临的重要课题。

然后各个企业在智能研发上目前还是在初级阶段，也就是通过AI助手和智能体来提升某个环节的效能，整体看与现有软件工程效能并没有多大提升，其主要原因是企业现有的研发工艺就存在不足，以及AI技术无法与现有工艺和资产深度融合，实现企业级AI研发的能力。

本次分享基于企业级软件研发工艺和工具平台构建，通过AI助手和智能体与软件研发工艺和工具深度融合，从而大幅提升软件研发的各项指标，展现在金融行业的领域实践，来证明该路径和方案的正确性，从而为未来软件开发以“AI为主、人为辅”进行了深度研究和实践。

〇 分享收益 〇

目标：

1、 帮助企业构建和完善现有的软件研发工艺和工具平台

2、 基于企业现有的软件研发工艺和工具，利用AI技术进行深度融合，大幅提升各项指标，如：代码采纳率等，从而大幅提升研发效能的目标。

成功要点：

企业将AI技术与企业软件开发工艺和工具无缝融合，把企业软件研发过程的资产形成多层级的知识库，以及研发工艺流程的拆分和智能体自动协同，最终实现整个软件工程的智能化，从而大幅提升研发效能。

启示：

在数智化转型的大背景下，构建企业级的研发工艺和工具链平台越来越重要，只有基于这个基础，继而通过AI助手和智能体与现有工艺和工具深度融合，才能真正实现“以AI为主、人为辅”，的智能软件工程3.0，才能真正打造企业软件研发的新范式。

〇 分享亮点 〇

1、企业级研发的现有流程和工艺存在的问题

2、如何通过AI提升现有软件研发的工艺和效能

3、如何通过AI来重塑现有企业级软件研发的工艺

4、QA

〇 分享简介 〇

全行业正站在一个技术范式革命的门槛上。大数据与AI大模型正从工具演变为驱动业务重构的核心引擎。面对这一颠覆性浪潮，一个核心命题摆在眼前：现有业务通过深度技术融合，实现根本性的结构性变革，可解锁十倍速增长。同时，在这场深刻的变革洪流中，组织与个人若洞察先机、主动进化，可真正站在浪潮之巅引领未来。

本次分享深入探讨从实践到范式的导航业务模式结构性跃迁，以导航业务模式变革的成功实践为基石，揭示AI与数据驱动下实现业务价值重塑与效率倍增的真实路径；深入解析数据驱动变革的核心逻辑与实施框架，超越零散工具应用，聚焦其作为战略引擎的组织级力量。同时，以数据驱动的全链路闭环方法论，解构增长引擎；面对AI时代的组织变革与人才进化，探讨软件组织转型、业务结构、组织架构、智能方案研发范式，帮助行业重塑组织基因。

〇 分享收益 〇

目标：

1、了解清晰的变革路线图： 理解如何利用数据与AI实现业务的结构性跃迁与爆发式增长。

2、 获得可落地的普适系统工具，掌握支撑十倍速增长的数据驱动全链路方法论与实践路径。

3、了解实战验证路径，经工业级场景验证的算法设计范式与工程架构方案。

4、理解AI时代软件研发的范式革命，看见组织转型与个体能力跃升的清晰蓝图。

成功要点：

1、业务转型上，需掌握业态四象限分析法精准定位突破口，并构建从数据洞察（质量评价闭环）到智能决策（时空算法中枢）再到持续迭代（云原生工程架构）的闭环驱动系统；

2、技术落地上，要形成数据指标驱动的深度洞察能力、基于时空建模实现高效决策的极简算法系统设计能力，以及依托标准化架构支撑快速试错的

3、云端协同工程能力；人才进化上必须突破传统编码思维、清晰认知AI能力边界，针对性提升数据洞察、AI工程化、伦理设计等关键竞争力，并通过阶梯式策略实现从工具应用到价值创造的技能跃迁。

启示：

1、遵循“业务重构铁律”，认识到十倍速增长源于核心价值链的重构而非单纯技术叠加，所有AI投入必须精准解决核心痛点。

2、理解“数据价值公式”，其真实价值由数据闭环的质量、决策响应的速度以及迭代优化的频次共同决定，缺乏工程化支撑的数据驱动难以奏效。

3、践行“开发者生存法则”，未来的核心竞争力是业务理解、工程能力与模型技术的深度咬合与相乘效应，形成彼此赋能、持续放大的能力飞轮。

〇 分享亮点 〇

一、业务模式跃迁：从专家经验驱动到全域数据驱动

1、业态变革导航图：基于核心维度的战略四象限分析

1）以导航业务为引，解构行业生态位与转型路径

2、系统变革路径：构建数据驱动型业务的范式演进图谱

1）从战略定位到执行落地的系统性思考框架

二、数据驱动变革：全链路闭环方法论与实践攻坚

1、体系化洞察：构建数据指标驱动的质量评价闭环

1）通过多源数据融合与动态评估，精准定位业务瓶颈与机会

2、智能化决策：打造时空数据赋能的极简算法中枢

1）基于时空维度建模，实现复杂场景下的高效自动决策

3、敏捷化进化：云端协同的智能迭代工程架构

1）依托云原生技术栈，支撑数据-算法-产品的快速闭环演进

三、AI时代突围：软件研发范式重构与工程师进化

1、技术边界的再定义：软件研发视角下的AI能力象限

1）解构AI在需求处理、系统设计、代码生成中的能与不能

2、开发者进化路线图：从编码者到智能解决方案架构师

1）直面挑战： 传统技能失效危机与人机协作新命题

2）竞争力图谱： AI时代顶尖工程师的六大核心能力维度

3）成长路径： 从工具应用到价值创造的阶梯式提升策略

3、QA

〇 分享简介 〇

AI 大模型技术正在深刻重塑全球产研模式，已有超过 70% 的企业开始在研发流程中引入 AI 工具，预计到 2025 年可帮助企业提升 40% 的研发成本。面对复杂业务场景、加速迭代需求和人才成本上升的三重挑战，构建 AI 赋能的产研全流程已成为企业 AI 化转型的关键。

 B 端团队可通过系统性引入AI工具与方法，建立了从需求到交付的全链路智能协作模式，从"知识管理、工具应用、协作模式、效能评估"四个维度构建AI协同开发体系。实践证明，舰桥平台案例实现了38.6%的整体效能提升，B端团队每周节省7-13.5人天，显著提高了交付速度和质量。

本次分享将系统透视知乎社区生态 B 端团队的 AI 赋能产研全链路实践，重点聚焦三大核心内容：知识驱动型AI协同开发框架、双轨并行实践体系（在项目中实践与在 B 端团队内广泛实践）、AI协同产研效能评估方法。通过完整的逻辑和清晰的案例，为各类技术团队提供 AI 协同开发的路径参考和经验借鉴，帮助企业在AI时代建立产研效能的新型竞争力。

〇 分享收益 〇

目标：

1、洞悉顶层设计AI赋能产研端到端流程

2、构建统一的知识管理体系

3、建立AI应用场景评估机制

4、打造数据驱动的效能评估体系

5、平衡效率提升与质量控制的关系

成功要点：

1、提高产研效率40-60%，优化协作决策质量，建立跨角色协同机制，提升代码质量与稳定性。

2、借助AI强大的数据处理和分析能力，AI进化的实践案例，辅助研发人员做出更科学、更准确的决策，降低研发风险、优化流程、提高研发成功率。

启示：

通过构建智能知识库体系与AI协同工作流，企业可以在降低业务风险和错误率的同时，显著减少跨团队沟通成本，最终实现从单点工具应用向全链路智能化协作的系统性组织升级。

〇 分享亮点 〇

1、AI赋能产研全流程背景与挑战

1）产研面临的效率瓶颈

2）AI带来的机遇

2、AI赋能产研建设思路

1）全链路协同赋能策略

3、知识驱动型AI实践案例

1）项目案例：舰桥平台-单次人力投入降低38.6%，代码一次通过率92%

2）项目案例：B端团队完整实现提效7-13.5pd/周，展示知识库复利效应

4、解析成功关键要素

1）涵盖：知识管理、场景适配、团队培养和效能评估

5、AI协同开发新范式展望

6、QA

〇 分享简介 〇

在数字经济浪潮席卷全球的当下，AI 驱动的数智化转型已成为企业谋求竞争优势的必经之路。然而，众多企业在这场变革中陷入 “AI 应用困境”：虽积极布局大模型、智能算法等前沿技术，却难以突破从概念落地到价值创造的关键瓶颈。多数企业仍停留在 AI 工具浅层应用阶段，诸如智能客服等场景仅实现简单交互，无法深度渗透至研发创新、生产优化、业务增长等核心环节，距离释放 AI 真正的商业潜力仍有较大差距。

深入剖析现状，推广落地难题尤为突出。技术团队与业务部门间存在认知鸿沟，导致 AI 解决方案难以契合实际需求；技术边界模糊不清，数据安全、模型伦理等问题亟待规范；看似亮眼的概念验证（POC）难以规模化复制，从 Demo 到量产的跨越充满挑战；更缺乏有效反馈机制，无法实现技术与业务的闭环迭代优化。

本次分享将以朗新科技集团的转型实践为蓝本，系统解析企业如何破解 AI 落地困局。从战略规划、技术架构搭建，到业务场景深度融合，全方位呈现 AI 赋能新质生产力的方法论，为企业实现技术创新与商业价值双赢提供可借鉴的路径。

〇 分享收益 〇

目标：

在企业迈向 AI 全面转型的征程中，组织架构、文化重塑与技术优化是不可或缺的三大支柱。转型目标在于构建一套完整且协同的发展体系，从组织架构的适应性调整，到创新文化的培育，再到技术架构的持续迭代，每一个环节都需精准把握关键路径。

成功要点：

成功推进 AI 转型的要点，需多管齐下。组建专业技术团队为根基，推动组织架构向敏捷化、智能化转型，加速业务流程的 AI 深度融合，实现研发效率的跨越式提升。同时，建立可追溯、可进化的落地闭环，确保 AI 应用持续优化。

启示：

这一转型带来的启示意义深远，通过打造专业的 AI 人才梯队，完善技术体系，培育创新文化与制度，将 AI 深度融入研发提效与核心业务全流程，形成良性循环，不仅能提升 AI 落地实效，更能助力企业构筑差异化的核心竞争力。

〇 分享亮点 〇

1、企业全链路 AI 化：指将 AI 技术贯穿企业战略、业务、管理等全流程，以数据和算法驱动全链条智能化升级，重塑核心竞争力。

2、2C 产品 AI 化（新电途、周边生活助手）：通过 AI 分析用户行为，实现充电服务智能推荐、周边生活信息个性化推送，提升用户体验。

3、2B 产品 AI 化（e 电千问）：依托知识图谱与 NLP 技术，构建智能问答平台，快速响应企业咨询并输出方案，提升服务效率。

4、AI 提效：打造企业私有 AI 体系，赋能研发与流程管控，通过智能工具优化研发过程、实现流程自动化，提升运营效率。

5、QA

〇 分享简介 〇

随着大模型和智能体技术的快速发展，越来越多的企业开始拥抱AI，借此通过AI技术为企业赋能，达到增收、增效、降本的目的。但，很多企业对于AI的认知不够，特别是不知如何利用这波AI规模化浪潮。

大模型和智能体技术发展带来了架构范式的根本性变化，AI原生架构应运而生，这对于企业架构产生了重大的影响，有必要对企业架构方法进行升级，使其能够适应新技术的发展，与时俱进，更好地帮助企业开展AI应用和智能化升级。

本次分享从组织、场景和流程三方面，深入研讨AI智能时代的业务架构设计，以企业组织变革、建立新型人机协作关系为根本出发点，选取适合AI技术的高价值业务场景，并通过业务流程再造来实现落地，最后探讨业务架构基础上有效开展IT架构设计，实现业务架构和IT架构的一体化设计。

〇 分享收益 〇

目标：

1、 提出企业AI应用落地企业架构方法论，供各行业企业借鉴。

2、 掌握企业架构方法可以帮助企业更好实现战略、业务和AI技术的融合。

3、了解企业要推进智能化转型，不只是开发智能体，也需要组织变革配套推进。

成功要点：

1、在企业智能化升级过程中，精准找到适配自身业务场景的 AI 赋能方式是破局的关键。这需要深度剖析组织的核心流程与痛点，并根据人和机器各自的能力优势来设计新的业务流程，构建人机协同的新型工作关系，而不是简单的让AI替代人。

2、业务持续高效模式运转，必须通过智能化系统完成机制化固化。当协同逻辑转化为系统中的代码与规则，才能确保创新实践不流于形式，真正沉淀为组织的核心竞争力，推动工作模式从 “偶然高效” 走向 “必然卓越”。

启示：

组织变革是企业智能化升级的基础和保障。业务场景是业务、管理和技术结合的载体，都能够很好牵引智能化升级。企业运用AI技术开展流程再造，是最大幅提升企业生产效率的关键。

〇 分享亮点 〇

1、AI时代组织形态的进化

从流程型组织、平台型组织到无人组织。AI技术正推动组织形态向 “无人化”加速跃迁。无人组织以AI决策系统为神经中枢，人类角色从执行者转变为规则定义者与系统监督者。

2、业务价值是AI应用的目标

寻找适合AI赋能的业务场景，以业务场景牵引智能化升级。业务场景方法可以破解“技术炫技”与“业务实效”的脱节问题，强调 AI 赋能需遵循 “场景痛点→技术适配→价值闭环”的路径。

3、业务流程智能化再造的架构设计。

区别于传统流程优化，AI 时代的流程再造需构建 “感知-决策-执行-反馈”的智能闭环，要考虑知识类数据是否充分、大模型能力是否满足需要等多方面因素。

4、从业务架构到IT架构。

业务架构最终要通过IT架构来支撑落地，智算中心、数据湖仓、向量数据库、知识图谱、模型网关、LLMOps、智能体框架等架构组件，有效支撑了AI原生架构的落地。

5、QA

〇 分享简介 〇

Agentic RAG的Agent 构建平台正向着协同化、生态化、多模态化和专业化方向演进。其难点从核心的AI能力（规划、工具使用、记忆）延伸到复杂的系统工程（状态、编排、观测），并最终上升到顶层设计、安全伦理等问题。这是一个模型应用问题，更是一个深度融合AI研究、软件工程、基础设施、安全合规的复杂系统工程。

企业 在AI应用落地过程中，让 Agent 具备企业专属知识库的能力是核心需求，而 RAG技术正是其中关键支撑 。 它不仅能让 AI Agent 突破通用模型的知识边界，还能确保输出内容的准确性、合规性与时效性。更好地优化RAG技术架构，就成了不同平台的核心技术差异。从 0 到 1 拆解企业级 AI Agent 搭建平台的技术框架，包括Agent 核心能力层（任务编排、工具调用与插件体系等）、以及 RAG 引擎的深度集成与优化逻辑，从实战中找到开发优秀Agent系统的最佳解法。

本次分享深度解析RAG 技术架构，以 RAG 的基础技术链路到高级优化技巧，剖析企业场景中 RAG 面临的典型问题，结合实际落地案例，给出Agentic RAG新架构的模式，为 与会者进一步打造智能体平台提供技术支撑。

〇 分享收益 〇

目标：

1、掌握企业级 AI Agent 平台从 0 到 1 的技术架构设计逻辑；

2、深度理解 RAG 架构设计的技术细节与选型思路；

3、获取 RAG 落地聚类优化、检索精度等问题的可复用解决方案；

4、了解企业 AI 技术选型与工程落地提供决策参考。

成功要点：

精准找到企业 AI Agent 平台落地的核心痛点（精准又独有的知识库需求），搭配新一代RAG 技术为关键纽带，可搭建出一个高质易用的Agent平台技术框架，同时，行业典型实践案例的 RAG 架构优化与问题解决的可落地方案，促进了实现技术深度与实用价值的统一。

启示：

1、掌握企业级 AI Agent 从 0 到 1 的架构设计逻辑与 RAG 技术的深度优化方案，是突破 AI 落地知识边界、实现 Agent 精准高效输出的关键，为企业 AI 技术选型与工程落地提供核心技术支撑。

2、把尖端AI技术工程化、民主化，让开发者和企业都能以更高的效率、低成本，构建真正智能、可靠且能解决实际问题的AI智能体，也最终成为企业数字化转型和智能化升级的核心驱动力。

〇 分享亮点 〇

1、企业 AI落地的痛点

2、企业级 AI Agent 构建平台的技术架构剖析

3、RAG 技术深度解析及Agentic RAG 模式讲解

4、Agent及RAG 落地中企业的典型问题与解决方案

5、总结及展望

6、QA

〇 分享简介 〇

大模型正加速融入金融信贷场景，从辅助内容生成到优化决策流程，逐步成为提升业务智能化水平的重要工具。在信贷这样的高规范、高复杂度业务中，大模型不仅提升了效率，更正在改变传统作业模式，为金融机构带来更高的一致性与响应能力。

对公信贷流程长、系统老旧、合规压力大，是金融行业普遍面临的难题。在这样的背景下，汇丰科技以 Power Platform 低代码为核心，构建了新一代“电子信贷平台”，将流程数字化、工具模块化，提升了业务人员的处理效率与客户响应速度，也为系统更新与管理带来更强的灵活性。

本次分享聚焦典型业务场景，将大模型引入信贷计划书的生成过程。通过结构化集团风控标准，结合大模型的语言生成能力，打造智能计划书工具，帮助业务人员快速生成合规、专业的内容，显著提升了一线作业效率与客户服务质量。

〇 分享收益 〇

目标

1、了解银行数字化转型的现状与挑战

2、掌握大模型在金融行业的实际应用

3、提升对数字化与自动化技术的认知

4、获取实践经验与技术应用的深刻洞察

 成功要点：

构建统一的数字化平台，为AI应用提供了标准化、结构化的数据与流程基础，推动业务与技术共建，确保大模型真正服务业务目标。

 启示：

数字化是路径，大模型是引擎，共建共创是业务落地的关键。

〇 分享亮点 〇

1、解析汇丰工商信贷平台构建

2、分享大模型在信贷审批流程中应用的案例分析

3、分享大模型从产品概念到生产投产的经验

4、展望大模型在金融业务流程再造的远景规划

5、QA

〇 分享简介 〇

AIGC产品任务规划影响企业发展与业务流程重构、决策模式等诸多方面的转变。AIGC技术推动企业内外流程的原子化重构，传统行业产业链和岗位将被颠覆，无论是电话客服、初中级程序员等岗位已被AI替代，企业需重新思考客户维护和产品交付模式。此外，组织架构和岗位职责面临调整，部分管理决策权可能转移至AI系统。美国初创公司已试点AI员工全流程处理任务，传统经验主导的决策方式正被AI推演取代。企业核心能力逐步向AI靠拢，AI成为评估、规划、执行和产品决策的关键中枢，管理能力标准将被重新定义。

映射出大模型技术的日新月异，从Chatbot到Agent，tool use是核心的变量，炫酷的Demo层出不穷，让用户心甘情愿地为大模型产品能力买单，是核心问题，也是企业AI应用性革命问题。 商业化的瓶颈并非技术不足，而在于未完成从“技术秀场”到“价值驱动”的关键跃迁。

本次分享将深度拆解大模型商业化的困局根源，揭示华丽的Demo往往难以转化为可持续的收入难题。基于商汤在小浣熊家族产品线的深入探索与实践，分享超越浮于表面的技术堆砌，构建真正嵌入用户业务流、创造不可替代价值的商业化产品路径, 以及从“可用”到“必用”的用户心智构建。

〇 分享收益 〇

目标：

1、破解Demo陷阱困局，获得大模型价值交付的核心思维模式

2、掌握构建用户付费意愿的实用产品逻辑工具箱。

3、洞察头部企业的落地实践，规避产品商业化探索的深水区暗礁。

成功要点：

1、追求更好的解决方案而不是完美的解决方案，关注TOB/TOC场景精度、企业端性能应用、交互LUI/GUI体验、利用好自有数据与行业数据的融合、良好的MCP Servers依赖项，将大大助力企业寻找到最优解决方案、真实痛点。

2、一切以客户价值优先，企业卓越的解决方案与落地场景，将让企业利于不败之地。

启示：

升级产品与组织能力和协作模式，在技术爆炸的洪流中，强守产品人的本心，以用户价值为灯塔，点亮大模型产品商业化的破局之路。

〇 分享亮点 〇

1、Demo的幻象与商业化的骨感

1）行业痛点直击 

2）技术狂欢 vs 付费犹豫：Demo惊艳却难转化（如POC后落地难、价值模糊）

3）核心矛盾：用户不为技术买单，只为解决问题付费

2、破局关键：四大思维转向

1） 价值锚定：从“多模态感知”到“需求深挖” 

2）案例：医疗大模型聚焦辅助诊断而非通用问答，直击诊疗效率痛点

3、场景深潜：从“通用炫技”到“垂直闭环” 

1）路径：选择高价值场景（如工业故障预测、政务审批），端到端解决“最后一公里”问题

2）ROI透明化：从“能力展示”到“价值量化” 

3）方法：将模型能力转化为可度量收益（如节省30%人力成本、降低50%错误率）

4、心智构建：从“神奇玩具”到“生产引擎” 

1）策略：嵌入用户工作流（如Office插件、CRM系统），形成使用依赖

5、产品逻辑重塑：付费意愿的构建基石

1）定义不可替代的价值主张 

案例：矿山AI系统通过实时煤块分析优化生产，替代人工决策

2）设计高价值感知的产品形态 

关键：标准化交付（降低部署成本）+ 交互体验优化（如预测性输入）

3） 用户导向的定价策略 

模式：按价值单元（如生成条数）、结果分成、分层分级

6、小浣熊家族实践：从理论到行动

1）垂直场景选择：聚焦金融风控/智能创作，以PMF（产品市场契合）验证价值

2）ROI验证案例：某客户通过定制模型提升审批效率40%，6个月回本

7、挑战与反思：动态需求响应、数据安全与伦理合规的平衡

8、结语：回归产品本质

1）核心公式：真实痛点 × 闭环场景 × 可量化价值 = 用户付费

2） 行动呼吁：做“解决问题的恒星”，而非“炫技的流星”

9、QA

〇 分享简介 〇

AIGC时代，产品经理的视觉理解与生成能力正成为产品竞争力的核心要素。这一领域融合了技术创新、用户体验设计与商业落地的多重挑战，要求从业者兼具技术洞察力、场景深耕能力与伦理敏感度。未来，随着生成式视觉技术的进一步成熟，产品经理将更多聚焦于“人机共创”的平衡点，推动AI从工具升级为真正的创意合作伙伴。

面对AI带来的无限可能，产品经理不仅要洞察技术前沿，更需在用户体验、产品形态、以及商业价值之间，寻找最优解。视觉不仅是信息的载体，更是人机交互的新语言。尤其在 Chatbot 这样体量庞大、用户场景多元的AI Native产品内，大模型正推动对话从“文字交流”迈向“多模态交互”。

本次分享将结合文小言的真实产品挑战，分享端到端视觉理解体系的构建、可控视觉生成与编辑，以及实现理解与生成的一体化闭环。同时，基于基座模型与工程能力的进步，解析视觉模态如何重塑交互场景，以及用户需求从感官体验到实际任务完成的跃迁。最后，探讨多模态能力科学度量、建立满意指标体系，以及视觉模态对话产品可能引领的下一条增长曲线。借此为产品领域爱好者带来新的启发与行业结合的实践思路。

〇 分享收益 〇

目标

1、帮助从业者深刻理解AI浪潮下，视觉不仅作为信息载体，更成为人机交互与产品创新的新语言。

2、在多模态技术高速发展的背景下，结合实际产品历程，揭示视觉理解与生成能力如何重塑用户体验与产品形态，为行业带来可借鉴的实践框架与方法论。

成功要点

1、洞察行业趋势与用户行为：识别AIGC技术对交互范式和用户需求带来的本质改变，把握多模态成为未来竞争核心的战略意义。

2、产品与技术深度融合：以文小言作为实际产品例证，分享如何在大规模用户场景下，将前沿技术转化为可用、可感知的产品能力。

3、打造端到端闭环：打造理解与生成的一体化设计，建立科学度量体系与迭代方法

4、坚实的产品与工程落地：多模型选型与调度、Context管理、GUI与LUI取舍、同步与异步任务等。

启示

1、从技术趋势与用户需求变迁出发，洞悉视觉模态未来的产业价值与产品方向，将形成前瞻性产品思考，利于理解从技术、数据、产品设计多维协同，掌握视觉理解与生成全链路的落地方法，可构筑核心产品竞争力。

2、激发产品经理在未来视觉交互革命中的创新灵感，是探索视觉模态对话产品可能引领的下一条增长曲线。

〇 分享亮点 〇

1、视觉行业趋势洞察

1）视觉交互范式革命

2）用户行为视觉化变迁

3）技术底座升级

2、文小言产品与技术实践

1）端到端视觉理解体系

2）可控视觉生成与编辑

3）理解生成一体化闭环

3、度量与衡量

1）多模态评估与指标体系

4、未来展望：视觉模态对话产品的下一曲线

〇 分享简介 〇

在当今AI技术飞速发展的时代，AI已经渗透到各行各业的方方面面，游戏产业作为创新的前沿阵地也在积极拥抱这一变革。从早期游戏NPC行为决策AI到如今的全面智能化应用，AI与游戏的结合正经历前所未有的深度融合。近年来，大型语言模型如ChatGPT、Claude以及国产的Deepseek等技术的突破，更是将游戏AI的可能性推向了新的高度。这些AI技术不仅在内容生成、角色互动和游戏性设计上带来突破，还在用户服务和运营效率上创造了新的增长点。全球主流游戏厂商纷纷加大AI研发投入，预计到2026年，游戏+AI市场规模增长态势明显。这一趋势不仅改变了游戏开发的范式，也正在重塑玩家的游戏体验和游戏产业的商业模式。

游戏+AI的命题已被放到了当前游戏从业者的核心视野中，各种应用层出不穷。从应用AI提效游戏生产管线、AI辅助游戏玩法创新，到打造智能陪玩AI队友、开发情感陪伴向AI伴侣等。然而，行业在探索过程中也面临诸多挑战：保持游戏本身乐趣的同时引入AI增强体验、平衡AI的"智能"与"可控"、解决AI应用的高计算成本与用户体验之间的矛盾，这些难点都在游戏发行及运营应用中可以落地。

研究发现围绕用户的真实诉求和痛点出发，将AI技术与项目目标价值紧密结合。这种双重目标和价值导向的设计思路，使得AI赋能游戏产品功能和辅助发行运营的策略变得尤为重要。

本次分享将结合多年服务千万级游戏用户的丰富经验，深入剖析一套经过实践验证的AI产品技术应用方案，并系统地探讨AI在游戏发行中的价值实现方法论。将从技术架构、用户体验设计、数据驱动决策等多维度，展示构建适应不同游戏类型的AI应用框架。同时，聚焦于当下爆火的各类AIGC技术在游戏场景中的落地案例，从产品和运营者的角度，分享海量用户需求场景下打造智能Agent的关键策略与实施步骤。以成功案例分析所呈现AI有效赋能游戏发行及运营，提升用户获取、留存与变现效果，最终实现商业价值与用户体验的双赢。这些成功实践经验和方法论，将为游戏行业从业者以及产品专家们，提供可借鉴的AI产品应用路径和解决方案。

〇 分享收益 〇

目标

1、了解AI+游戏融合的落地案例，面对千万级不同游戏和不同用户在不同场景时的AI产品方法论

2、深入感知AI驱动游戏发行的增长探索实践

成功要点：

AI+游戏融合实践源于精准挖掘用户痛点并与游戏发展目标深度对齐。同时，构建强大的AI产品核心能力以优化游戏内外数据表现，最终通过AI驱动游戏发行策略，实现用户价值与商业价值的双向提升。

启示：

AI在游戏场景中的深度应用不仅解决了传统运营中的效率瓶颈，更通过智能化Agent实现了用户体验与商业价值的指数级增长，重新定义了游戏发行运营的成功模式。

〇 分享亮点 〇

1、游戏+AI技术应用

1）游戏用户需求洞察与项目运营发行诉求的融合

2）AI在游戏场景的双向应用策略

3）未来AI+游戏的技术路线图

2、AI驱动游戏发行增长

1）游戏发行面临的增长挑战

2）AI在游戏发行中的实际价值

3）AI+游戏发行的未来空间

3、QA

〇 分享简介 〇

在国内A股长期3000多点导致大多数机构和股民都亏损，过去二十多年国内房地产大涨但是最近几年很多房产不涨甚至下跌的背景下，未来通过AIGC大模型进行全球大类资产配置，包括房地产、权益类、固定收益类资产来抵御通货膨胀，实现长期稳定的高收益，是每个人、每个家庭的梦想，但是怎么实现这个梦想却很难学到。

利用先进的AIGC大模型，应用在资产配置和财富管理领域中。通过大模型对海量金融数据进行数据采集，数据处理，数据分析，数据可视化和未来趋势预测，通过训练数据和测试数据建立模型，优化投资组合并得到最优资产配置，可帮助不同风险偏好的投资者在多变的经济环境中做出智能决策。

本次分享将结合有效前沿理论以及大数据分析方法，通过AIGC大模型的分析和预测能力，AI智能体创建自动化工作流等，帮助个人、企业、投资者的财富管理提供一个全面、高效、个性化的解决方案。

〇 分享收益 〇

目标：

1、展示AIGC大模型在家庭财富管理中巨大作用，

2、探讨通过AIGC大模型的分析和预测能力、现代投资组合理论以及量化投资策略，有效地管理资产组合，降低风险，获取长期稳定的投资回报，为个人、投资者的财富管理提供一个全面、高效、个性化的解决方案。 

成功要点：

通过AIGC大模型结合量化分析、现代投资理论、马科维茨均值-方差模型，有效前沿理论以及大数据分析方法，为投资者提供量化分析支持，帮助投资者构建既能有效分散风险又能实现长期稳定回报的最优投资组合，实现智能化、个性化的资产配置并最终实现财富自由。

启示：

AIGC大模型和AI智能体极大的提升了资产配置的科学性与数据分析的效率，在实现稳健财富增长和财富自由的过程中发挥了核心价值。

〇 分享亮点 〇

1、资产配置理论的基础与现代投资组合模型

1）马科维茨均值-方差模型的应用。

2）夏普比率的应用

2、AIGC大模型在资产配置中的创新应用

1）通过大模型进行数据采集

2）通过大模型进行数据清洗

3）通过大模型进行数据量化分析与处理

4）通过大模型进行数据可视化

5）通过大模型进行数据预测和趋势分析

6）通过大模型优化资产组合并计算最优资产配置

7）通过AI智能体创建自动化工作流

3、财富自由的实现路径

1）基于智能定投策略的财富增值。

2）经典资产配置策略与全球资产配置策略

3）多元分散策略（空间与时间分散等策略）

4）资产再平衡策略

5）价值投资策略与技术分析投资策略

6）如何真正实现财富自由

4、行业实例与成功案例分享

1）结合中国与美国市场的主要大类资产（包括股票、债券、房地产等）案例，展示通过AIGC大模型进行数据量化分析的优势与实践成果。

5、QA

〇 分享简介 〇

在 AI 重塑产品设计逻辑的浪潮中，产品经理既要紧跟模型能力的迭代节奏，更得在技术可行性、用户认知阈值与业务场景适配度之间，搭建精准的平衡框架。界面不只是功能的容器，更是用户理解 AI 能力的桥梁。尤其在B端场景中，大模型正推动交互从 “功能调用” 升级为 “需求预判”，让产品从 “被动响应” 转向 “主动适配” 的新形态，跳出 “技术炫技” 陷阱，让你的AI产品真正成为业务增长的引擎而非成本负担。

AIGC市场带来的爆发式增长，已然成为企业数字化转型的产品核心引擎。然而，在 B 端 AIGC产品设计容易陷入 “技术投入与业务增长失衡” 的泥潭，大模型接口接入后、算力成本重砸下，用户却反馈 “用不上”“不实用”，业务数据毫无波澜。

本次分享深度探讨产品设计锚定高价值业务场景、平衡 AI 体验与业务效率、构建可落地的成本控制模型，拆解从 0 到 1 的产品设计方法论，以京点点产品设计与实践为案例，为产品经理、业务负责人，以及技术决策者带来AI时代下，新的启发与行业结合的实践思路。同时，助力企业B 端 AIGC 产品设计与实践中，做出更合理的决策，推动企业数字化转型进程。

〇 分享收益 〇

目标

1、掌握 B 端 AIGC 产品设计中锚定高价值业务场景方法

2、提升平衡 AI 体验与业务效率的能力

3、学会构建可落地的成本控制模型

4、了解从 0 到 1 设计 B 端 AIGC 产品的方法论

成功要点

1、聚焦 AIGC 对业务流程的核心改造点，确保 AI 技术应用到能产生实际业务价值的场景中，避免陷入 “全场景覆盖” 的资源浪费陷阱。

2、深入了解业务需求与痛点，穿透技术表象，精准锚定高价值业务场景是基础。将大模型能力拆解为 “业务可用模块”，在技术可行性（模型响应速度、准确率）与业务效率（用户操作步骤、流程节点）间建立动态平衡公式。可实现AI 产品真正的业务增长引擎。

3、通过 “轻量模型覆盖高频场景 + 高精度模型攻坚核心场景” 的调度策略，设计 “技术投入 - 业务产出” 的量化追踪体系（如巧用A/B实验工具验证），是实现成本可控下的效果最大化途径。

启示

1、 B 端 AIGC 产品设计中，技术只是手段，业务增长才是核心目标，不能盲目追求技术的先进而忽视其对业务的实际价值。

2、产品设计需以用户为中心，充分考虑用户认知阈值，通过优化界面和交互方式，降低用户使用门槛，提高用户对 AI 产品的接受度和使用率。

3、从 0 到 1 的产品设计过程中，结合企业实际业务情况，紧跟模型能力迭代节奏，让技术与业务场景深度融合，确保产品设计的可行性和实用性，须注重方法论的总结与提炼，形成适合自身企业和业务场景的设计思路。

4、大模型推动下，B 端产品的交互和形态正在发生深刻变革，从业者需主动适应这种变化，以创新思维推动产品升级，实现技术投入向业务增长的有效转化。

〇 分享亮点 〇

1 、B 端 AIGC 的爆发与困境、行业现状

1）数据呈现：AIGC 市场增长曲线（突出 B 端企业投入增速）

2）核心矛盾：技术投入（大模型接入、算力成本）与业务增长（用户反馈、数据表现）的失衡

3）典型痛点：“用不上”“不实用”“成本高” 的用户反馈

4）结论：B 端 AIGC 需要跳出 “技术炫技”，回归业务本质

2、B端AIGC设计关键挑战 ： 从技术到业务的鸿沟

3、B端AIGC产品设计方法论

1）锚定高价值业务场景

2）平衡 AI 体验与业务效率

3）构建可落地的成本控制模型

4）技术与业务的深度融合

4、京点点从0-1产品设计实践案例

5、成功要点总结

1）用数据锚定场景价值，而非依赖直觉

2）让 AI “服务” 业务流程，而非重构流程

3）如何建立 “效果 - 成本” 动态平衡机制

6、B 端 AIGC 产品的未来方向

7、QA

〇 分享简介 〇

当下AI早已从一个简单ChatRobot大模型的萌芽发展阶段，一路高歌猛进至AI Agent/端侧模型计算/RAG精准推理计算的三大发展方向。无论是端侧模型凭借边缘计算实现本地化高效推理，再到 RAG 精准检索外部知识库优化大模型输出，代表着AI已从实验室的概念验证，进化为能在企业实战中降本增效、革新流程的强大生产力解决方案，重塑产业格局。

但目前在整个国内市场中，还没有建立起一个清晰的AI落地路径，整个行业AI的渗透率还不足5%，且在AI技术投产中对于模型的使用仅保留在单一模型的使用，而目前最新发展方向早已迈入的长上下文记忆体与多模态融合概念，相比于国外来说AI应用已存在代差，而且在投产的AI项目中对于多端对齐，模型幻觉等AI模型常见问题也缺少工程上的解决方案

本次分享当前国外美国市场对于AI最新的发展趋势以及发展方向，包括open AI为代表的闭源大模型技术下一步迭代方向。同时，基于现有大模型能力美企的产品落地探索以及最新的AI产品演进趋势。最后，结合国内某TOP级服装企业的大模型落地应用案例实际企业场景落地实践，整体使用工程化的思路解决现有大模型技术的现存问题以及实战的避坑指南。

〇 分享收益 〇

目标

1、了解美国AI市场的研究和分析，帮助听众了解美企最新 AI发展路线和近三年发展趋势。 以及产品化落地思考的分享。

2、通过实战案例，了解当前国内AI的最新落地工程化解决方案。

成功要点：

帮助企业AI领域负责人构建对国外前沿AI方向的最新发展趋势视角认知，并从产品视角探讨国内市场大模型的落地路径及对企业的具体化收益。

启示：

以OpenAI等头部AI企业发展方向，拆解全球大模型应用实战落地路径，抢占 AI 技术红利制高点，开启企业增长新引擎！

〇 分享亮点 〇

1、AIGC发展趋势近况

1）25年美国人工智能企业的发展现状与落地方向

2）OpenAI基于GPT产品群发展新动向

2、基于RAG技术大模型实战咨询案例分享

1）以A企业为例的大模型落地实战

2）A企业中大模型落地中常见的幻觉/多用户输出一致性等产品化解决方案

3）A企业AI化改造效率与收益复盘

3、大模型实战经验提炼

4、QA

〇 分享简介 〇

为了实现AI负载在云环境的高效运行，除了对模型运行性能进行优化之外，分布式系统方面的配套优化也非常重要。同样的模型和算子实现，配套不同的分布式系统后，整体运行性能可能相差数倍之多。在LLM落地的过程中，企业已经投入大量人力在服务化、任务调度、分布式数据缓存等系统优化上，未来随着Agentic RL、多模态的发展，AI分布式负载更加复杂化，构建高效的分布式AI系统软件已成为AI落地的关键问题。

分布式AI系统软件解决了AI负载在云环境上高效运行的诸多问题，例如大模型推理服务的快速伸缩、负载均衡、PD分离、历史缓存加速，强化学习的多模型任务高效调度、训推参数快速切换，训练任务高可用，AI Agent的快速安全执行等。在企业落地实施上，通常一方面对现有的各种系统比如微服务系统进行增强，另一方面针对具体场景构建ad hoc的解决方案，基础能力难以跨场景复用。

本次分享以一种全新的解决思路，以分层架构构建分布式AI系统软件，统筹考虑大模型推理、强化学习、分布式训练、Agentic AI等场景的分布式系统软件优化诉求，有效一站式地解决这些问题，并在企业落地过程中取得良好的实践效果。

〇 分享收益 〇

目标：

1、了解大模型推理、强化学习、分布式训练、Agentic AI对分布式系统的主要技术诉求

2、了解将大模型推理服务的弹性伸缩速度从分钟级优化到秒级、构建PD分离的大模型推理系统、以及实现X千卡高效强化学习调度的落地实践

成功要点：

采用分层架构构建分布式AI系统软件，基础部分能力通用性很强，通过扩展支持大模型推理、强化学习等多种场景，不但可以有效地实现软件复用，而且非常适合Agentic AI这种多样负载共存的场景。

启示：

构建分布式AI系统软件，可以有效解决在大规模集群上运行分布式AI负载时面临的性能、成本、效率等问题。

〇 分享亮点 〇

1、分享分布式AI系统软件的整体框架

2、大模型推理实践：弹性伸缩、负载均衡、PD分离等

3、强化学习实践：训推全异步调度、参数重排、推理采样动态负载均衡等

4、AI Agent实践：安全沙箱快速启动、高并发异步调度等

5、分布式训练实践：分片CKPT快速保存/恢复

6、QA

〇 分享简介 〇

过去几年，随着大语言模型和 AIGC 领域的跨越式发展，人工智能正在迅速改变世界，并极大的推动了 AI 分布式训练和推理技术，以 GPU 为代表的智能算力正在逐渐成为 AI 领域不可或缺的一部分。随着 AI 模型变得越来越复杂，上层AI 应用和框架层出不穷，对 GPU 以及大规模 GPU 集群的需求只会越来越高。构建大规模、稳定性的 GPU 集群是现代企业所面临的新的关键性问题。

提升训练效率、降低成本、保障业务连续性等大模型时代的命题，帮助企业通过实时监测GPU利用率、带宽和日志刷新率等指标，可快速定位性能瓶颈（如通信异常或硬件故障），实现秒级恢复，避免单节点故障导致数百台GPU空转。智能诊断系统来精准定位故障节点，减少人工排查时间。基于LSTM模型预测GPU故障（准确率92.3%），动态调整算力分配，避免因突发流量导致的响应延迟。诸多技术难点，都将有足够的集群策略管理和应对。

本次分享将基于大规模GPU 智算集群下， 通过云原生方式对 GPU 智算集群进行统一管理，涵盖故障检测，故障告警，故障自愈，可观测，profiling 等手段提升智算集群的稳定性建设，帮助企业构建高效稳定的 GPU 训练与推理集群，提高模型训练效率保证有效训练时长，增强模型推理服务的稳定性。

〇 分享收益 〇

目标：

1、了解全方位覆盖GPU 等场景故障检测项

2、通过可扩展的交互协议，以及故障告警通知，构建完善的从故障发现，到自愈，以及上层业务平台感知处理的自愈体系。

3、提升大规模GPU集群的资源使用率，有效提升训练时长。增强模型推理服务稳定性。 

成功要点：

实现大规模GPU集群的故障快速恢复处理，提升集群管控面稳定性，可根据具体业务运行情况，执行用户授权的自愈恢复操作，从而建立完善的 GPU 故障应对机制和备份方案，保障计算资源的稳定运行，构铸强大智算底座。

启示：

构建强稳定、故障快速恢复的大规模 GPU 集群，有利于提升资源使用率，增强企业竞争力、缩短产品上市时间、降低运营成本，确保高可用性和可靠性，支持未来扩展和技术演进。

〇 分享亮点 〇

1、云原生Kubernetes 容器支撑智算底座

2、异构资源统一管理

3、GPU 可观测，以及故障自愈处理

4、AI Profiling 问题排查

5、QA

〇 分享简介 〇

随着 AI 浪潮的席卷，企业对 GPU 的需求日益增长，随之而来的 GPU 资源成本也持续攀升。在多样化的 AI 应用场景和不断演进的 AI 框架下，构建一个能够灵活支撑各类业务、实现高效 GPU 资源利用的平台，成为企业需解决的核心问题。企业不仅要关注 GPU 的供给与调度，还要思考通过云原生技术，实现资源的弹性分配与精细化管理，提升整体算力利用率，降低运维和成本压力。

GPU 的使用场景与传统的 CPU 存在本质差异。在 AI 平台的实际应用中，算法团队、产品团队和工程团队对 GPU 资源的需求各不相同。在模型训练和推理等不同场景下，不同的推理模型框架下，GPU 的使用方式和资源分配策略也存在明显差异。实现这一目标，需要平台具备灵活的资源调度能力、精细的权限与配额管理，以及对不同业务场景的深度适配，从而为企业的 AI 创新提供高效、可持续的算力支撑。

本次分享将重点探讨 GPU 资源的精细化调度运营、资源提效与配额管理。在满足企业内部多样化业务需求的基础上，如何进行 GPU 混部，资源超卖，此外还将结合 Serverless 技术，将未被占用的 GPU 资源通过分时包月、按量计费等方式对外公网售卖。充分利用闲置资源，为企业有效降低算力成本。

〇 分享收益 〇

目标：

1、基于 Kubernetes构建云原生AI平台。

2、了解企业不同业务场景的GPU使用情况。

3、构建实现推理、训练复用体系。

4、利用Serverless构建GPU内网外分时售卖体系，提升GPU利用率，提升企业收入。

成功要点：

根据不同业务的GPU使用特性，对GPU构建专属资源、潮汐资源、弹性资源体系，充分利用GPU空闲资源，提升企业利润。

启示：

GPU使用特征与利用率提升方式，与CPU有显著不同，充分了解业务特性，才有利于构建适合GPU的利用率提升方案，让GPU得到充分利用，降本增效。

〇 分享亮点 〇

1、 基于Kubernetes构建云原生AI平台。

2、 GPU 配额体系管理介绍。

3、 GPU 资源分级介绍。

4、利用Serverless技术，实现内外部用户分时复用GPU资源。

5、QA

〇 分享简介 〇

企业拥抱 AI 浪潮，面临大模型接入混乱、安全合规风险高、多模型管理复杂、传统业务与 AI 服务割裂等核心挑战，亟需统一治理中枢。兼具传统API治理能力与AI专用扩展的演进型网关，成为企业混合架构首选。

独立 AI Gateway 市场萎缩，传统 API Gateway通过插件扩展 AI 能力，形成“AI+API”统一治理中枢，融合架构对企业极大降本。AI Gateway 会经历从“连接器”到“智能编排中枢”的定位转变。Token 级请求管理控制，MCP 为代表的协议标准化，将成为 AI Gateway 核心必要能力。APISIX 团队基于云原生网关技术沉淀，提出 “AI Gateway” 架构理念，将 API 治理能力延伸至 AI 领域，实现从“学习使用 AI”到“搭建 AI 中枢”范式升级。

本次分享将系统解析 APISIX AI Gateway 如何助力企业构建 AI 中枢，通过统一网关解决安全、可观测、流量调度及传统业务融合问题，推动 AI 原生基础设施建设。

〇 分享收益 〇

目标：

1、了解行业标准化 AI 服务治理框架，为企业安全可控的 AI 应用创新提供保障。

2、了解企业搭建 AI 中枢、统一管理多个大模型常见的解决方案

3、了解企业选择开源产品统一治理 API+AI 流量，洞悉 AI Gateway 发展趋势。

成功要点：

1、 技术整合：以云原生网关为底座，无缝扩展 AI 治理能力（如 LLM 鉴权、敏感词过滤）；

2、统一管控：支持多模型动态路由与自动降级，提升服务韧性；

3、生态兼容：通过 MCP 协议一键集成传统 HTTP 服务，打破技术孤岛。

启示：

企业通过轻量化 AI 中枢实现“模型即服务”，在保障合规性时更多帮助企业提升资源利用效率，释放 AI 规模化价值。

〇 分享亮点 〇

1、 AI 落地困局：企业多模型管理混乱、安全合规缺失；

2、 APISIX AI Gateway 核心能力：安全防护/多模型调度；

3、MCP 协议实战：传统应用秒级接入 AI 服务；

4、开源生态共建：AI Gateway 与云原生社区协同进化路径。

5、QA

〇 分享简介 〇

随着Agentic AI的发展，AI智能体正在带来一场被形容为与互联网出现同等重要的技术变革。AI智能体极大的扩展了AI的能力边界。通过多任务编排和操作外部工具，AI智能体可以解决复杂问题、重塑现有工作流程以及为各行各业创造新的可能性。AI智能体已经开始从根本上改变人们的工作和生活方式。

在 Agentic AI 的工作流程中，AI智能体自身需要有一个安全，稳定，高隔离性的运行环境。同时，AI 智能体需要调用各种外部工具来扩展其能力边界，这些工具也需要合适的运行环境。而选择合适的计算服务（如虚拟机，容器，函数计算，MicroVM 等）以承载这些工具，是大规模推广 AI 智能体的前提条件。

本次分享将以亚马逊云科技计算服务和开源技术举例，通过 AI Agent 和AI 工具（如 MCP 服务器）的运行环境选择，以及涉及AI Agent 和 MCP 服务器的运行环境需求，常用的计算服务（容器，函数计算，MicroVM），包括利用计算服务部署 AI Agent 和 MCP 服务器的最佳实践和快速上手解决方案，全面帮助开发者灵活部署 AI Agent 和工具。

〇 分享收益 〇

目标：

1、了解到AI Agent和 AI 工具（如 MCP 服务器）的部署最佳实践

2、了解本地部署和云端部署的区别，以及如何选择正确的部署方式，更好的应用大规模部署

成功要点：

1、AI应用会逐步从开发人员本地部署转变为大规模云端部署，需要准备基础设施以适应这一趋势。

2、不同的AI应用和工具需要使用不同的基础设施，需要灵活选择计算服务以适配不同场景的需要。

启示：

企业应摒弃单一计算模式，依据不同业务场景需求，借助多样化计算平台灵活部署 AI Agent 和工具，以此提升业务处理效率、降低成本，增强自身在市场中的竞争力与适应性。

〇 分享亮点 〇

1、分享AI Agent 和工具的云上部署

2、分享AI Agent运行沙箱和计算平台需求

3、分享MCP 服务器部署方式和计算平台需求

4、分享常见的计算服务（容器，函数计算，MicroVM）

5、AI Agent 和 MCP 服务器在亚马逊云科技计算服务的部署实践

6、QA

〇 分享简介 〇

随着移动端传感器成熟、模型小型化与芯片算力跃升，端智能已具备落地基础。凭借其低成本、低延迟特性构筑差异化优势，已然成为头部科技企业的关键命题。

在传统场景中，字节跳动通过端云协同探索出可行路径，以感知智能领域以终端实时能力填补云端延迟短板，平衡体验与成本；数据智能领域则迁移部分云端推荐系统至终端，优化推荐效果、用户触达与应用体验。同时，针对端云协同的高门槛，可以构建端智能基建体系，标准化研发流程、提升迭代效能。

本次分享面对大模型浪潮，进一步探讨端侧LLM与Agent的业务应用挑战、演进思路。旨在帮助与会者，建立对终端优势的体系化认知，解析端云协同的落地方案，让企业找到结合业务需求规划适配最优路径。

〇 分享收益 〇

目标：

1、系统性理解终端与云端在数据、算力场景上的异构性本质，明确二者在能力和场景上的边界与分工协同逻辑。

2、借助标准化基建实现高效协同落地。

成功要点：

1、通过任务间与任务内的精细切分，以有限精度损失和可控成本增长，实现对价值/延迟敏感型场景的覆盖，进而提升业务变现效率与用户体验。

2、依据数据敏感性与传输成本，调整处理位置，以及处理终端原始隐私数据（设备/行为日志），云端聚合脱敏特征，均可通过联邦学习实现合法数据价值释放，规避合规风险。

3、依托端智能基建适配端云团队的协作边界，从而控制端云协同的复杂性，继而通过标准化机制保障服务稳定性下限，借助自动化工具链提升研发效率上限，可显著缩短方案落地周期。

启示：

终端作为承载用户实时交互、沉淀原生数据的 “近场节点”，其低成本、低延迟的特性已成为挖掘差异化优势的关键。能否通过端云协同充分释放终端潜力，将是头部科技企业在智能时代构筑竞争壁垒的核心命题。

〇 分享亮点 〇

1、分析端云协同的现在式

1) 端智能的三要素：数据、算力、模型

2) 感知智能中的端云协同

3) 数据智能中的端云协同

4) 端云协同的意义：智能与体验的平衡

5) 效能优化：Pitaya 端智能基建

2、分享端云协同的未来

1) Scaling Law 的影响

2) SLM 应用场景与部署挑战

3) 边缘 Agent 的现状与前瞻

3、QA

〇 分享简介 〇

随着人工智能特别是大模型技术的不断演进，数据已经成为推动模型训练和推理性能持续跃升的核心要素之一。数据规模的指数级增长，叠加对实时处理能力和成本敏感性的提升，使得传统存储架构在灵活性、性能和可管理性方面面临前所未有的挑战。与此同时，Kubernetes 已成为 AI 工作负载调度和资源编排的主流平台，带动了“云原生 + AI”架构的加速融合。

在这一背景下，完成对海量 AI 数据的组织、调度和共享，已经成为行业内普遍关注的问题。对于上万个 Pod 的大规模业务，企业在存储消费方式上选择各异——有的使用 CSI，有的依赖 Fluid，有的通过 hostPath 直连以满足特定的管理需求。然而，不同方案在可扩展性、性能瓶颈与后期架构演进上的差异显著，如何在灵活性、性能和可维护性之间取得平衡，已成为设计 AI 数据基础设施时的关键价值点。

本次分享将深入剖析对象存储与传统文件系统在云原生环境中的适配局限，分享 JuiceFS 面对Kubernetes 中海量存储规模的挑战，并结合生产级案例，探讨通过自动化配置、多级缓存、观测性增强等手段，提升大规模集群下的资源利用率和系统稳定性。为正在构建 AI 数据基础设施的开发者与架构师，提供可落地的技术路径与架构参考。

〇 分享收益 〇

目标：

1、探讨大规模 AI 训练中的存储挑战，以及在 Kubernetes 环境中企业可能面临的存储问题。

2、了解现有存储方案的优缺点，帮助企业更好地选择适合的存储架构。

3、了解业界私有云、混合云及公有云托管的 Kubernetes 平台，可将 JuiceFS 集成项目、部署在云环境中，JuiceFS 发挥了云原生环境的基础设施和软件架构的最大价值。

4、了解AI数据存储实践，以多个大规模集群的生产环境，促进整个社区的技术共享与进步。

成功要点：

云原生方式只是 JuiceFS 的一种客户端消费模式，与宿主机进程、S3 网关、SDK 等方式并行存在。完全开源的策略吸引了大量社区用户共同使用与优化，将实践经验不断回馈社区，形成了正向循环，推动了项目快速迭代与广泛落地。 

启示：

在大规模 AI 存储云原生实践中，面对不同形态的业务有多种接入的方式，不能只谈最佳实践，也要契合企业本身的现状。而JuiceFS更多的价值在于基于统一的存储底座，灵活适配多种接入模式，使架构既能契合业务特点，又能在演进中保持性能与可扩展性。

〇 分享亮点 〇

1、AI 训练关键场景的 I/O 模式与存储挑战

2、Kubernetes 环境中的大规模数据集群存储挑战

3、JuiceFS 及其 CSI Driver 的架构设计

4、案例： Kubernetes 集群运维实践

5、QA

〇 分享简介 〇

当前数据和计算实时化是整个业界的趋势，自然的证明了可以产生极大的业务价值。在实时计算方向，Flink 为事实标准，也广为业界采用。为了支持丰富的业务，Flink 引擎的优化对大规模应用是不可或缺的。业界上主流趋势为流批一体，Iceberg 作为数据湖存储的事实标准被广泛用于流批一体的建设。尤其伴随越来越多的业务接入实时数据，已经采用实时数据的业务也在将更多的场景迁移到实时计算上，在降本增效的背景下，资源持续紧张已经成为常态，在这种情况下，业务特别是高优业务要求的稳定性成为一个日益严重的挑战。

基于上述背景，我们认为应该充分跟随业界的技术趋势，并结合B站的实时计算的现实和环境，从业界引入新的技术和架构设计，并充分吸收，来解决业务面临的痛点，充分发挥基础架构对业务的支撑作用。

本次分享将结合Flink 引擎建设、基于 Iceberg 的流批一体建设、稳定性保障建设等方面，帮助大数据从业者深入了解和洞悉计算实时化的最新突破和研究，为业界的实时计算方向和技术发展提供一定的参考。

〇 分享收益 〇

目标：

1、掌握B站实时计算体系架构与落地方法

2、洞悉B 站在 Flink 引擎建设、流批一体实践和稳定性建设方面的技术细节。

3、了解B站在云原生（Flink on Kubernetes）领域的探索，为技术选型与架构升级提供前瞻性指导。

成功要点：

立足 B站实时计算现实，充分利用业界的最新技术，通过技术优化，架构设计，解决实时计算面临的痛点，为业务创造价值。

启示：
通过系统性理解并精准应用新技术、新架构，结合企业实际业务场景与痛点需求，构建技术落地闭环。将技术创新与业务目标深度绑定，以场景化实践驱动技术迭代，可最大化对基础技术业务增长、效率提升与用户体验优化的核心价值，实现技术投入与商业回报的良性循环。

〇 分享亮点 〇

1、B 站实时计算介绍

2、实时计算痛点和需求分析

3、B站Flink 引擎维护和优化实践

4、B站流批一体建设实践

5、B站实时计算稳定性建设实践

6、未来规划

7、Q&A

〇 分享简介 〇

在AI原生范式的战略目标下，厘清 MCP与 Vibe Coding 的能力边界，借助AI大模型能力，更加合理地设计端到端的数据流水线，是实现“数据即算力”新愿景的关键。

 火山引擎 AI 数据湖 LAS（Lake for AI Service），将大数据技术沉淀，融入 AI 场景，其在MCP与Vibe Coding领域结合行业深入的数据探索，可解决用户使用大数据产品的诸多难题，自由拼装出符合业务需求的数据流水线。重塑了从数据摄取、治理、特征工程到模型训练、推理、迭代的整条价值链，让数据科学家和算法工程师第一次可以用“搭积木”的方式自由拼装端到端的数据流水线。助力上游模型训练与应用落地，成为新时代的AI原生解决方案。

本次分享将深入拆解 以 AI 原生视角重塑数据价值链，从异构数据秒级入湖、Serverless 弹性计算、到基于 MCP 的可观测，最终让数据流水线像调 API 一样简单。同时，展望 AI 数据湖在AI大模型时代的演进蓝图。

〇 分享收益 〇

目标：

1、了解AI时代下多模态数据处理的新方案

2、了解LAS结合MCP技术在数据管理、数据处理、模型训练上的实践

成功要点：

大语言模型与数据增强技术的深度耦合显著加速了大数据处理范式在AI系统研发场景的工程化落地，同时，模型驱动的数据反哺机制重构了数据治理与价值闭环。

启示：

作为构建AI Coding（智能编程）的底座，全栈数据管理将推动开发者生态向更实时、更开放的方向演进，决定数据处理平台能否在《代码即数据》时代持续保持高可用。

〇 分享亮点 〇

1、背景：AI时代带来数据存储、管理、计算的变革

2、面向AI时代的数据湖整体方案：LAS与Vibe Data Processing

3、Vibe Data Processing技术架构

4、MCP 技术方案与链路

5、DEMO_PROJECT如何与IDE深度融合

6、一站式数据管理与数据处理解决方案

7、MCP x DATA技术与业务生态展望

8、演示如何使用

9、QA

〇 分享简介 〇

在企业数字化转型加速的背景下，金融企业经营在由产品销售视角转向客户经营视角的同时，普遍面临数据分散、标准不统一、应用场景割裂等挑战。传统数据管理模式难以支撑精准客户画像、智能运营决策、场景化产品创新等需求，业务增长诉求与数据应用之间的矛盾日益凸显，亟需构建标准统一、高效智能的数据支撑体系。

寻找数据价值之路亦是不断探寻数据与业务场景结合点的过程，数据中台化、数据应用最终离不开业务价值这个锚点。

本次分享基于微众银行企金数据集市真实案例，解析在金融领域背景下的数据底座建设和业务应用过程，同时对AI技术与数据研发、数据应用的结合实践进行探讨，帮助从业者更深的获取数据价值。

〇 分享收益 〇

目标：

1、了解数据底座与数据应用的设计和研发实践

2、了解在金融领域下的数据应用案例

3、探讨AI对数据研发和数据应用的赋能

成功要点：

实现从业务数据服务化到数据服务反哺业务的闭环，是企业数据底座与应用落地的关键。

启示：

企业数据应用的核心是寻找业务价值锚点，以此为指引，深度挖掘数据潜力，将数据转化为切实可行的业务策略与行动，助力企业实现高质量发展。

〇 分享亮点 〇

1、数据集市建设背景与挑战

2、数据底座与应用介绍

1）数据集市设计范式

2）标签和指标体系介绍

3）业务数据应用-以客户智慧经营为例

3、数据质量治理实践

4、大模型时代背景下的数据应用

5、QA

〇 分享简介 〇

随着大模型技术的兴起，AI 工程技术的发展如火如荼，如 RAG、AI Agent 等。同时大模型训练对大数据工程提出了更高的要求，如数据仓库、数据湖等。

Apache GeaFlow 作为行业唯一的流图引擎，为企业未来大规模实时知识图谱的构建与分析提供了关键技术基建。同时， Chat2Graph 作为首个图原生智能体系统，增强了传统图计算系统的智能化水平。结合两者的优势，为当下 GraphRAG 技术中图谱规模受限、数据实时性偏低、推理能力不足等问题提供了新的解决思路。

本次分享深入探讨流图引擎 GeaFlow 和 图智能体 Chat2Graph 的系统设计和技术原理，以及流图 Agent 的应用解决方案，并探索「Graph + AI」融合技术的更多可能。

〇 分享收益 〇

目标：

1、了解流图计算引擎的设计与原理

2、了解图原生智能体核心设计

3、了解Graph + AI 技术结合思路

成功要点：

1、图计算基建对 AI 工程、数据湖等领域有深远价值。

2、善用符号主义，能为 AI 推理效果提升带来新思路。

启示：

Less Structure, More Intelligence; More Graph, Less Hallucination.

〇 分享亮点 〇

1、Apache GeaFlow 流图计算原理

2、Chat2Graph 图原生架构设计

3、流图 Agent 的构建与应用

4、Graph + AI 未来展望

5、QA

〇 分享简介 〇

大模型作为AI领域的一次重要突破，带来了一种新的技术变革趋势，而企业级的智能体成为大模型应用的主流形态，各类场景化的数据垂类Agent将成人类的工作伙伴。通过数据智能体可以把数据资产、知识体系、决策规则进行整合从而构成独特的技术护城河。

众安作为金融企业，首先需要考虑的就是数据的安全性，随着DeepSeek的横空出世，借助本地化的DS可以解决金融机构的数据安全问题，从而可以加速AI的快速落地，而为企业数据决策服务的数据智能体首当其冲，DataAgent实现大模型，数据，平台，分析能力的融合，通过自然语言处理实现了普通用户与复杂数据的无缝交互，能够通过意图识别理解用户需求，借助大模型自动生成数据查询语句，使用数据平台获取数据，成为易于理解的方式展示结果。

本次分享深度解析DataAgent在众安的数据应用实践，以完整链路、关键技术点，全面剖析使用AI降低数据使用门槛，释放数据价值，帮助千行百业的企业沉淀分析经验。

〇 分享收益 〇

目标：

1、了解数据智能体搭建的完整链路

2、了解做好数据智能体的核心能力

3、了解在金融领域下的AI应用案例

成功要点：

找准问题导向的核心场景，依托高质量知识库提升取数准确性；引入Prompt优化机制，构建可控、可调、可迭代的机制是企业数据智能体落地的关键。 

启示：

拥有LLM 不等于有智能体，关键在于是否把“LLM能力+数据知识库+执行工具”整合成完整闭环，Prompt工程、任务规划、执行链路设计都是产品工程能力，初期回答不准是正常的，但要有机制实现数据飞轮。

〇 分享亮点 〇

1、数据智能体的架构思路

2、数据知识库的落地方案

3、关键数据场景实践案例

4、QA

〇 分享简介 〇

在数据基建中注重数据与模型的紧密结合，根据模型的需求进行数据的预处理、特征工程等操作，会使数据更好地适配模型训练和推理，提高AI应用的性能和效果。服务化的数据基建有着预先构建好的组件和功能模块，便于搭建数据处理和存储的基础架构，可快速获取所需的数据资源并开展应用开发，大大缩短了项目的开发周期，使AI应用能够更快地进入市场。同时，将复杂的数据操作封装成服务，简单API调用，降低开发的技术门槛和难度，使开发者能够更专注于业务逻辑和AI模型的开发，提高了整体开发效率。

AI原生应用演进呈现两阶段特征：初期通过实时多租户服务获取海量用户，对数据库的并发、隔离、成本提出挑战  ；成熟期则利用积累的海量向量数据训练模型、构筑壁垒，需要PB级数据处理能力，都大大超出了传统向量数据库的设计范畴。Zilliz视其为连续的“数据基建服务化”过程  。Milvus正在演进为同时支持从大规模多租户的在线计算引擎，也能够作为向量数据湖助力产品迭代，以统一架构支撑AI应用全生命周期。

本次分享将剖析Milvus通过云原生架构、创新的多租户解决方案及向量数据湖技术为AI应用提供服务化、可演进的数据基础设施。让企业获得践行落地的多租户方案设计模式与性能调优方法实践。

〇 分享收益 〇

目标:

1、通过向量数据库的演进，了解AI应用全生命周期的“数据基建服务化”。

2、了解向量数据库作为未来AI技术栈核心支柱的演进趋势。

3、通过架构优化大幅提升系统稳定性与效率，了解支撑大规模实时计算服务的关键架构设计与工程实践。

4、通过真实案例讲述从在线计算到离线查询的数据服务化场景。

成功要点:

1、面向大规模模型训练的“向量数据湖”设计理念，可开放架构与大数据生态集成，平衡成本与性能。

2、服务化的数据基建有利于促进产业链上下游企业之间的协作和创新。通过开放的数据接口和共享平台，不同企业可以共同参与到数据生态的建设中，实现资源共享、优势互补，共同推动AI技术在各行业的应用和发展，加速产业的数字化转型和升级

启示:

1、数据基建服务化优化资源、促进数据的共享和资源的复用。不同应用可以共享同一数据基建服务，避免了重复建设和资源浪费，提高了数据的利用率和价值。也方便了企业内不同部门之间的协作和数据流通，打破了数据孤岛，提升了企业的整体运营效率。

2、帮助企业避免后期昂贵的架构重构，构建统一与可演进的AI数据平台，支撑业务从实时服务到模型训练的平滑过渡，让企业获得践行落地的多租户方案设计模式与性能调优方法实践。

〇 分享亮点 〇

1、向量数据库简介

2、AI原生场景的数据服务化生命周期：从在线到离线

3、多租在线计算场景带来的挑战

4、向量湖应对海量模型训练数据

5、复杂的搜索方式和DataModel解决多模态难题

6、QA

〇 分享简介 〇

企业数据量增长和降本增效的背景下，构建稳定高效和智能化的离线计算引擎已成为大数据基础设施的核心竞争力。云原生、慢任务的根因诊断和优化，正成为离线引擎发展的关键挑战和共同趋势。面对上述业务和趋势带来的挑战，企业应意识到，在实践中，SQL Shuffle的性能和稳定性瓶颈制约云原生落地，慢任务诊断高度依赖专家经验并且效率低下。

 因此，企业选择深度参与开源生态和自主创新的策略，一方面，参与社区Apache Uniffle项目的开发，主导和贡献了其中的Tez模块代码，推动高性能Remote Shuffle服务的成熟与落地，为云原生落地扫清关键障碍。另一方面，自主研发智能诊断系统，彻底变革传统依赖人工的低效诊断模式，在夜间核心任务OnCall、白天每日止血、日常用户答疑等场景显著节省人力成本并提升运维效率。这些都代表了企业在解决行业共性痛点上的深度思考和落地实践。

 本次分享货拉拉在离线引擎发展历程中，Remote Shuffle的设计理念和落地实践，自动诊断的核心技术和最佳实践。为同行提供可借鉴的落地经验和方法论。

〇 分享收益 〇

目标：

1、了解货拉拉离线引擎的发展历程，以及期间遇到的痛点和解决方案。

2、了解Remote Shuffle在离线引擎的落地，以及技术难点和技术细节。

3、了解AI与自动诊断的结合和落地实践，以及方案的思考和AI使用场景。

成功要点：

1、通过与Apache Uniffle社区共建实现Tez Shuffle功能，既站在巨人肩膀上避免重复造轮子，又回馈代码方案促进社区发展，更重要的是通过技术创新实现Tez模块。

2、企业的自研创新需结合公司业务痛点，自研慢任务诊断系统，来提升诊断和工作效率，可改变依赖人工专家经验的低效运维模式。

启示：

聚焦公司降本增效的目标，采取社区共建与创新自研的方式，既避免重复造轮子，又发挥技术专业能力，加速离线计算引擎的升级迭代。

〇 分享亮点 〇

1、业务背景

1）分享货拉拉大数据和离线引擎框架

2、. 建设实践一：Remote Shuffle Service

1）解析项目背景

2） 分享建设过程：和Apache Uniffle社区共建、代码开发

3、建设实践二：自动诊断

1） 分享项目背景和痛点

2）分享项目自研过程、架构等技术细节（和AI结合）

3）分享项目上线收益和业务价值，供同行参考引擎演进方向。

4、QA

〇 分享简介 〇

长期以来，图形用户界面（GUI）始终是人机交互的核心，它通过直观的视觉驱动方式让人们访问数字系统并与之互动。随着大语言模型（LLM）尤其是多模态模型的出现，GUI自动化迎来了新时代。这些模型在自然语言理解、代码生成和视觉处理方面展现出卓越能力，为新一代具有LLM智能的GUI代理铺平了道路。

这类代理能够解析复杂的GUI元素，并根据自然语言指令自主执行操作，实现了人机交互的范式转变，用户通过简单的对话命令即可完成精密的多步骤任务。其应用范围涵盖网页浏览、移动端应用交互和桌面自动化等领域，彻底重塑了个人与软件的交互方式，带来变革性的用户体验。这一新兴领域正在快速发展，学术界与工业界均取得重大进展。

本次分享对具有LLM智能的GUI代理技术展开综述，深入探讨其演进历程、核心组件与前沿技术。通过整合基础知识与前沿进展，旨在为研究者和实践者提供指引，助力突破技术瓶颈，充分释放具有LLM智能的GUI代理的全部潜能。

〇 分享收益 〇

目标：

1、了解GUI Agents研究为行业带来的三重核心价值：

a) 交互革命：通过自然语言指令替代复杂手动操作，大幅降低软件使用门槛；

b) 效率跃迁：自主执行多步骤任务的能力将重构工作流程，显著提升人机协作效率；

c) 生态演进：推动从"人适应软件"到"软件理解人"的范式转换，为下一代智能操作系统奠定基础。

2、认识到GUI Agents将为人类社会带来实现数字普惠这一核心收益及其背后的巨大价值：显著降低的数字工具使用门槛，将使儿童、老年人、残障人群及技术薄弱群体都能平等享受数字化服务，从根本上推动数字包容性社会建设。

成功要点：

GUI Agents技术的广泛应用将促进公共服务智能化升级（如医疗、政务系统）、应急响应效率提升等重要社会应用场景的发展，最终构建更高效、包容、人性化的数字文明生态。

启示：

GUI Agents是人机交互和数字自动化领域的下一代范式革命，其价值在于“数字劳动力”属性，替代和辅助大量重复、繁琐、规则的计算机操作服务，从而在千行百业中释放巨大潜力。

〇 分享亮点 〇

1、分享GUI Agents的定义以及现有GUI Agents的框架模块和两大技术路线

1）基于提示的方法：利用大语言模型（LLM）执行指令驱动任务；

2）基于训练的方法：通过微调多模态模型适配特定应用，此外还将分享增强GUI Agentst性能的辅助技术。

2、 分享人近期GUI Agents相关的工作实践：UI-R1；

3、分享GUI智能体技术领域的几项关键挑战及发展演进方向，为推进GUI代理的技术发展提供重要见解。

4、QA

〇 分享简介 〇

近年来，大语言模型（LLM）取得了显著进展，为通用人工智能（AGI）带来了曙光。然而，纯文本信息难以涵盖人类智能的复杂性与多样性。为此，多模态大型语言模型（MLLM）应运而生，赋予模型感知和理解视觉信息的能力。目前，主流开源MLLM通常以预训练LLM和ViT为基础，分别通过索引嵌入表生成文本嵌入、通过MLP生成视觉嵌入，导致文本嵌入与视觉嵌入在结构上存在差异，影响多模态信息的深度融合。

针对这一挑战，阿里国际提出了新型MLLM架构Ovis。Ovis借鉴LLM的文本嵌入策略，引入可学习的视觉嵌入表，将视觉特征转化为概率化的视觉token，并通过多次索引加权生成视觉嵌入，从而实现视觉与文本嵌入的结构化对齐与高效融合。

本次分享将重点研讨Ovis的架构设计、训练策略、性能表现及开源进展，结合其在电商等典型业务场景下的应用案例，深入探讨Ovis在实际落地过程中的技术创新与挑战，并展望多模态大模型未来的发展趋势。给予AI从业者借鉴，共同推动智能化行业技术进步与创新实践。

〇 分享收益 〇

目标：

总结Ovis项目的核心理念和实践经验，为推动多模态AI技术的普及与落地提供有价值的参考。

成功要点：

1、架构创新：借鉴LLM的文本嵌入策略，设计可学习的视觉嵌入表，实现视觉与文本嵌入的结构化对齐。

2、分阶段训练：采用多阶段训练流程，充分利用大规模、多样化的数据集，逐步提升模型的多模态理解与推理能力。

3、开源与迭代：坚持持续开源和迭代，不断吸收社区反馈，完善模型能力，提升行业影响力。

启示：

有效的分阶段训练和数据策略，是提升模型泛化能力和实际应用价值的关键。持续开源、快速迭代及与社区共同成长，有助于技术的快速完善与行业生态的良性发展。

〇 分享亮点 〇

1、详细解析模型架构

Ovis通过创新的视觉嵌入表设计，实现视觉与文本嵌入的结构化对齐。

2、分享模型训练流程策略

Ovis的多阶段训练流程，以及如何构造多样化的训练数据，逐步提升模型的综合能力。

3、分享性能表现与典型模型能力：

展示Ovis在多个主流基准测试中的优异表现，同时呈现典型案例以直观体现模型能力。

4、开源情况与进展

Ovis从1.0到1.5、1.6、2.0的版本迭代历程及其开源情况。

5、QA

〇 分享简介 〇

视频理解作为当前多模态大模型应用的关键场景之一，在安防监控、体育赛事分析、教育评估及智能交通等领域具有重要的应用价值。业界当前主要聚焦于时空特征高效建模、动态冗余压缩、多模态CoT推理等核心技术方向。随着AI Agent的快速发展，Training-free方案与视频Agent的创新研究日益受到广泛关注。

当前，超长视频输入、多模态RAG融合与Agentic AI新范式带来的挑战，对视频理解技术的系统级优化以及多模态Infra在计算效率、资源优化等方面提出了更高要求。中兴通讯针对视频理解模型和智能体、配套Infra等技术领域持续深耕，通过系统性创新实现了从全栈技术突破到多场景落地的全链条最佳实践。其中，中兴通讯的技术实践主要包括下列三个要点：

（1）自研多模态大模型训练框架，支持多模态序列并行、样本packing等，从而推动模型的长视频理解能力提升；

（2）自研NebulaVideo大模型，支持视频时空定位等困难任务，可从小时级视频中精确定位事件与主体目标；

（3）设计与自研Agentic Video框架，结合开源推理大模型能力和自研的多模态RAG数据库与标准多模态Agent，免训练提升视频理解的精度和效率。

本次分享将探讨视频理解场景下，多模态大模型和相关智能体技术的算法与Infra的发展历史、技术演进趋势与中兴通讯的研发优化和应用落地的实践。

〇 分享收益 〇

目标：

1、梳理视频理解任务在多模态大模型发展过程中的关键技术价值。

1、探讨过去视频理解的技术挑战与关键突破，并指出未来可能的研究趋势。

成功要点：

在多模态训推Infra领域不断优化下，多模态大模型SFT、强化学习和Agentic AI等算法方向持续的创新，才得以发展出一套成熟的面向视频理解的多模态算法与应用框架。

启示：

推动视频理解能力提升，要从数据构建与结构化、模型架构与训练推理范式演进、训推Infra加速和应用场景赋能等多个方面协同创新。

〇 分享亮点 〇

1、视频理解任务的核心价值与发展历程

2、多模态大模型处理视频的范式发展与对比

3、中兴在视频理解算法及Infra上的技术实践

4、中兴在视频理解场景的行业应用实践

5、视频理解技术趋势与展望

6、QA

〇 分享简介 〇

随着大模型技术的突破，智能交互系统在技术层面实现了显著革新，相关应用领域进入了爆发式增长阶段。以DeepSeek、通义千问、豆包等为代表的前沿实践，不仅推动了多模态模型在语义解析和跨模态对齐方面的能力跃升，更通过多模态感知与生成技术的融合，为扩展大模型的应用边界提供了新机遇。

多模态大模型对互联网领域的大量多模态数据（如图像和文本），进行处理，衍生了大规模图像、文本对齐的需求。传统跨模态CLIP模型虽在全局语义对齐上表现优异，却难以捕捉图像与文本中局部细节的微妙差异（如纹理、姿态、属性关联），这限制了其在互联网图文检索、开放世界目标检测、细粒度理解等领域中的广泛应用。

本次分享将探讨细粒度图文对齐方法，包括模型结构设计、数据构建、特征工程等，并展示其实验结果与可视化分析，验证其在图像文本检索、开放世界目标检测等任务中的优越性能。为AI从业者更好的探索深层次的多模态理解。

〇 分享收益 〇

目标：

1、了解多模态理解的技术现状

2、学习细粒度图文对齐的方法解析

3、结合行业场景案例分析，学习评估和改进现有的多模态模型，提高在下游任务中的性能。

成功要点：

利用多模态大模型反哺跨模态图文对齐能力，通过多阶段多层次数据训练提升模型细粒度多模态能力

启示：

细粒度多模态理解是互联网搜索、智能监控场景下的一个未来趋势，通过与最新的LMM技术结合衍生的跨模态基座模型是实现这一目标的核心方法。

〇 分享亮点 〇

1、细粒度图文对齐的模型方法

2、基于基于大模型的长描述样本生成：从“短文本”到“细粒度语义”

3、高质量区域对齐与难细粒度负样本工程：从“简单对比”到“语义区分”

4、实验成果验证与多维可视化洞察

5、QA

〇 分享简介 〇

多模态大模型在垂直领域中的应用趋势呈现出多元化和深入化的特点。以往文本大模型结合行业知识库、模型微调、提示词工程等低成本技术，推动了垂直领域的轻量化应用。同时，视觉和语音模态的突破更拓展了应用的边界，多模态大模型正加速融合语音、视觉能力，驱动交互升级，在营销、智能客服等场景催生出丰富多样的交互体验。与此同时，轻量定制化设计的引入，则为医疗、司法等高专业性领域精准赋能。

在语音模态上，尤其是随着GPT-4o等模型的发布，语音大模型迎来爆发式增长。众多企业在探索应用时，都普遍存在一个核心痛点：突破“闲聊”的局限，将语音大模型技术能力真正落地到具体的垂直行业场景中，解决业务难题、创造实际价值。企业可聚焦语音大模型三大核心能力：识别、合成、理解与对话，进行了深入的行业场景实践探索，通过具体项目验证了可行性，积累可复用的落地方法与实践经验。解决语音大模型行业难点。

本次分享将聚焦语音大模型这“三大能力”展开，深入探这些能力赋能于不同行业的具体业务场景，并结合实践经验，着重分析落地过程中面临的关键挑战、风险与可行的解决思路，为构建可落地、有价值的行业语音智能应用提供一些专业性参考。

〇 分享收益 〇

目标：

1、了解当前端语音大模型几种关键形态和核心功能

2、在端到端语音大模型范式下，在实际项目中高效落地相关方案;

成功要点：

1、识别大模型可实施热词、可定制领域语言模型，有效解决识别大模型定制成本高的特点。

2、Multi-Token Prediction：通过多token预测技术提高语音合成大模型的预测速度，降低部署成本。

3、主语种和少量语料其他语种数据交叉混训，充分利用基模的语言迁移能力。

启示：

模型可实施，可定制，可迭代仍是行业应用的关键要素，在端到端模型的基础上可以沿用部分之前传统方案来辅助，均需要从业务需求充分挖掘基座模型的潜在能力，方可构建专业完美模型。

〇 分享亮点 〇

1、分享语音大模型当前演进方向与趋势

2、语音识别模型应用实践

通过语音识别大模型提升销售效率，结合传统识别技术助力语音识别大模型高效落地实施；

3、语音合成大模型与应用实践

以AI销售对话场景为例，展示语音合成大模型打造沉浸式购物体验，减少语音合成大模型的部署成本；

4、语音对话模型应用实践

结合多方言翻译软件场景，探讨语音对话大模型的应用价值、端到端实施的痛点及优化思路。

5、QA

〇 分享简介 〇

多模态大模型教育落地作为当前行业最具挑战也最具价值的场景之一，其技术演进正深刻重塑“教-学-评”全链路。业界当下聚焦于模态对齐、跨模态推理与隐私计算三大硬核方向；随着通用智能体（Agent）的兴起，Training-Free 自适应与边缘-云协同架构正成为突破算力与合规瓶颈的关键。

超长序列同步、多模态RAG 检索与 Agentic AI 的新范式，对教育场景的实时性、准确性及合规性提出系统级挑战。已形成从算法、框架到 Infra 的全栈闭环实践，核心提炼为三大要点：  

1. 基于 DeepSpeed 的训练框架：在 DeepSpeed ZeRO-3 与序列并行基础上，自研异构对齐、差分隐私训练插件，显著降低推理和合规成本；  

2. 以 Phi 为基座的大模型：在 Phi-3.5-vision 之上引入 Cross-Attention 细粒度对齐与 RAG-Plugin，可在超长图文上下文基础上在特定领域实现高可信度易用；  

3. Edu-Copilot Agent：零训练集成 Edu-Copilot 与校内边缘知识库，通过链式 CoT 与多模态工具调用，实现“自动化备课-个性化授课-自动评测”全链路自适应。  

本次分享将系统回顾多模态大模型在教育场景下的算法-Infra 协同演进，并深度解析从核心技术攻关到真实课堂规模化落地的全链条最佳实践。

〇 分享收益 〇

目标  

1. 用技术视角梳理在多模态大模型演进中的关键价值与拐点。  

2. 复盘过去多模态理解的技术挑战与关键突破，尤其是低容错场景下的引用优化，给出下一步可落地的研究路线。  

成功要点  

在 DeepSpeed ZeRO-3  序列并行、差分隐私 CUDA kernel 等训推 Infra 持续优化下，才让 Phi-3.5-vision 的 SFT、强化学习与 Edu-Copilot Agentic AI 的算法创新，真正在课堂场景跑通“长视频-长文本-多传感器”一体化闭环。  

启示：  

多模态Agentic 教育领域成功落地，需要打通一个端到端的闭环，这个闭环始于将原始多模态数据转化为可解释、安全的训练集的数据工程，贯穿于对Phi+Cross-Attention架构、训练及推理范式的持续迭代，并依赖于边缘-云混合基础设施的加速，最终以教师端Agent这类应用的成功落地来检验其价值。 

〇 分享亮点 〇

1、从“智能批改”到“全链路 AI 助教”的演进：长序列、多模态、合规性

2、典型方案对比：：BERT-ViT、BEiT-3、GPT-4V、Phi-3.5-vision、Edu-Copilot 架构

3、大模型算法与训推 Infra 深度拆解（基座，框架，推理)

4、多模态Agent行业落地实践

5、垂直大模型技术趋势与展望

6、QA 

〇 分享简介 〇

随着AI技术的快速发展，智能机器人正从实验室走向产业化应用的关键节点。当前企业面临的核心痛点在于：传统机器人系统在复杂开放环境中缺乏可靠的空间理解能力，故障检测多采用被动响应模式，多智能体协作存在系统性瓶颈，从感知到决策的端到端智能化程度不足。这些技术局限严重制约了机器人系统在工业制造、服务场景中的大规模部署和商业化进程。

基于对具身智能技术发展趋势的深入思考，我们提出了全栈技术解决方案的研究路径。通过构建RoboBrain 2.0异构基础模型、RoboRefer空间推理技术、RoboOS协作框架和Code-as-Monitor故障预防机制，形成了从感知、推理、执行到监控的完整技术栈。这一研究突破了传统分割式技术发展模式，实现了系统性的技术整合创新。

本次分享旨在展示智能机器人系统全栈技术演进的最新成果，分析从实验室技术到产业化部署的完整路径，探讨通过技术创新解决当前行业痛点，为具身智能的产业化提供可行的技术方案和实践经验，推动机器人技术向更高可靠性、更强适应性的方向发展。

〇 分享收益 〇

目标：

1、了解AI和机器人行业提供系统性技术整合的方法论，

2、通过全栈技术架构的成功实践，解决技术孤岛问题，为行业提供从单点技术突破向系统性能力构建转变的参考路径。

3、探索具身智能产业化的企业提供技术选型、架构设计和工程落地的完整解决方案，加速行业从实验室技术向商业化应用的转化进程。

成功要点：

1、系统性架构设计：通过7B+32B双版本模型的差异化部署和分层解耦设计，实现了成本性能最优平衡并避免了传统单体架构的性能瓶颈。

2、范式转换的彻底执行：将被动故障处理转变为主动预防机制，通过Code-as-Monitor将故障检测抽象化，并针对3D空间理解和多智能体协作的核心痛点实现精准技术突破。

3、工程化落地的严谨实施：采用数据驱动的双重验证和渐进式部署策略，从核心模块到完整系统分步实施，有效降低工程风险确保技术方案稳定落地。

启示：

1、RoboBrain与RoboOS为具身智能系统产业化带来的价值是系统性和革命性的。构建了从技术验证到商业部署的完整实施框架，为类似项目提供了可操作的落地指南。同时，通过主动式故障预防和异构部署策略建立了有效的风险控制机制，为大规模具身系统的稳定运行带来可靠保障。

2、RoboBrain与RoboOS结合可以成为机器人的“Windows+GPT”时刻，一个统一了硬件底层的操作系统，加上一个赋予其认知和理解能力的超级大脑，共同引爆机器人行业革命。

〇 分享亮点 〇

1、异构架构设计在复杂AI系统中的应用实践：RoboBrain 2.0双版本模型（7B轻量级+32B全功能）的差异化部署策略

2、三维空间推理技术突破传统VLM局限性： RoboRefer通过专用深度编码器实现精确空间指向推理的技术原理

3、主动式故障预防的范式创新与工程实现： Code-as-Monitor将故障检测转换为时空约束满足问题的创新思维

4、多智能体协作框架的系统性解决方案： RoboOS层次化具身框架实现跨具身适应和动态任务分配。

5、QA

〇 分享简介 〇

企业智能体开发面临门槛高、效率低、多智能体协作弱、决策可视化不足及缺乏评估进化闭环等挑战，传统方法难以应对动态复杂场景，制约业务创新。

现有智能体框架多为“1拖N”架构，扩展性和稳定性受限。OpenAI Agents SDK易用性佳，AutoGen强于可视化，LangGraph扩展性好，但尚无全能框架，且缺乏开发-部署-进化的完整闭环。

本次分享深入探讨OxyGent多智能体协作框架，通过原子算子（Oxy）实现灵活扩展，结合决策可视化与“构建-推理-进化”闭环，促进多维度工具召回及SFT/强化学习优化。同时，基于四大基础动作解耦业务需求与通用能力，并通过双层动态图工具网络和ReCoT逆向思维链解决大规模Tool Calls落地难题。以此多层智能体构建，为企业智能化提供最前沿的实践参考。

〇 分享收益 〇

目标：

1、了解业界前沿、先进的多智能体协作框架

2、了解以业务需求和能力为基准的多层智能体构建实践

成功要点：

1、传统方法难以应对动态复杂业务场景，企业智能体开发面临高门槛、低效率、协作弱等挑战，OxyGent框架以模块化设计、决策可视化和闭环进化机制，显著提升开发效率和系统稳定性，助力企业智能化转型。

2、多智能体框架在POP、自营等业务场景落地，以模块化设计和业务解耦能力降低开发门槛，整体可复用的智能化实践范例，为推动业务创新与高效运营得以借鉴。

启示：

OxyGent的原子算子（Oxy）灵活扩展特性，将多智能体决策可视化和“构建-推理-进化”完整闭环。创新的双层动态图工具网络和ReCoT逆向思维链技术，有效解决大规模Tool Calls落地难题。

〇 分享亮点 〇

1、行业痛点与智能体开发挑战

2、智能体开发框架现状对比分析

3、OxyGent框架创新架构与核心能力

4、OxyGent在企业级场景的落地实践

5、未来展望与企业智能化建议

6、QA

〇 分享简介 〇

AI正在进入内外部招聘流程，也正在进入人的能力模型。人与AI的双向进化，正在共同塑造新一代的企业智力体系。HR领域 多年以来一直有着“从资源视角看人”的倾向，所以才有“人力资源”或“人力资本”的提法。如果我们把人力资源简单分为人力体力资源和人力智力资源的话，AI Agents 可以被看作一种“新加入的智力资源”，“新旧资源”之间必然会形成竞争与合作并存的关系，在这个动态竞合过程中，AI Agents在不断被人们调整和塑造的同时，也将不可避免地重塑已有的“人力智力资源”，此所谓双重重塑。

企业构建招聘场景下的多种智能体项目实践中, 不仅HR的相关流程与能力模型在被智能体重塑，更将影响用人经理、技术Leader乃至每位求职者的行为边界与认知方式。直接表现是，智能体将会影响人如何定义“岗位需求”、如何进行“人才发现”与“人才判断”，甚至如何思考“组织构成”。

本次分享通过以“招聘场景下的智能体”的设计与演化为切入点，讨论技术实现的核心挑战、通用框架，以及实质性推动企业“人力智力资源”的重塑和演进。

〇 分享收益 〇

目标：

1、探索AI Agents作为“智力资源”参与招聘全流程，重塑人岗匹配、人机协作、组织结构认知。

2、为技术产品团队提供智能体在企业应用中落地与演化的参考范式。

成功要点：

1、以终为始，为交付结果而设计，避免过度设计的陷阱。

2、通过岗位与人才画像结构化建模，构建智能体的“理解力”基础，建立高质量数据上。

3、上下文工程+记忆机制，实现“越用越准”的AI副手。

4、避免讨好型人格设计，打造真正可信任、可协作的AI Agent。

启示：

1、人机关系正在转向“共建智力生态”，不仅仅是替代或工具。AI Agent的设计要关注协作接口、认知边界与情感连接。

2、技术同质化且竞争激烈的背景下, 人的情感与归属感是产品的高级护城河。可更多关注”性格+记忆”的工程实践。

〇 分享亮点 〇

1、分析从资源管理到智力协同的范式转变趋势

AI Agents不是工具，而是正在成为组织中的“智力资源”新成员。

招聘场景，正是人机协作的“前沿试验场”。

2、真实落地：五大典型场景案例穿透抽象概念

 1）简历筛选、自动沟通、AI测评、面试辅助、内部人才搜索

 2）每个案例都体现“人如何用AI”，以及“AI如何反塑人”的双向关系

 3） 不只是“替代”，而是行为方式与决策逻辑的重构

3、技术方法论：支撑智能体演化的底层工程能力

 1）上下文工程：让AI真正“懂业务”“懂岗位”“懂组织”

 2）记忆工程：让AI具备可成长的个性和稳定协作的能力

 3）人机接口设计：强调多轮澄清、人格约束、决策透明等信任机制

4、认知升级：AI推动“人”的能力模型与组织角色再定义

 1）从“执行任务”转向“定义任务+调度智能体”

 2）每位员工都将成为一个“AI调度者”

 3） AI的普及正在提升组织的“协作密度”与“智力杠杆率”

5、总结

6、QA

〇 分享简介 〇

在生成式AI迅猛发展的当下，营销行业正面临前所未有的剧烈变化：内容需求倍增、生命周期缩短、平台生态加速演化，企业普遍面临内容产能不足、策略分散、效果不确定等落地困境。我们观察到，单靠内容生成已无法应对“从洞察到转化”的营销挑战。

面对媒体环境变化与内容竞争加剧，生成式营销正从“爆发式尝试”进入“系统化演进”阶段。围绕这一趋势，大模型与智能Agent在营销感知、认知与行动各环节中的协同角色，可以形成一套完整的“智能Agent驱动的生成式营销落地闭环”理论与实践体系，可为多行业系统案例给出成功的验证。

本次分享基于感知+认知+行动三位一体的系统性框架，借助智能Agent从内容洞察、创意生成到精准投放，实现真正意义上的自动化营销落地，助力企业打造构建更具演化力的营销能力。

〇 分享收益 〇

目标：

1、围绕“感知-认知-行动”智能体框架，剖析构建企业专属的内容智能体，提升内容生产效率、优化投放效果、强化策略闭环，为行业提供一套可实践的智能化内容运营路径。

2、帮助企业从流量焦虑走向内容驱动增长，构建自己的AI内容生产与投放闭环。

成功要点：

1、智能体的落地需要内容技术与业务逻辑的深度融合，通过构建覆盖社媒、用户、竞品的感知系统，提升内容洞察力；

2、通过训练企业私域认知模型，增强内容判断与策略适配能力；还需要借助智能体实现创意剧本生成、视频混剪和RTA智能投放，推动内容从创作到执行的全链协同。

启示：

通过构建具备“感知—认知—行动”能力的营销智能体，企业能够更敏捷地响应市场变化，实现内容的高质量规模化生产与智能投放。同时，验证在AI智能体快速发展的背景下，生成式营销不再是AI工具堆砌，而是基于数据、模型与机制协同下的系统性演化路径。

〇 分享亮点 〇

1、分享营销环境的变化和营销智能体趋势

2、解析营销智能体机制：

3、经典行业案例验证营销智能体价值：

4. 新营销时代中持续演化Agent展望。

5、QA

〇 分享简介 〇

在金融业数字化加速的背景下，传统客服面临体验割裂、长尾需求难覆盖、人效瓶颈等核心挑战。企业通过系统性解析大模型与多Agent协同技术，构建覆盖客户服务全生命周期的智能化跃迁方案：从进线前的意图预测与主动服务，到进线中的多Agent任务协同与复杂决策，直至人工坐席端的Copilot实时赋能，可主动实现从“被动响应”到“主动关怀”、从“单点提效”到“全链路重构”的智能体验升级。

 从用户进线前，主动服务引擎通过分析行为数据预测意图，精准介入办理流程卡点、账务异常等高价值场景，从源头降低问题发生率；从用户进线后，多Agent智能中枢依托路由中枢动态调度问题咨询、信息查询、操作指引、任务处理等专业化Agent集群，实现跨产品、跨渠道的复杂需求一站式解决；从服务转接人工时，坐席Copilot系统基于前期交互自动生成工单，提供前情诊断、用户关注点聚焦的决策建议与合规话术，赋能坐席从执行者升级为决策主导者，均可构建全流程智能化闭环。

 本次分享将深入解析大模型与多Agent协同技术驱动的全场景智能化跃迁实践，将结合金融机构的落地案例，揭示技术如何驱动服务效率、用户体验与业务价值的三重跃迁，为行业提供可复用的智能客服升级范式。

〇 分享收益 〇

目标：

1、了解全场景重构方法论：掌握金融客服“预测-协同-赋能”三阶跃迁的完整技术路径，覆盖从用户未进线到人工服务的全链路闭环设计。

2、掌握多Agent落地实战策略：获取可复用的Agent分工架构（路由/业务/决策Agent协同模式）及金融合规性保障方案，规避技术踩坑。

3、效能提升量化证据：基于金融机构案例，验证主动服务降低进线量、Agent中枢提升解决率、Copilot缩短处理时长等核心指标。

成功要点：

本方案的成功非依赖单一技术突破，而源于：精准场景解构 × 原子化Agent能力 × 闭环数据驱动 × 合规深度嵌入，四位一体构建的技术协同体系，其经验可快速迁移至医疗、保险、政务等高合规要求场景。

启示：

构建“预测-协同-赋能”的全流程智能化闭环，将客服系统从成本中心升级为持续创造体验价值与业务增长的核心引擎。

〇 分享亮点 〇

1、破局点：金融客服的体验困局与智能化机遇

2、技术底座：大模型驱动的多Agent协同架构设计

3、全场景跃迁实践：从预测到闭环的智能进化

4、未来展望：从能力构建到生态赋能

5、QA

〇 分享简介 〇

多数企业的业务应用上线都是基于独特的框架、知识体系构建程序提供相关的工具和服务出来使用，普遍情况下从业者通过低代码、AI生成代码来提升效率，快速开发出一个企业需要的功能或工具出来。但，很多大企业只要是开发功能就需要走一系列的上线流程，效率是亘古不变的难题。

每家企业内部有着大量独立的知识体系和系统架构，通用的智能体仅在通用办公等场景下使用，导致企业内部自研的应用基本无法使用，这意味着通用大模型同样缺乏企业内部知识库，难以理解企业内部知识信息。

本次分享企业智能编排Agents，其构建基于MCP工具、数据元素信息、数据、企业内微服务来实现。通过Multi-Agents，将微服务、数据服务结合、并穿插相关的企业自定义工具，让AI智能编排整个服务。该智能体还可通过不同的任务拆解解决企业的权限问题、业务逻辑的执行的问题、以及提升执行的效果。原本需要通过代码实现的业务逻辑通过AI直接编排串联出来，并执行相关的工具服务，做到自然语言即应用的效果。

〇 分享收益 〇

目标：

1、构建企业AI Agents解决复杂业务场景执行正确性的问题

2、提升AI Agents识别MCP工具的准确率

3、改善交互提升用户体验和弱化使用者自然语言提示词复杂度的问题

成功要点：

通过分层、向量检索用来保证AI在企业应用中工具识别准确性，以及元数据的精准管理及优化交互体验可以大幅提升AI的效果。 

启示：

一个好的企业Agent需要的能力不仅仅是AI，更是工具、交互、环境的精雕细琢。

〇 分享亮点 〇

1、 企业应用的常用做法

2、 构建企业Agent的困难

3、 AI Agent构建主要思路

1）提升MCP工具准确性与可配置化

2）元数据和服务的管理与智能化

3）AI可执行环境空间

4） AI引导性交互的实现

4、 企业Agent的未来之路

5、 QA

〇 分享简介 〇

传统Agent框架强制预定义工作流，不仅开发体验割裂、迭代缓慢，还无法充分释放现代LLM的自主规划能力，特别在构建多Agent协作系统时更显臃肿与低效。

AWS开源的Strands Agent代表了Agent开发的范式转变，从复杂的工作流编排转向现代化的Model-Driven架构。通过深入研究现代LLM的推理、规划和自我反思能力，我们发现Agent本身具备了成为智能构建工具的潜力。Strands将Agent视为"在循环中使用工具的模型"，通过简洁的Agent Loop设计，结合MCP协议的标准化工具接入，实现了从简单chatbot到复杂Multi-Agent系统的无缝扩展，让"AI构建AI"成为现实。

本次分享将深度解析Strands Agent通过现代化设计理念重新定义，以及Agent开发体验。展示利用其核心的Agent Loop机制实现模型动态调用，通过MCP协议简化工具集成，借助四种Multi-Agent模式（Orchestrator/Swarm/Graph/Workflow）快速构建复杂协作系统。同时，分享从开发到生产的完整实践路径，包括可观测性监控、安全防护、云上部署等生产级能力，帮助开发者告别传统的复杂工作流编排，拥抱Agent开发的新时代，加速企业AI应用的落地进程。

〇 分享收益 〇

目标

1、详细分享Strands Agent的核心理念和技术架构，包括简化的Agent Loop设计、丰富的工具集成机制、多种Multi-Agent协作模式(Orchestrator、Swarm、Graph、Workflow)以及生产级部署方案。

2、通过对比分析传统框架与Strands的差异，帮助开发者理解如何利用现代LLM的能力构建更灵活、更强大的智能系统，把握Agent技术的发展趋势和实施路径。

成功要点：

通过几行简单的代码就能构建AI Agent，获得直接的原理和工具。掌握新的开发工具，也可根据不同的开发场景，选择和实现氛围编程或spec开发。为AI工程师、架构师、产品开发者赋能，有效直接应用于当前项目，加速AI能力在业务中的落地与创新。

启示：

Strands将Agent视为"在循环中使用工具的模型"，通过简洁的Agent Loop设计+MCP协议标准化工具接入，可实现从简单chatbot到复杂Multi-Agent系统的无缝扩展，让"AI构建AI"成为现实。

〇 分享亮点 〇

1、开发范式的转变

2、Strands Agent深度技术分解

3、多Agent协作模式

4、氛围编程与spec开发实践

5、总结与QA

〇 分享简介 〇

企业在垂直领域中构建智能问数能力时，常面临诸多挑战,常见在技术与业务需求难以对齐、对准确率和可解释性的高要求、领域数据稀缺、用户问题复杂多样，以及数据基础设施的局限性等难题上。

企业不断优化问数的整体架构和算法模型，通过深入的落地实践，并对垂直领域的知识进行分层解构，从不同维度将专业知识注入问数能力中。同时，在产品交互设计等方面持续改进，验证出，可以显著提升问数的准确率和可解释性。

本次分享将深入探讨阿里集团在行业内已建成的、具备显著竞争力的问数能力建设经验进行系统化总结，为同行提供可复现的实践思路与方法，助力行业整体智能化水平的提升。

〇 分享收益 〇

目标：

1、了解行业内已建成的、具备显著竞争力的问数能力建设经验进行系统化总结，

2、为同行提供可复现的实践思路与方法，助力行业整体水平的提升。

成功要点：

通过多场景实践打磨问数架构设计，结合垂域知识分层注入提升问数能力专业性，同时明确架构下各模块能力边界，并构建模型自反馈链路与可追溯的错误修正机制。

启示：

以“问数”的维度，激活企业数据的潜在价值，可让数据真正“灵动”起来，为企业决策和业务创新提供强有力支持。

〇 分享亮点 〇

1、分享行业垂域问数的难点与挑战

深入剖析技术与业务对齐、数据稀缺性、问题复杂性等核心痛点。

2、核心解决思路与创新

1）提出针对垂域问数的关键解决路径与方法论

2）深入分析设计背后的思考与逻辑

3、系统架构与模块设计详解

1）详细解读问数的整体架构设计

2）各功能模块的核心能力与协作机制

4、技术选型与模型优化实践

1）探讨问数模型选型、Post Training 策略

2）模型性能优化的关键环节

5、落地实例与成果展示：通过真实案例展示问数能力的实际应用效果

6、QA

〇 分享简介 〇

代码大模型引领的研发范式变革将重塑软件开发行业，提升效率和质量，拓展应用领域。主要体现在技术能力提升上，代码生成与补全更精准，能处理复杂逻辑；多语言支持更全面，涵盖主流及新兴语言；代码理解与分析更深入，可检测错误和优化建议；上下文感知更智能，保持项目一致性。同时，开发流程融合集成到持续集成与交付流程，实现自动化流转；也同样提高智能化自动化与更多应用场景扩展，都将实时提供智能推荐与提示，提升开发效率和质量，促进工具与平台整合，帮助企业形成统一生态系统，加速推动开源与催生新商业模式。

Kwaipilot 应用快手自研的代码大模型，将大模型能力贯穿研发全生命周期，可进行智能编码助手、智能问答引擎和智能体开发平台三大 AI 研发产品应用。通过构建程序语言的形式化表征和逻辑推理链，并在国内大厂中首次将 MoE 架构成功应用于预训练代码大模型，取得了显著的线上收益；并从代码续写模型逐步丰富到 Code Embedding、Code Agent、Code/Math Instruct 等模型矩阵，在 HumanEval、CoSQA、SWE-bench 上取得 SOTA 表现。与此同时，在快手内部实现“编码即标注”数据飞轮，借助数据增强后的模型效果，在快手方言代码的语义理解和生成场景上超越 GPT-4 10%。

本次分享将 Kwaipilot AI 研发工具产品，围绕快手研发全生命周期场景进行探索、落地实践及对应结果，剖析背后的以开发者体验驱动的 AI 原生研发工具产品设计实践和启示。为热爱开发以及从业者提供参考和借鉴。

〇 分享收益 〇

目标：

了解围绕代码大模型构建智能编码工具，系统性推进研发范式变革，以及工程实践中围绕编码智能化进行探索与落地的实际经验。

成功要点：

1、从 Copilot 式的被动局部增强过渡到与 Agent 的主动任务协作，以解决更复杂的研发场景，助力最终实现端到端的提效。

2、构建以私域数据为核心的数据飞轮，强化代码大模型对内部代码和上下文的理解，实现超越通用大模型的私域生成效果。

启示：

企业级编码智能化要真正实现研发提效，必须坚持用户驱动和数据驱动，深入理解不同工程角色的真实需求。面对复杂多变的企业级场景，只有构建垂直场景下的 know-how，才能在不确定性中寻找确定性。

〇 分享亮点 〇

1、分享快手 Kwaipilot AI 研发工具产品家族

2、Kwaipilot在快手应用落地现状和研发提效

3、从代码续写到对话式代码生成的两个阶段背后的实践剖析和启示
4、快手在 AI 研发工具产品领域的持续探索与展望：未来软件开发趋势与下一代产品化探索

5、QA

〇 分享简介 〇

随着大模型技术的蓬勃兴起，各行各业正以前所未有的热情拥抱人工智能的浪潮，智能编码作为落地最快和效果最佳的场景，受到了广泛的关注。多年沉淀中，智能代码助手不断演进，研发工程师的智能编码需求也不断升级，关注重点从早期的补全，变成了预测改写以及代码智能体等。

当前行业的智能编码助手都在不约而同的向编码智能体方向发展，研发行为在逐渐向对话式编程靠拢。用户只需要输入需求，智能体就能够独立思考、拆解并执行完整任务，是当前阶段最先进的形态。

本次分享将结合百度在智能研发领域的深刻洞察、创新解决方案及丰富实践案例，剖析智能编码助手及编码智能体的上下文理解、工具链调用等技术难点及解决方案。帮助从业者提升与梳理全流程开发体验和效率。

〇 分享收益 〇

目标：

1、掌握百度从各个环节落地智能化研发实际提效的方法

2、了解建立成熟企业智能化的研发工具链方案

3、了解智能编码助手及编码智能体的技术难点及解决方案

成功要点

1、智能编程助手正处于技术红利与市场需求叠加的爆发期‌，要凭借技术敏感度、敏捷开发和生态整合能力，抓住AI重塑软件开发流程的窗口期

2、基于大模型和实际落地经验构建的智能研发助手，通过帮助工程师实时续写、生成代码、注释、单测等能力，可以有效提升工程师的研发效率和质量。

3、在基于发展不确定性较强的大模型底座之上，抓住编程助手的核心竞争力，设计更加有效的脚手架和产品

启示：

智能体形态是当前最接近下一代智能研发工具的形式，未来的智能体必须满足充分连接， 独立思考， 自主学习， 反思纠正，多智能体协作等等能力，由单能力、单环节向多能力、全流程的方向迈进，也将给开发者带来更加流畅与高效的开发体验。

〇 分享亮点 〇

1、研发智能化的机遇与挑战

2、百度研发智能化探索

1）代码推荐准确率提升

2）智能体建设

3、多端复用

4、百度研发智能化落地实践

5、Devops全流程提效

6、落地效果

7、思考与展望

8、QA 

〇 分享简介 〇

从workflow到Agent的转变，是企业从数字化走向智能化的核心飞跃。随着manus的爆火以及reAct、openmanus等技术的横空出世，带来了非常惊艳的智能体产品形态：自主决策智能体，一时间，Agent仿佛都迈向了自主决策、自主任务执行、自主记忆的自主智能体时代。

然而在企业构建自主决策型智能体的过程中，经常面临智能体幻觉严重、大模型工具使用不稳定、过程无法干预等问题，同时由于缺乏云原生容器横向扩展能力，也会出现产品排队、执行时间长、资源不足异常退出的问题，严重影响自主智能体的投产和业务应用。

本次分享以网易自研自主智能体平台CoreAgent出发，深入研讨通过自主思考Agent与MCP协议，运行沙箱，长短记忆管理，最佳实践等技术构建一个自主智能体产品实践，帮助从业者打造高可用、运行稳定、结果可控的智能体构建的思路。

〇 分享收益 〇

目标：

1、了解自主智能体的发展和适合的应用场景，帮助企业选择适合的场景落地，达到最好的收益。

2、掌握构建一个稳定可控的自主智能体平台，包括模型自主决策能力，云原生沙箱能力、最佳实践能力的建设，并解决模型运行不稳定的问题，给出可复制的实现思路帮助相关产品能力提升方案。

成功要点：

1、以知识召回及记忆管理机制，保证智能体运行的稳定，避免幻觉，形成自助智能体构建的最佳实践，

2、通过沙箱能力的建设，如沙箱生命周期的管理、沙箱的存活时间、沙箱跟外界的通信，沙箱环境启动速度的加快和预热等解决自主智能体稳定运行，横向扩展的问题。

启示：

1、借鉴人类的记忆和思维体系，辅以互联网时代成熟的云原生技术，构建生产可用、越来越“聪明”的自主智能体平台，让智能体技术为企业决策和业务创新提供有力支持。

2、构建企业级Agent对企业而言是范式升级的价值，，它是一个系统工程，是企业从数字化走向智能化的核心飞跃，是重新想象和设计业务流程本身，是战略性的业务转型，塑造了企业核心的智能竞争力。

〇 分享亮点 〇

1、智能体和自主智能体技术的发展

1）智能体的概念和智能体的发展

2）编排类智能体的劣势和自主智能体的优势

3）自主智能体能力展示

2、自主智能体技术背景

1）自主决策介绍-reAct/plan&execute 智能体

2）网络化协作 vs. 工作流编排的优劣

3）经验、反思与持续学习：驱动agent能力进化的引擎

3、自主智能体技术实现

1）产品整体架构

2）模型能力选择

3）MCP管理和接入

4、运行时沙箱介绍

5、工具细节-browser use

6、工具细节-文件管理

7、 记忆的管理和优化

8、QA

〇 分享简介 〇

人类开发软件的方式正在极速改变。AI 辅助编程从最初的代码补全，到单次问答的智能助手，再到具备自主规划与执行能力的Coding Agent，IT行业正经历着开发模式的革命性转变。

随着大模型迭代速率变快，Coding Agent 产品开始涌现，企业在这个浪潮里做好Agent效果，相伴而来的整合传统编程工具，在效果与成本的均衡下给用户最好研发体验的产品是所有Coding Agent 绕不过去的关键点。

本次将分享Trae Agent 的核心设计理念、工程能力构建方法、以及与 IDE 的深度集成实践。通过实际案例的演示，探讨智能助手在代码理解、生成、优化等场景中提供的有效支持，展望未来落地过程中字节的经验与洞见。

〇 分享收益 〇

目标：

1、了解大语言模型在研发领域的实践路径

2、了解行业主流的产品趋势，以及Trae 在 Coding Agent 丰富的探索和实践经验。

成功要点：

1、大模型能力正处于爆发期，通过良好的Agent工程架构，快捷的PE调试平台，数据飞轮建设，能够敏捷迭代是做 CodingAgent必不可少的基础能力

2、通过精准的上下文获取和控制，良好PE结构的设计，多Agent协作的架构，是效果和成本均衡绕不过的一道坎。

3、Coding Agent与传统工具的深度结合，带来一体化智能研发体验，可以给工程师带来非常高的编码效率和质量提升。

启示：

在代码智能赛道上，敏捷的迭代能力，良好的工程架构，精准上下文利用能力和传统编码工具深度整合能力，以及在此之上效果和成本的均衡策略，是构建一款Coding Agent产品的核心竞争力。

〇 分享亮点 〇

1、大模型产品在 Coding 领域的发展趋势

1）大语言模型带来的机遇

2）当前研发效率痛点与市面上主流的产品分析

2、Coding Agent 技术架构与核心能力

1）Agent 架构设计

2）Prompt 设计与调优

3）IDE 系统集成和工程落地

4）上下文感知引擎设计

5）记忆管理设计

6）AI 服务端设计

3、Coding Agent 实践效果与案例分享

1）典型应用场景展示

2）真实案例演示

4、智能化研发经验总结与展望

1）常见问题与解决方案

2）未来 Agent 发展展望

5、QA

〇 分享简介 〇

代码大模型正在深刻地改变软件开发，带来提升开发效率、降低技术门槛等诸多好处。近期代码智能体成为学术界和工业界的热点，相关研究和产品层出不穷，其中大部分工作并不针对特定领域下的开发任务，对于领域知识的运用也停留在知识检索、辅助生成这一传统RAG范式上。

随着鸿蒙操作系统的普及，鸿蒙应用开发成为业界热点，通过代码智能体提升鸿蒙应用开发效率，降低鸿蒙应用开发门槛成为关键挑战。代码智能体应用于鸿蒙开发场景的独特之处在于：

1）在模型思考中准确获取并运用鸿蒙领域相关知识；

2）赋予模型正确调用鸿蒙领域工具链完成调试调优等开发任务的能力；

3）通过受控生成等方法保证生成的代码符合鸿蒙规范；

4）应对旧生态向新生态的应用高效迁移问题。

本次分享将结合代码智能体的挑战，工具、生态，以及代码智能体在鸿蒙开发场景下的优秀实践，把通用模型能力和鸿蒙领域知识相结合，助力企业借鉴，提升端到端开发效率，解决新生态应用开发的实际问题。这些都将是华为2012实验室团队基于领域知识驱动构建鸿蒙领域代码智能体的深度思考与实践。

〇 分享收益 〇

目标：

1、了解代码智能体在鸿蒙开发场景下的优秀实践，将通用模型能力和鸿蒙领域知识相结合，提升端到端开发效率，解决新生态应用开发的实际问题。

2、帮助IT开发者，深入理解代码智能体的原型生成、生态，更好的把握企业智能开发方向。

成功要点：

1、以鸿蒙应用开发场景的真实业务诉求出发，将通用的代码智能体技术和业务特点相结合，将通用代码大模型能力和传统方法融合，可以有效解决Vibe Coding落地难、效果差的问题。

2、基于主、从多智能体架构，构建由开发者、IDE智慧化内核、开发智能体共同组成的双环迭代架构，是实现从需求到代码的人机协同决策式开发的关键。

3、通过基于代码智能体领域化建模对多来源多模态的需求在内部进行统一表示，可以允许开发者通过自然语言、图片、设计稿、代码仓等多种方式表达需求，提升开发效率和开发体验。

启示：

企业仅靠大模型的能力，尚不足以处理软件开发领域中复杂多样的任务，在AI4SE这一赛道上，需要在充分理解大模型的能力和局限性的基础上，充分运用领域知识在内的各种资源，才能更好的解决开发者面临的真实问题和痛点。

〇 分享亮点 〇

1、分析软件开发的新时代现状与挑战

1）代码大模型带来的改变

2）代码智能体带来的改变

2、鸿蒙开发场景下的挑战

1）新生态的启动问题

2）旧生态的迁移问题

3、领域知识驱动的代码智能体

1）鸿蒙领域UI设计知识

2）鸿蒙领域API文档知识

3）鸿蒙领域工具调用知识

4）鸿蒙领域开发通用知识

4、毕方IDE在鸿蒙场景下的实践

1）页面UI代码的快速原型生成

2）通用鸿蒙应用代码生成

3）其他生态向鸿蒙生态的代码迁移

4）鸿蒙应用性能优化辅助

5、总结与展望

6、QA

〇 分享简介 〇

在代码大模型从"能用"到"好用"的演进过程中，后训练技术已成为突破效果瓶颈的关键路径。

当前，尽管代码大模型在生成效率与基础能力上已取得显著进展，但在企业落地实践中仍面临领域适配性不足、长尾问题优化困难等核心挑战。研究发现，这些问题的解决不仅需要模型能力的持续提升，更需要建立模型与产品协同迭代的闭环机制。

本次分享将系统性地探讨代码大模型后训练的实践方法论，结合腾讯在通用研发场景和垂直业务场景的落地案例，深入解析如何通过模型优化与产品迭代的深度耦合，构建双向促进的效能飞轮。同时，基于实践经验，将展望未来智能编程的产品形态演进：从追求"全能模型"的单一范式，逐步转向构建多个"场景化专家模型"，最终实现企业级代码生成在效率与质量上的双重突破。

〇 分享收益 〇

目标：

1、了解代码大模型后训练的核心技术路径与工程化实践

2、了解模型能力适配不同专业编程领域的范式

3、获得复杂业务场景下的效果优化方法论

成功要点：

成功的AI模型落地需要聚焦三个核心维度：首先通过案例分析实现关键技术突破，精准匹配不同后训练技术与应用场景；其次以场景化思维驱动开发，针对领域知识、私有化框架等具体需求进行定向优化，而非盲目追求全能模型；最终构建数据飞轮闭环，通过持续洞察用户行为和编程模式实现模型迭代升级

启示

代码智能化在企业中真正提升研发效能， 需要充分结合一线团队的业务知识和编程场景，建立可复用的训练方法论。未来，低代码+大模型融合，是让非技术用户高效定制生成逻辑，拓展AI应用边界的必经之路。

〇 分享亮点 〇

1、分享大模型后训练技术

1）分享代码大模型的不同阶段的后训练技术

2）结合案例分享模型优化方法

2、模型能力定义产品

1）模型协同产品的范式拓展，专家场景定制化

2）拓展AI应用边界

3、QA

〇 分享简介 〇

传统“开发-测试-运维”模式存在协作割裂、效率低下、创新不足等问题，难以支撑当前企业对高效研发的要求。Vibe Coding 作为融合即时协作与智能辅助的新一代开发范式，正逐步帮助技术团队学习并转向更具协作性与智能化的开发流程。

Gitee DevOps 一体化平台，将 Vibe Coding 融入日常研发流程，结合“人-工具-流程”形成更高效的协作模式。在实践中，智能场景的实施协同不仅打破了代码墙，开发者可在统一平台上实现智能补全、AI Review、实时协同编程等功能，有效提升协作效率和代码质量。目前该技术能力已覆盖多个核心研发团队，支撑高频率迭代和大规模协同研发，成为提升整体交付效率的关键支点。

本次分享拥有大量实践，提供了一种编码协作智能化的落地范式，旨在为企业在引入 AI 编程助手、推进智能 DevOps 转型过程中提供技术路径参考与工程实践依据。

〇 分享收益 〇

目标：

了解 Vibe Coding 技术体系嵌入企业级 DevOps流程中，实现代码开发、协作与交付过程的智能化与自动化，提升端到端的研发效率与代码质量。

成功要点：

1、将 Vibe Coding 与 CI/CD、静态代码扫描、Pull Request 等核心 DevOps 流程深度集成，使 AI 能够在关键流程节点提供上下文感知的智能反馈与建议。

2、实现基于角色的智能协作机制：如通过 AI Review 提前发现潜在缺陷，通过多人实时共编机制优化复杂模块的协作开发，技术侧打通 IDE 插件、代码托管平台与后端模型能力。

3、识别并固化“协作点”模型，在研发流程中嵌入可编排、可追踪的协作触发机制，并配合代码语义理解与依赖分析能力，实现协作精度与覆盖面的双提升。

启示：

智能化编码协作并非替代人工，而是通过技术增强开发者在关键环节的洞察与决策能力。实现 DevOps 智能化转型需打通工具链与数据链，构建具备上下文理解与持续学习能力的智能系统，推动研发闭环持续优化。

〇 分享亮点 〇

1、企业软件研发的“效率瓶颈”与协作痛点

1）多地协作、多人并发、知识沉淀困难

2、Vibe Coding 的核心理念与技术演进

1）即时协作 + 智能辅助 + 工具融合

3、在 DevOps 一体化平台中的集成实践

1）与代码托管、IDE 插件、Review 流程的打通方式

4、落地效果与团队反馈

1）提效数据（PR 平均合入时长下降、协作冲突减少）

2）一线研发人员与管理者的实际感受

5、落地经验与关键成功点总结

6、工具不是全部，文化与流程演进同样关键

7、QA

〇 分享简介 〇

当前，随着大模型（LLM）能力的爆发，企业希望将其快速接入业务场景。但行业普遍发现，通用大模型虽强，却难以直接满足垂直领域的知识和语境需求，存在领域适配不足、数据隐私与合规压力、推理效率与成本平衡等痛点。

阿里云基于 PAI 平台，构建了覆盖数据清洗、增强，到模型蒸馏与强化学习的全链路后训练体系。在行业实践中，依托高质量的数据与自动化工具链，实现了数据可控合成、高效训练，并建立与业务同步的持续精调机制。经过实践总结表明，精调成效依托三大关键：以高质量的丰富的领域数据，以高效稳定的蒸馏和强化学习技术提升泛化性与性能，通过平台化工具与评测闭环确保模型效果持续进化。

本次分享将聚焦大模型落地的实践经验，全程实战案例为主，展示MAAS平台上，如何利用丰富工具和功能进行领域大模型精调与评估，帮助企业从0到1完成大模型精调与部署，最终用大模型解决实际业务问题。将与业界大模型关注者探讨LLM领域的无限可能。

〇 分享收益 〇

目标：

学习可复制的领域大模型精调方法论，形成企业通用大模型转化为行业生产力的方法。

了解应用大模型精调的工具和功能，以及解决业务问题的思路。

成功要点：

大模型的领域化过程中，高质量、多样的领域数据是能力迁移与精调成效的基础。结合科学的后训练路径，包括蒸馏、SFT、强化学习等方法，不仅能注入行业知识、提升模型在垂直场景的准确性与稳定性，也能在算力成本与交付周期之间取得高性价比的平衡。实践证明，“以数据为核心，辅以合适的后训练方法体系”，是将通用模型转化为可用行业模型的关键能力。

启示：

当企业具备成体系的方法论、易用且高性能的工具链，以及覆盖全生命周期的评估与迭代闭环，就能在数据准备、模型训练、效果验证到上线运营的全环节实现流程可控与成本可控。这种能力使得企业能够在更短周期内完成领域大模型的定制，并且在后续迭代中保持高效演进，从而让大模型真正持续创造业务价值。

〇 分享亮点 〇

1、从业务需求到领域模型目标

2、高质量行业数据构建

3、精调技术路径选择与经验

4、 MaaS平台与工具链实战

5、总结与展望

6、QA

〇 分享简介 〇

当前数字营销领域面临广告素材需求爆发式增长与创意生产效率滞后的核心矛盾。企业普遍存在三大痛点：人力成本高（设计师日均产出仅2-3组素材）、创意同质化（人工创作难以满足千人千面需求）、迭代速度慢（从选题到上线平均耗时72小时+），直接制约广告投放效果与ROI提升。

企业若构建了结合用户画像、历史投放数据及创意标签的素材推荐引擎，可进一步提升投放素材爆量概率。基于Qwen-VL系列进行指令型微调，额外加入音频信息&视频Tags，提升大模型对视频内容更细颗粒度理解。通过多模态技术+混剪算法，搭建文本-图像-视频跨模态素材生成管道，可大大实现高质量视频素材生产。

本次分享将展现构建企业级AI素材工厂的技术框架，以跨模态对齐解决方案、混剪算法核心思路，更好地人机协同模式提升创意采纳率。让听众有效直接地应用AI素材，提升广告效果以及人机协同成果。

〇 分享收益 〇

目标：

1、趣丸AI素材生产技术框架全景图

2、了解实现素材混剪核心算法，不止素材拼接

3、了解设计有效的素材生产人机协同流程

成功要点：

1、视频细颗粒度内容理解：构建高质量视频分析数据集，基于Qwen-VL指令微调模型，融合音频文本和视频帧内容识别标签，实现秒级素材语义解析；

2、以数据闭环驱动的分镜推荐机制：引入LLM视频摘要+RAG，结合相似素材匹配用户画像建模，精准挖掘视频中的潜在爆款片段，提升新素材起量概率。

3、人机协同的双轨流程设计：设计师聚焦创意，通过调整脚本细节和剪辑思路，注入素材核心卖点和剪辑风格；AI负责量产，自动裁剪片段，智能匹配BGM、字幕等元素，批量混剪输出，可覆盖80%以上常规素材需求。

启示：

以多模态大模型构建跨模态理解-生成闭环，以数据流驱动“AI量产+人类精调”协同范式，实现广告创意从主观灵感向客观数据决策的范式迁移，解决广告素材生成中个性化内容与规模化生产的矛盾冲突。

〇 分享亮点 〇

1、视频生成任务当前核心问题

1）方案1：AI素材混编生成

2）方案2：AI素材混剪生成

3）方案3：AI素材工厂人机协同

2、未来思考及展望

3、QA

〇 分享简介 〇

数字员工基于人工智能技术构建的数字化虚拟实体，是AI技术的集大成者（视觉、语音、理解），具备人类工作行为和业务流程的能力；

随着AI技术的快速迭代发展，数字人在生物特征和用户交互层面已经实现高度的拟真、自然，LLM技术赋予数字人聪慧的大脑和丰富的工作技能。

数字员工目前已经有了非常丰富的落地场景和行业案例，助力企业提升效率、优化作业流程和创新应用场景。AI智能体与数字员工二者融合，可构建“全场景智能伙伴”。数字人提供拟人化用户交互，AI Agent负责逻辑决策与跨系统协作，实现“情感化沟通+智能化执行”的无缝衔接，重构人机协作模式。

本次分享从数字员工的核心技术架构、行业应用实践、未来发展趋势三个方面，探讨数字员工助力企业实现数智跃迁，新技术、新工具提升工作效率，智能协同提升业务流程自动化，数据系统赋能决策。全面为与会者实施数字员工应用带来借鉴。

〇 分享收益 〇

目标：

1、了解智能体数字员工在领域内的探索成果、技术发展动态

2、展示智能体数字员工技术落地的有效路径。

3、以不同行业数字员工的成功应用案例，提供企业用户在实施数字员工项目中的思路借鉴。

成功要点：

为各行业提供数字化转型的借鉴意义，以数字员工核心技术进展、应用场景及数字人与 AI Agent 结合的趋势，给予行业可明晰技术应用方向，辅助其优化自身业务流程，提升数字化运营水平。

启示：

智能体数字员工的应用将为企业带来显著的业务价值增长,包括如下维度：

1、降本增效：提升业务处理效率，缩短流程耗时、提高任务完成准确率。

2、优化服务质量：能实现7*24 小时不间断服务，快速响应客户需求，增强客户满意度和创新用户体验。

3、释放人力价值：人机协同放大每个人的“稀缺价值”，提升企业整体创新能力。

4、助力数字化转型：为企业提供技术应用参考，帮助找准转型切入点，推动业务流程数字化升级，提升企业在数字化时代的竞争力，以适应未来发展趋势。

〇 分享亮点 〇

1、智能体数字员工的概念及技术发展

2、智能体数字员工的行业应用和业务价值

3、智能体数字员工的发展趋势

4、QA

〇 分享简介 〇

25 年开始，AI Agent 真正进入爆发期，尤其是随着 manus、扣子空间的推出，Agent 的热度进一步增加。随着 Agent 能解决的问题越来越多和越来越复杂，激活 Agent 系统的优化潜能，才能让AI Agent 真正驶向深水区。

而 Agent不仅只是搭建，更要持续的优化、迭代和全生命周期运营。

传统的经验驱动调优方式往往面临效率低下、效果有限、缺乏系统性等挑战，如何建立科学、高效的效果优化体系成为关键问题。Badcase 驱动的调优方法能够直接针对实际失败案例，通过数据化分析和系统化优化，实现 Agent 效果的持续改进。

本次分享将结合扣子平台的真实调优挑战，分享端到端的 Badcase 收集体系构建、多维度问题分类与分析，以及实现发现与优化的系统化闭环。同时，探讨 Agent 效果科学度量、建立质量评估指标体系，以及 Badcase 驱动的调优方法及工具平台。借此为AI Agent领域从业者带来新的调优思路与工程实践的方法指导。

〇 分享收益 〇

目标：

1、了解扣子平台在 Agent 效果优化中的成功实践进行系统化总结，以及系统化 Badcase 调优方法论建设，形成可复制、可推广的 "扣子罗盘" 调优平台。

2、通过真实案例和具体操作流程，为技术团队提供从问题发现到效果提升的完整解决方案，为同行提供可落地的实践指导，帮助行业整体 Agent 调优水平的提升。

成功要点：

通过多场景 Agent 调优实践打磨 驱动架构设计，结合分层问题分类体系提升调优精准性，同时，明确收集 、分类 、分析 、 优化各环节能力边界，并构建持续监控反馈链路与可追溯的效果评估机制，是Agent效果调优最佳方案。

启示:

激活 Agent 系统的优化潜能，让每个失败案例都成为改进的 "导航仪"，可为企业的产品效果提升和用户体验优化，提供强有力的数据支撑。这些系统化的问题驱动方法，将让企业实现 Agent 从 "能用" 到 "好用" 的全面升级。

〇 分享亮点 〇

1、AI Agent 开发过程中的问题与挑战

深入分析Agent落地过程中的核心痛点问题

2、核心问题的解法思路

1）Agent调优的核心思路

2）如何进行Badcase问题挖掘

3）如何进行科学的效果评测

4）如何高效解决Prompt效果问题

3、实践案例分享

1）简篇 ：自动化评测保证业务效果

2）抖音电商 ： 借助线上真实case提升prompt效果

4、总结与展望

5、QA

〇 分享简介 〇

客服3.0时代，客户触点多元分散、客户需求从满足基础服务向情感服务跃迁，因此，为客户提供管家式、全渠道、全业务的3A服务（Anywhere Anytime Anything）是必然发展趋势，同时，带来服务成本的大量提升。针对行业内AI客服替代简单服务已进入深水区、人工客服技能高度隔离、金融监管严控LLM生成面客等痛点，基于Agent+LLM的数字分身是当前最佳解决方案。      

企业可通过AI育人/AI辅人→AI替人3步走，平稳过度，走向人机共生，产能翻番。

A：通过AI诊断-AI知识宝典-AI出题4大agent，实现线下AI育人闭环，解决客服行业流动性强、针对性培训难问题。

B：通过AI服务档案-全链路智能操作-智能话术推荐-智能话务总价，实现在线服务产能进一步提升。

C：数字员工模式探索，基于Agent+RAG，简单场景数字员工端到端服务、复杂场景数字员工完成诉求沟通、核身环节服务、数字员工辅助人工完成后续服务，实现人工从直接面客转型后台监督，1.v.N产能翻番。

 本次分享将展现大模型时代的战略规划、产品设计、技术方案、人员转型思路，助力企业平稳过度到人机共生阶段。转型过程中面临的监管要求严、客户体验差、模型成本高3大挑战，提出应对方案，推动客户行业Agent应用。

〇 分享收益 〇

目标：

1、明确当前大模型能力边界、预判大模型赋能未来发展趋势、锚定智能客服行业下一步规划方向

2、了解大模型在严肃场景赋能时的挑战与解决方案

成功要点：

1. 战略规划层面，需结合社会发展阶段、通信技术发展、AI技术发展整体分析，持续洞察，看清客户需求变化，为客户提供管家式、全渠道、全业务的3A服务

2、转型过程中两条腿走路，Agent帮人、Agent育人大规模覆盖，实现效率提升；Agent替人聚焦部分场景，MVP验证可行性，逐步替代

3、技术规划层面：Agent帮人/育人方面，贴近实际业务，建立系统性数据分析体系，聚焦当前人工作业高占比、多断点、技能差异大的环节；同时充分发挥大模型推理、总结的擅长点，设计解决方案

4、Agent替人方面，RAG准确性为核心难点，通过Query改写→检索增强→SFT微调+DPO强化学习，实现通过客户口语化表达直连知识片段并生成针对性回复话术。通过置信度进一步分流，任何风险人工随时切入辅助，做好兜底

5、在组织转型层面，客服人员将向知识专家和技术专家方向转型

启示：

数字分身赋能过程中，AI native思维尤为重要，企业的业务流程设计、系统设计需从围绕人工操作为核心转变为以Agent操作为核心，而非将Agent嫁接在当前流程、系统上，才能实现倍数级的产能提升、业绩增长。

〇 分享亮点 〇

1、智能客服：在哪里？

1）行业发展趋势预判

2）服务模式跃迁方向痛点分析

2、基于Agent的数字分身-去哪里

1）Agent自主性L1-4分级

2）数字分身跃迁路径分析

3、基于Agent的数字分身-怎么去

1）L1/2级Agent落地应用案例

2）离线育人技术方案

3）在线帮人技术方案

4）L3级Agent落地应用案例

5）健康险数字分身技术方案

6）严肃场景落地Agent的挑战级解决方案

7、QA

〇 分享简介 〇

随着大模型能力的持续演进，AI正在重塑社交娱乐的产品形态与用户体验。相较于其他场景，社交娱乐具备需求强烈、用户黏性高、交互容错率高等天然优势，正在成为AI应用率先实现规模化落地的主战场。

自大模型爆发以来，AI陪伴应用的率先兴起，是目前落地相对较快、热度较高的AI应用赛道，潜在市场空间广阔，行业内已诞生多款千万MAU级别的产品。当前的 AI陪伴产品中，角色经常存在“不会聊、不敢聊、聊不深”等问题。

本次分享将深入解析通过语言对话、图像理解、文生视频等大模型能力，构建更具情绪价值、互动深度与商业潜力的虚拟角色打造蕴含更强互动性与情绪张力的 AI陪伴体验。以及随着多模态模型能力的持续演进，也演变出一些创新玩法，能进一步提高用户体验。无论是初入 AI社交赛道的开发者，还是关注陪聊产品转化率的产品经理，本次分享都将带来可落地、可复制的路径参考。

〇 分享收益 〇

目标：

1、开启 AI 应用开发方面的探索之旅，展现自身的创意和想法。

2、了解 AI 陪伴聊天应用的市场潜力，并且能够快速搭建起自己的产品原型，以较低的成本和风险进入市场，寻求商业机会。

3、了解多模态模型的发展以及创新的玩法，企业可进一步延伸产品落地、创新边界和优化思路。

成功要点：

随着大模型能力的持续演进，依托强大的多模型能力、稳定的平台支撑及对行业的深刻洞见，能够将更多产品设计与玩法更好地与大模型结合并落地。

启示：

大模型在重构娱乐产业的生产范式（从人工创作到人机协同）与体验本质（从预设内容到或活态世界），提前布局多模态交互与合规框架将主导应用生态。

〇 分享亮点 〇

1、解读行业趋势、用户、市场需求和痛点

2、分享构建一个AI陪伴应用的完整流程

3、行业内常见的产品设计或玩法，以及整体与大模型相结合并落地。

4、AI行业新趋势、新玩法的产品思路

〇 分享简介 〇

随着大语言模型的普及，企业正迎来 AI 智能体的落地热潮。然而在真实的企业场景中，知识管理成为最大的痛点：传统文档管理和业务系统存在搜索难、知识孤岛、非结构化文档难以利用等问题，导致 AI 难以真正理解和服务业务。这正是当下企业转型中最迫切需要解决的关键挑战。

在过去的研究与实践中，我们探索了 AI 知识管理平台的核心技术路径，包括文档解析、向量化检索、知识图谱构建、安全与权限控制、以及大规模数据处理策略。从底层架构到具体的技术选型，再到应对复杂业务语境的微调方法，这些探索不仅解决了通用大模型无法直接适配企业知识的难题，也为大规模落地提供了工程化方法论。

本次分享结合架构设计、技术栈选择和四大核心挑战的应对方案，深度构建一个真正为企业赋能的 AI 智能体知识管理平台，从理论走向实践，分享如何打造一个安全、可扩展，面向未来的企业级“AI 知识大脑”，帮助与会者推动智能化业务转型。

〇 分享收益 〇

目标：

1、了解构建企业级 AI 智能体知识管理平台的实践。

2、了解AI 智能体逐步进入生产力核心后，企业解决知识孤岛、权限安全、复杂文档解析和大规模数据处理等策略

成功要点：

企业级 AI 知识管理平台的成功，关键在于文档能智能解析、知识能安全合规、检索能快速扩展，同时通过知识图谱和模型微调，让 AI 真正懂业务、发挥价值。

启示：

只有将先进的 AI 技术与工程化实践相结合，才能在确保安全合规的前提下，最大限度释放知识资产价值，提升企业决策与执行效率，迈入“AI 主动服务”的新阶段。

〇 分享亮点 〇

1、AI智能体知识管理平台的问题和挑战 

1）知识的获取

2）安全控制

3）数据量、性能及扩展性

4）业务理解能力

2、AI智能体知识管理平台的构建 

1）数据源适配层

2）数据处理与注入层

3）知识存储层

4）知识检索与生成层

5）应用与接口层

3、AI智能体知识管理平台的关键技术 

1）智能文档解析

2）权限控制和检索过滤机制

3）数据处理的性能基线及优化

4）知识图谱的利用

5）智能体模式的选择和应用

4、QA

〇 分享简介 〇

自生成式 AI 及大语言模型向全网开放普及后，AI 硬件产品的关注者及参与人也不断增多，海外多家研究机构预测，未来民用 AI 硬件产品的规模会以 20% -30%  的复合增长快速发展。无论是专注于 AI 模型建设、 AI 应用场景还是原先的 IoT 领域企业，都会面临 AI 硬件开发技术的拓展融合。

不同于传统软、硬件的产品设计和开发，AI 相关的技术逻辑和用户体验都存在新的变革，在实际对接客户中，我们看到非常多产品停留在有好的想法，但不了解该如何落地；或看到了问题，感受到AI 硬件的“不够聪明”，却不知道问题出在哪里；亦或是对AI 硬件和 Agent有所了解，便急于根据行业表象进行复制借鉴，错失打造有价值产品的机会。

本次分享期望将 AI 硬件及对应 Agent 的设计和落地方法论，以通俗易懂、生动有趣的方式进行演绎，基于多年物联网平台产品及AI 硬件产品设计经验，向更多已经入场或即将入场的行业伙伴分享前瞻性、落地性、开放性及用户体验深化方面的全新产品观，期望能进一步推进 AI 硬件行业发展，带来更多优秀的 AI 硬件产品。

〇 分享收益 〇

目标：

1）建立可快速理解的“AI 硬件心智地图”： Device / Edge / Cloud+Data / Agent 四端极简架构 ，帮助产品角色快速理解和构建创意，不在技术细节里绕圈

2）理解 AI 硬件满足人类的需求本质，避免“不合时宜的技术堆砌”，寻找当下适合入场的 AI 硬件类型

3）尝试一套全新的 AI 需求到 Agent 落地的方法论，看明白 Agent 开发平台在做什么，并理解 AI 硬件市场真实价值的关键点

4）了解AI 硬件项目启动，早期可能会被忽略的其他问题

成功/教训要点：

1）IoT 技术无法隐身，让硬件“开口说话”没有想象中那么简单，选择正确的连接手段可以少走很多弯路

2）需求层次的反常识：神奇的“马斯洛倒挂”，先出来的爆火 AI 产品，是从顶层需求向下实现的，背后的核心原理： AI 是来补充人类世界，而非替代

3）需求实现：人类在 7 岁之后会克制将物体赋予生命，AI 硬件产品要克制这种克制

4）隐私安全合规、 AI 幻觉、测而不全……一份教训大汇总：众人踩过的荆棘，终会被磨平铺就一条康庄大道

启示：

AI 发展是动态系统，每一个产品经理都可能回到起点重新出发，在 AI 金手指的帮助下，重要的不是那些标准而成熟的知识技能，而是一种全新的、可逆的、更尊重“生命”的思维方式

〇 分享亮点 〇

1 、破冰：在质疑声中快速搭建了一个新的平台

2 、AI 硬件的“产品基础架构”

3 、AI 硬件的“需求诞生”
4 、AI 硬件的“需求实现”

5 、AI 硬件不能太  AI

6 、容易忽略的其他问题（隐私安全合规、注入破解、测试的挑战、避免过分依赖 AI、上下文的“灾难”等）

7 、总结和展望

8、QA

〇 分享简介 〇

打造企业智能办公场景的AI产品，能够从效率、成本、决策、体验等多个维度为企业带来显著价值。这种变革不仅是工具升级，更是通过认知革命重构组织运行逻辑，当AI接管确定性任务后，人们得以专注于创造性思维、情感联结和战略突破。这正是未来企业的核心竞争力所在。明显优势呈现在提升运营效率、降低综合成本、赋能科学决策、重塑用户体验、构建竞争优势壁垒、长期战略价值延伸等。率先部署AI办公体系的企业，更易获取政府数字化改造补贴；开放平台生态吸引开发者共创行业解决方案，形成商业闭环。 企业将智能办公系统向战略延伸，也将带动整个价值链数字化转型，效率周期跨越式递进。

当下，企业数字办公有其用户少、专业深、领域广、交叉多、链路长、权限多、安全高、响应快的特点，在数字化发展过程中，带来了大量的信息和数据沉淀，企业平均拥有超过 1000 应用，只有 29% 的有效通信并共享数据，AI的发展为跨越数字鸿沟提供了可能。企业办公从PC 时代的门户，移动时代IM+工作台，到 AI 时代办公AI Agent 连接万千应用和数据，涉及到员工和企业工作界面的变革，如何在这个过程中平滑的切入办公场景，综合成本和内部企业应用现状发展，解决员工办公效率和体验问题，是企业数字化团队面临的一个挑战。

本次分享以阿里典型办公产品结合 AI建设的实践，深度研讨企业数字化建设者理解大型企业员工服务和协同办公场景下的 AI实践，让产品焦点从“功能点的多少”转向“AI理解的深度、执行效率和安全性、体验”，提高产品技术壁垒，为与会者带来数字化建设、产品AI转型、提升智能办公场景数字化的最新落地思考与探寻。

〇 分享收益 〇

目标：

1、帮助企业数字化建设者理解大型企业员工服务和协同办公场景下的 AI实践。

2、帮助企业提升企业办公场景数字化服务的规模、效果和满意度水平。

3、帮助企业提升高频办公场景的员工体验。

成功要点：

企业将办公场景结合AI产品能力建设深度结合，从场景建设的办公意图、结构化知识、Agent 协作的实践深入，不仅形成建设办公场景的 AI反馈链路和评测体系，更打通了与内部应用协作和平台能力建设的路径，有利于AI到 AI原生的产品设计思路的转变和尝试，进一步增强智能办公场景的高度，赋能产品数字化建设。

启示：

1、AI不是单一功能，而是生态体系，多模态和自主智能，是未来十年最重要的技术产品趋势。将是一场生产力、组织模式和商业价值的彻底重塑。催生下一代伟大的企业软件公司。

2、智能办公结合AI技术的演变趋势，以客户优先原则解决办公场景问题，对于企业而言，构建了一个不断自我优化的数字生态系统；对于员工而言，从重复性、低价值的工作中解放出来，将创新决策和情感连接等高高价值的创造力工作，整体提升。同时，产品焦点从“功能点的多少”转向“AI理解的深度、执行效率和安全性、体验”，技术壁垒提高，全场景适应VUCA时代的市场变化节奏。

〇 分享亮点 〇

1、分享企业办公的机遇与挑战

1）智能办公发展阶段

2）AI在办公领域解决的难题

3）智能办公场景具体问题解析

2、办公AI产品的实践

1）不同的建设阶段和问题

2）产品构造上的变化：FAQ\RAG\意图\知识库\agent\场景选择等

3、分享设计办公场景下的反馈链路和评测体系

1）智能+人工+产研结合

2）指标的一些变化

4、开放和集成

1）数字办公和AI应用

2）未来架构和定位

5、QA

〇 分享简介 〇

人工智能正经历从"技术展示"向"价值创造"的关键转型期。行业发展呈现三大趋势：大模型能力从实验室走向业务场景深度融合，协作模式从单点AI工具向群体智能生态演进，人机关系从简单替代向深度共演升级。特别是在强化学习理论驱动下，AI智能体与人类智能体的协作正朝着自适应、可进化的方向发展，预示着一个全新的智能协作时代即将到来。

在实践中，企业普遍面临五大挑战：数据处理压力巨大、大模型技术难以业务落地、劳动力成本高、人机协作效率低、员工情绪耗竭。现有自由职业平台和任务众包模式，常因撮合静态、匹配不精准、管理成本高等问题，难以实现智能体与任务的双向成长。行业痛点在于：让AI能力真正转化为业务价值、构建适应超级个体的灵活组织，让“冷技术”具备“情感温度”。基于当下困境，我们认为唯有基于清晰任务定义、持续进化的群体智能协作生态，才能打破“技术悬浮”与“生产关系滞后”的双重壁垒。
本次分享将深度解析结合伏羲机器人的产品和实践，分享「人机共演」创新范式-基于清晰的任务定义，通过强化学习机制链接全网AI智能体和人类智能体，构建群体智能驱动的双螺旋迭代进化生态。核心突破点包括：生产力革命：智能体精准锚定业务场景，实现AI能力的确定性价值释放；生产关系重构：打造数字游民2.0+液态组织新模式，让”一人公司=万人产能"成为现实；生产价值升级：通过具身智能的情感接口技术，让冷技术承载人性温度。最终愿景为构建机器承担重复劳动、人类专注价值创造、算法与情感和谐共生的未来工作新生态。

〇 分享收益 〇

目标：

1、了解实际业务中让大模型能力真正产生商业价值

2、了解构建能够适应超级个体崛起的组织形态

3、了解通过技术设计赋予机器人以情感温度

成功要点：
1、通过基于清晰任务定义的任务拆解，实现了AI与人类智能体的高效协作与动态评价，发挥了群体智能的复合叠加优势。

2、打通了大模型“通用—细分—边缘部署”的落地路径，使模型能力能够精准赋能不同场景。

3、推动数字游民2.0与液态组织形态的实践，让个体与团队之间形成更灵活、更契合未来生产力结构的新型劳动关系。

4、借助虚实迁移的创新方法论，把游戏引擎等低成本试验场与真实业务闭环链接，实现技术的快速验证与规模进化。

启示：
1、只有回归业务本质、以业务痛点为驱动力，才能真正选对技术、用好AI。“液态化”成为组织发展的重要趋势，是数字游民时代自然而然的结构调整。同时，虚拟与现实的交互、情感接口的引入，使得技术能够超越工具角色，成为兼具效率与温度的生命型协作伙伴。

2、AI与人的群智进化也遵循着“可拆解、可验证、可持续进化”的原则，只有构建动态、可信的多元协作体系，才能不断释放智能社会的巨大潜能。

〇 分享亮点 〇

1、AI时代的双重困局与破局

1）当前行业面临的核心挑战

2）人机共演范式的核心理念

2、群体智能协作的实践突破

1）视觉人机审核案例深度解析

2）群体智能的核心优势

3、大模型业务化落地的金字塔法则

4、超级个体时代的人机协作重构

1）数字游民群体的崛起趋势

2）液态组织的生产关系升级

5、游戏引擎驱动的虚实迁移创新

6、具身智能的情感接口革命

1）技术温度化的必要性与可能性

2）双循环情感接口的技术实现

7、构建人人时代的未来工作

8、QA

〇 分享简介 〇

大模型正从简单的对话机器人，走向“有工具、有记忆、会协同”的智能体形态。情感陪伴AI将完成“工具”到“伴侣”的进化中，国内外萌生许多养成式机器人、陪伴式机器人，以及虚拟场景。行业上，在医疗、教育、养老领域成为基础设施，“脑机接口”实现生物情绪级理解、伦理框架初步建立；未来，作为“数字家人”有可能性重构社会关系、个性化商业模式。

当下，企业在用户长期价值沉淀和情感粘性上尚有落差，AI常停留在功能层，难以被用户长期依赖。围绕“个性化分身+多Agent协同”，我们以“记忆检索—反思—行为”闭环为核心，验证如何在C端以“有用/有趣/有价值”驱动留存，并通过数据边界与上下文压缩实现低成本可持续体验。

本次分享研讨个性化AI智能体的定位与场景、记忆与反思机制的落地方法、多Agent对话编排实践，以及面向C端的增长与商业化启示，为与会者提供相关方向的思路与借鉴。

〇 分享收益 〇

目标：

1、用“记忆+反思”重构个体化体验，沉淀可训练的用户画像与长期价值。

2、以多Agent协同提升复杂任务的编排与可解释性，打造“可围观”的交互新范式。

3、在C端以“有用（功能）+有趣（情绪）+有价值（数据）”形成增长飞轮。

成功要点：

成功落地个性化AI智能体，关键在于以“近期性、重要性、相关性”三个维度进行了高效的记忆检索，并配合Reflection机制把个性特征抽象出来，确保分身在连续交互中的一致性与连贯性；同时在C端应用中，综合考虑成本边界、游戏化机制、价值分层和上下文压缩，以平衡用户体验与算力开销，并借鉴Paradot、Me.bot等在“情感陪伴+个性化服务”上的实践路径，持续探索可行的商业化模型。

启示：

个性化AI智能体的落地，可遵循“定位—场景—机制—运营”的四段式方法论，在出海和年轻人等细分市场中快速验证，并通过A/B测试与快速迭代不断打磨产品形态，拓展具备成长潜力的商业空间。

〇 分享亮点 〇

1、智能体进化路线：从提示词到上下文工程的体系化能力。

2、个性化分身的三大特征：用户画像与长期记忆、记忆检索、Reflection个性抽象；示例：心理咨询/塔罗占卜/星象解读中的连续性对话体验。

3、多Agent编排实践：让机器人能有序开聊、维持真实感的流程设计与规则设置，支持可围观的社交玩法。

4、C端产品策略：以“有用、有趣、有市场”拆解功能价值、情绪价值和数据价值；对标Paradot、Me.bot的个性化与主动服务思路。

5、成本与增长平衡：通过限定数据边界、上下文压缩、游戏化激励、用户价值分层解决成本控制和体验提升的平衡问题。 

6、市场与人群：出海+Z世代验证窗口（年龄/国家分布样本），以轻量场景切入、快速小闭环迭代。

7、QA

〇 分享简介 〇

在人人都是创作者的时代，短视频已经成为企业营销非常重要的一部分，AI加速了内容行业创作的效率，学习短视频和AI的结合已经成为企业加速发展的一大杀器。不仅可以帮助企业低成本获客，还能增强企业在整个媒介环境的影响力。

当下，AI重塑了短视频的生产逻辑与传播路径，更在重构整个数字内容产业的生态格局。未来的发展将更加注重人机协同的创作平衡、技术伦理的价值引导以及跨场景的服务延伸，最终形成以用户需求为中心、技术创新为驱动、社会效益为导向的新型传播体系。

本次分享深度拆解短视频行业发展情况，帮助企业提升“能”与“效”。从短视频底层的传播规律分析、企业及个人如何打造爆款，包括短视频帮助企业获客等方面，让企业理解AI短视频领域的应用进展，以及掌握企业和个人通过短视频获客、营销的秘密，预判未来AI应用在内容行业的深度思考。

〇 分享收益 〇

目标：

1、了解短视频传播的底层逻辑及传播方法论。

2、了解AI在短视频领域的应用

3、了解AI思考预测及未来内容行业预判

4、掌握使用系统思维去拆解短视频背后的那些秘密

5、了解企业应用AI及短视频的传播方法，掌握爆款短视频方法，打造现象级获客方式。

成功要点：

1、通过精细化设计的算法系统、平台能够深度挖掘并释放用户行为数据的潜在价值，实现多方共赢的效果。

2、病毒传播=人类行为学实验场 × 媒介特性放大器。抓住“趋利避害、寻求归属、渴望表达”三大原始动机，用算法思维解构感性需求，可实现指数级扩散。

启示：

1、爆款的本质是可复制的流量密码+不可复制的真实感。坚持优化细节、深耕用户价值的创作者，将在算法世界中脱颖而出。

2、企业想掌握爆款短视频的核心逻辑并打造现象级获客方式，需要结合内容策略、算法机制、用户心理和运营技巧进行系统性布局。采取精准定位、明确目标与差异化优势、构建长效运营护城河、平台算法破解、放大流量裂变、优化数据复盘体系等多种策略。

〇 分享亮点 〇

1、信息传播及内容的底层方法论

2、以一当十的短视频团队如何构建

3、人人都是“指挥官”

4、上帝究竟会握住谁的手

5、创作与创造，短视频打造增长飞轮

6、AI与短视频结合的秘密

7、QA

〇 分享简介 〇

随着大模型技术的飞速发展，千行百业应用日益广泛。银行业作为金融行业的核心，内容运营对于提升用户体验、增强品牌价值和实现业务增长具有重要意义。然而，传统的内容运营方式已难以满足日益增长的市场需求，因此，探究AI，尤其是大模型技术在银行内容运营中的深度应用及未来趋向具有重要价值。

某股份制银行，一方面在手机银行、企业微信等多端引入图文、短视频等内容，并配合进行埋点和A/B测试，从而实现针对用户内容点击行为的数据采集与分析，识别用户的内容兴趣偏好，补充完善用户画像。另一方面，借助抖音、小红书等内容平台每天产生的上亿条内容，利用大模型对短视频的分析能力，甄别出每天/每周与公域百大兴趣族群（如骑行人群、夜钓人群），相匹配的兴趣热点，再将该热点与大零售部门所能提供的各项权益进行匹配，例如：将《黑神话·悟空》的热点与持有的Steam满减权益相匹配，再借助人工智能生成内容（AIGC）的能力快速生成相应海报或banner（横幅广告），在自有或外部渠道进行投放。

通过这样的方式，实现内容获客的同时抓取用户行为，迭代完善用户兴趣画像，并指导下一轮热点提炼，实现在“数据飞轮”下的热点内容识别、客群深入理解、物料精准投放，从而最终实现转化，助推AUM提升。

本次分享深入探讨AIGC的时代背景下，以同花顺自营运营的经验、金融业务探索的历程，提升用户转化的业务场景、配套内容的供给策略，以及不同形式的内容（音视频、直播）在金融场景的具体应用，包括内容生态平台的构筑策略，整体对金融机构进行业务赋能，提升一系列业务数据转化与提效措施。

〇 分享收益 〇

目标：

1、了解金融领域的数字内容服务认知升级；

2、了解金融领域大模型和通用大模型的差异性和行业优势；

3、了解金融领域大模型的智能应用

成功要点：

以金融大模型和金融数据为核心驱动力，通过AIGC平台实现内容生产（模板/辅助/自动创作）、审核（多模态合规检测+人机协同）、分发（个性化推荐）全链路智能化，同时结合金融垂类数据（如财报、行情、研报）与专家知识，解决了内容生产效率低、合规风险高、用户体验不足等痛点。

启示：

随着大模型在Agent、多模态等方面的快速发展，可以预见银行未来会有更深刻的用户洞察、更到位的客户服务，在更好地满足用户金融需求的同时，也为用户带来充分的情绪价值，而这一切都需要由内容和体验来承载。

〇 分享亮点 〇

1、金融核心需求与AI技术赋能

1）核心诉求：金融数据/知识精准召回、专家级分析框架、风控合规落地

2）通用大模型VS金融大模型优势

3）构建“多模型生态+数据飞轮+服务平台+业务场景渗透”体系，覆盖投顾、投研、投教等核心场景   

2、智能投资助理核心实践：

1）能力亮点：聚焦股/基/期等领域（90+技能）、意图识别准确率＞98.6%、支持单技能定制与内容框架自定义

2） 三大应用场景： 金融查询、投顾建议、事件解读

3、AIGC驱动的内容生产与运营升级

1）AIGC平台演进：从“单一场景拼接”到“Agent驱动全流程”

2） 内容质检与优化

3）AI魔毯

4）Auto-Flow：全自动化快讯运营（AI驱动+人工审核）、Agent驱动要闻运营   

4、个性化推荐体系构建

1） 内容知识库（KYP）

2）推荐引擎（CAMS）

3） 用户画像（KYC）

〇 分享简介 〇

近年来，金融行业数字化转型持续加速，AI大模型的引入推动了智能服务从“黑盒响应”走向“工程可控”。2025年以后，“精准”与“低幻觉”成为金融智能应用的基本要求，合规、可追溯、可度量的多层AI架构正成为金融产品创新的新趋势。行业主流正从依赖单一大模型的探索阶段，转向多层协同、多Agent、分布式治理、知识库合规的工程级智能体系，实现对客户体验、服务专业性和监管要求的全面兼顾。未来，谁能率先落地端到端可信AI生产体系，谁就能占领金融智能服务的竞争高地。

在当前的金融科技领域，融合大模型的小模型混合部署技术，将强大的自然语言理解、个性化推荐等AI能力嵌入银行App、微信小程序、智能客服等C端场景，可让用户体验到更懂他们的智能助手与服务；这些AI应用展示大模型能力支持下，客户服务实现更精准的客户意图理解与应答，同时，也可通过小模型在特定环节实现高效、低延迟的自动处理。

本次分享聚焦于“AI大模型混合架构”在金融类产品中的创新应用，系统讲解“四层可信智能架构”落地实践，从产品前端，到智能体分工、再到模型调度与知识库治理，层层把控服务的精准性与安全性；同时，引入多Agent协同创新、工程级Prompt管理与触突型上下文感知，有效降低AI幻觉率，确保服务专业与快速响应；最后，通过知识库分层治理与小模型校准，为金融业务场景实现“零幻觉、强理解、合规可审计”的AI智能助理产品。

〇 分享收益 〇

目标：

1、了解大模型和小模型在C端金融产品中的组合应用实践，快速赋能智能业务场景。

2、探索金融类产品研发在AI时代的体系化变革路径，从团队协同、模型迭代到运营闭环的最佳实践。

3、获取大模型+小模型混合部署策略与架构优化方案，兼顾创新能力、响应速度与安全合规。

成功要点：

通过创新的四层可信架构，将不可控的AI黑盒系统化地改造为可度量、可回滚、可信任的金融级工程化服务流水线。

启示：

在金融领域，AI应用的成败不在于模型大小，而在于能否构建一个系统性可信的工程体系

〇 分享亮点 〇

1、AI行业应用挑战和形态

1）C 端客户服务与体验痛点

2）传统产品研发体系瓶颈

3）用户洞察与需求设计

2、产品架构和实现

1）“智能问答”“个性化推荐”“主动关怀”三大用例

2）大模型＋小模型混合架构

3） Model-as-Service 大模型即服务

4） Prompt-as-Service 提示词即服务

3、 产品研发架构的变革

1）PM+提示词+智能体+大模型+数据的协同模式

2）工程级Agent和大模型应用经验

3）工程级提示词应用经验

4、QA

〇 分享简介 〇

当前，随着大模型（LLM）在各行业的广泛落地，企业在大模型预训练阶段面临着算力消耗巨大、训练效率低、工程实现复杂等诸多挑战。与此同时，国内深度学习框架与大模型生态持续快速发展，实现端到端的高效预训练，以及借助本地化框架进行可复现、可持续优化，成为业界关注的焦点。

随着模型规模不断扩大，单纯依赖硬件堆叠已难以满足大模型高效训练的需求。因此，业界普遍在探索包括高效分布式并行、参数高效微调、异构算力调度、混合精度训练、数据并行与模型并行结合等多种技术路线。此外，在保持训练高效性的同时，保证易用性、可复现性与灵活扩展性，也是当前深度学习框架和大模型生态共同关注的难题。为此，飞桨深度学习框架不仅基于文心4.5模型，突破了诸多大模型训练效率提升的关键技术，同时也将如DeepSeekV3等业界其他优秀实践中的关键技术进行了开源实验和进一步优化。

本次分享将围绕“端到端大模型预训练优化”，系统深入分析飞桨框架在支撑大模型训练中的工程与算法创新，以及文心 4.5 、DeepSeekV3 等开源大模型训练上的实践经验，帮助企业和开发者更好了解大模型训练技术，提升模型训练效率。

〇 分享收益 〇

目标：

1、为AI行业从业者提供大模型端到端预训练的实操经验，

2、分享主流深度学习框架（飞桨）支撑大模型工程落地，为企业自研或复现大模型提供可借鉴的解决方案。

3、掌握大模型训练的全流程优化思路

4、了解主流框架的底层创新，获得模型复现和性能调优的实用经验，提升企业AI落地与创新能力。

成功要点：

通过深入调优和工程细节优化，原生支持文心系列大模型的训练调优，吸纳 DeepSeekV3 等业界其他优秀实践中的关键技术，降低复现门槛。

启示：

1、一套可支持超大规模训练、框架原生（收敛效率优化、计算通信优化、并行策略优化、集群容错能力）的全栈大模型训练体系，拥有大量模型训练实际场景框架。

2、大模型端到端预训练优化已从技术命题升级为企业战略刚需。其价值在于：  重塑产品智能等级、重构行业竞争格局、重建技术资产壁垒。企业需以工程化思维系统推进优化，将大模型从“成本中心”转化为“利润引擎”。

〇 分享亮点 〇

1、趋势与挑战：大模型预训练的痛点与机遇

1）训练资源消耗、工程复杂性的行业现状

2）框架与生态的本地化需求

2、飞桨框架原生支撑大模型预训练

1）高效混合并行策略、混合精度训练、FlashMask，集群容错

3、文心4.5开源模型的预训练核心技术

4、基于飞桨复现DeepSeekV3最佳性能的实践

5、QA

〇 分享简介 〇

具身智能（Embodied Intelligence）强调智能体需通过与物理环境的交互获取感知和行动能力，近年来成为人工智能研究前沿。其发展路径可从视觉-语言-动作（VLA）系统（集中示例为两指夹爪）到高自由度灵巧手操作呈现明显演进。早期VLA研究聚焦于使智能体理解视觉信息并通过语言指令执行简单动作，如RT-1、RT-2等模型实现了基本视觉理解与机械臂控制。随着大模型技术发展，如PaLM-E、RT-X等多模态模型能够整合视觉、语言与动作表征，大幅提升了场景理解与策略生成能力。

高自由度灵巧手研究标志着具身智能迈向更复杂操作。Dexterous Hands项目展示了多指协同操作能力，而强化学习方法使得复杂抓取动作成为可能。最新研究实现了视觉引导下的精细操作，通过视觉-触觉多模态感知实现了如开瓶盖、折纸等复杂任务。当前挑战主要包括：物理交互的精确建模、现实与仿真之间的差距（Sim2Real Gap）、以及长序列复杂任务规划。未来研究方向指向多传感器融合、自监督学习与大模型驱动的任务分解能力，以实现更接近人类水平的灵巧操作

本次分享主要围绕高自由度灵巧手的实现，sim2real gap, 灵巧手操作模型，结合具身智能的进一步发展，共同为大家展现AI原生技术架构与具身智能技术逻辑，为与会者带来进一步借鉴。

〇 分享收益 〇

目标：

 1、了解高自由度灵巧手在具身智能中的应用和实现方式

  2、结合具身模型，为未来的可泛化操作提供思路

成功要点：

1、从结构驱动到仿生模型驱动的设计：现代机器人技术正经历从传统机械结构驱动向仿生模型驱动设计的转变，通过模拟生物系统的感知、决策和运动机制，我们能够创造出更加灵活且适应性强的智能系统。

2、Sim2real gap：模拟环境与现实世界之间的差距是一个不可忽视的挑战，需要通过域随机化、对抗训练和迁移学习等技术来减小这种差距，确保算法在复杂真实环境中的稳定表现。

3、泛化的可能性：控制算法的泛化能力决定了系统应对未知情况的表现，通过模型融合多源数据和强化鲁棒性训练，提升系统在不同环境条件下的适应性和可靠性。

启示：

在具身智能的发展中，精细操作和掌内调姿，以及工具使用是发展的必然路径，让高自由度灵巧手突破高维度输出，拟人化操作，以及使用工具，是当前具身智能任务操作体系亟待解决的难点和突破点。

〇 分享亮点 〇

1、AI与物理世界的鸿沟：具身智能的时代机遇

2、AI原生技术架构：算法驱动的软硬一体化创新

3、 核心AI算法：多模态感知与智能决策模型

4、开放生态建设：技术平台化的产业价值

5、 产业应用落地：智能制造的技术实践

6、下一代产品路线：技术展望与产业协作、以及构建人机共融的智能未来

7、QA

〇 分享简介 〇

随着全球电商与支付领域的高速发展，实时交易数据量与复杂模型结构持续攀升，数据与模型的深度融合正逐步成为反欺诈风控体系的核心趋势。在Amazon、eBay、阿里、京东等头部平台中，模型驱动的自动化识别能力日益成为提升风控精准度与响应速度的关键。尤其是，高性能推理任务对GPU资源的依赖与争抢日益突出，通过模型压缩、推理批量化、资源池化等方式优化资源调度，成为提升系统吞吐能力的关键路径。进一步而言，行业正在积极探索模型推理工作流的自动化生成与智能调度机制，以实现数据计算、模型推理、业务逻辑与监控平台之间的高度协同。这类跨平台的统一编排，会演化为大型科技公司工程平台建设的标准模板，旨在提升系统的可复用性、可观测性和敏捷运维能力。

业内普遍实践为依托海量数据提取高质量特征，构建多阶段、多模态的混合模型体系进行推理，以准确识别欺诈行为；同时，将模型推理结果高效地服务于各类业务场景。这种模式基本能够覆盖业务需求，但在实施过程中仍然存在明显痛点：

1）模型推理需处理TB甚至PB级的数据量，特征维度高，导致推理效率低、资源消耗大，难以满足实时响应需求；

2）跨平台推理流程缺乏高效统一的调度与管理机制，增加了协调难度和延迟；

3）推理工作流的代码开发、部署成本较高，造成生产效率降低和运维复杂度上升。

这些痛点促使企业对推理计算方案及数据与模型工程架构进行深度优化和智能化改造，以整体提升系统性能和生产效率。

本次分享将围绕通过系统性工程优化，在海量数据背景下，实现复杂模型批量推理的高效执行与智能调度；在确保模型精准性的前提下，同时实现高速度和低资源消耗。包括：模型推理计算方案的选型与优化、推理工作流的自动化生成与跨平台调度、推理开发与运维效率提升等。共同为行业IT从业者带来借鉴。

〇 分享收益 〇

目标：

1、了解当前电商风控领域在大数据与模型工程交叉融合方面的最新趋势，以及模型工程未来的发展方向。

2、理解一线平台在模型推理自动化、资源优化、平台协同方面的工程落地实践。

成功要点：

1、针对不同模型结构和数据特性，合理选择与优化计算方案，显著提高推理效率和资源利用率；

2、借助自动化代码生成、可视化配置及一键式部署，使模型推理流程在多平台间高效、稳定、低成本地运行；

3、搭建交互式、统一管理的推理平台，提高工作流质量与系统的可维护性，全面增强风控体系的竞争优势。

启示：

在实现模型推理规模化部署中，持续提升其执行效率与资源使用率，是当前工程体系亟待突破的重点。

〇 分享亮点 〇

1、背景介绍

2、海量数据与复杂模型的高效批量推理

1）面向复杂模型类型、海量数据场景下的推理方案分析与选型

2）典型风控场景下模型批量推理优化与案例分析

3、模型批量推理工作流部署与调度

1）模型一键部署与工作流自动生成

2）面向模型推理复杂工作流的跨平台调度与统一管理

4、总结与展望

1）推理方案自动化选择：根据数据规模、模型类型、SLA要求，自动匹配推理方案

2）基于大模型的性能优化：利用LLM分析日志、识别瓶颈，实现智能运维，推动推理平台向自优化、自诊断方向演进

5、QA

〇 分享简介 〇

当前企业加速拥抱AI，大模型服务在企业应用中的需求激增，但推理效率与工程化落地仍然面临巨大挑战，有效平衡性能与成本，实现高性能、高可用的大模型服务，是许多企业重视、且需要解决的核心命题。

我们发现业界主要通过模型压缩、动态批处理、缓存优化技术等提升推理效率，同时借助K8s、服务网格等工程化手段增强可用性、扩展性。然而，实际落地过程中存在技术选型复杂、优化与业务适配度低等瓶颈，需结合具体场景优化全链路方案。

本次分享聚焦“高性能推理+工程化落地”，深入解析大模型服务优化的关键技术，并探讨工程化实践中的架构设计、监控运维及成本控制方法，助力企业构建高效、稳定的大模型生产级服务。将为行业展现高效、低成本的大模型服务部署方案，帮助与会者在工程推理层面，完成从实验到生产的转化。

〇 分享收益 〇

目标：

1、为企业提供高效、低成本的大模型服务部署方案，解决推理性能与资源消耗的平衡问题。

2、共同探索工程化最佳实践，帮助AI团队减少试错成本，加速模型从实验到生产的转化。

成功要点： 

企业推理优化主要通过模型压缩、动态批处理、缓存优化等方法降低计算开销、提升推理速度；通过GPU虚拟化、自动扩缩容、自适应负载均衡等方法降低资源成本、提升服务可用性，提高服务稳定性，来完成工程化，是最稳妥便捷的路径。

启示：

企业在大模型服务推理优化上，若性能大幅度提升，将推理延迟降低30%~70%，吞吐量提升2~5倍，可显著优化成本（GPU资源消耗减少50%），这些将为企业带来更快的响应速度，更高的稳定性，更优质的用户体验。

〇 分享亮点 〇

1、AI平台架构

2、分享推理优化技术实践

3、分享工程化优化技术实践

4、未来展望

5、QA

〇 分享简介 〇

随着AI大模型进入迅猛发展的“AGI”时代，算力需求持续攀升，对大规模、高效率、高稳定性的算力基础设施提出了前所未有的挑战。在高端GPU资源受限及国产化趋势的双重背景下，充分挖掘和利用多样化的异构算力，已成为突破算力瓶颈的关键路径。

对于复杂的异构计算环境中，大模型进行高效的训练与推理优化尤为重要。在训练阶段，通过混合并行策略、ZeRO显存优化等优化手段来提升优化效率，显著提升大模型在异构集群上的训练效率和稳定性。在推理阶段，除了探讨模型量化、剪枝等常规轻量化方法，PD分离（Pipeline-Decoupling）、大EP（Execution Provider）等进阶优化策略，可促进高效推理引擎的设计，以实现在不同硬件平台上的灵活、低成本服务部署。

本次分享基于商汤“大装置SenseCore”在国产算力优化与调度方面的思考与实践。阐述构建基础设施、平台、算法到服务的全栈一体化AI Infra解决方案，核心实践聚焦于解决异构算力“用起来、用得好”的难题。此外，也将重点分享分层集合通信、异步训练和自动负载均衡等技术，有效克服了混合集群的“木桶效应”，实现了NV与国产算力的协同高效运行，实现例如“异构混训”、“大规模EP推理”等高效训练推理方案。全面通过这些实践，为从业者共建自主可控的AI产业生态，让强大的异构算力成为普惠资源，帮助企业加速AI的产业化应用。

〇 分享收益 〇

目标：

1、了解当前国产异构算力的现状，并获得务实可行的国产算力适配与优化策略，业务迁移至国产算力的可能性和商业可行性。

2、学习提升混合硬件集群效率的关键技术与架构思路。

3、 洞察AI算力基础设施的未来发展方向与国产化趋势。

4、了解异构算力的核心能力、性能特点及适用场景，以及针对场景和方案来进行技术选型、算力规划和预算决策。

5、了解PD分离（Pipeline-Decoupling）与大EP（Execution Provider）等业界前沿的进阶推理优化策略。以及在最新的国产设备上进行部署和应用。

成功要点：

解决从底层硬件到上层AI应用的全链路问题，并完成异构算力调度纳管，以此揭秘业界领先的“异构混训”、“大规模EP推理”等技术在国产异构芯片上的实践，深层次分析芯片领域高效融合，利于企业发挥最大效能 。

启示：

1、结合高效推理引擎，在多样化的国产及非国产硬件上实现模型的低成本、高效率部署。以及掌握高效推理引擎的设计，可以在多种硬件上实现灵活、低成本服务部署，最终目标均可为开发者构建一套在异构算力时代，高性能、高性价比的AI系统完整参考方案。

2、对企业而言，异构算力集群的优化和调度，是从成本中心到战略赋能中心转变。决定了企业在数字化、智能化竞争中的速度和成本，是构建长期战略的关键一环；是驱动公司产品研发、数据分析和业务创新的核心引擎；更是资源视角到业务视角的效能中心。

〇 分享亮点 〇

1、背景与挑战：高端GPU资源受限与国产化趋势下，如何“用起来、用得好”异构算力。

2、异构算力的核心能力和技术选型 ：主流GPU、国产AI芯片等硬件的能力与特点分析，如何根据不同AI任务（训练 vs. 推理）选择合适的硬件组合。

3、训练优化实践 ：通过显存优化、并行策略优化等方式显著提升大模型在异构集群上的训练效率和稳定性。

4、推理优化实践 ：通过轻量化方法和进阶优化策略在不同硬件平台上实现灵活、低成本的服务部署。

5、基于异构算力的场景落地实践 ：在最新的异构算力芯片上的完整大模型场景落地全过程。

6、异构算力未来展望：构建高性能、高性价比AI系统的关键要素。未来趋势：统一编程模型、软件定义算力与智能化调度。

7、QA

〇 分享简介 〇

近年来，DeepSeek-V3/R1、LLaMA-4 和 Qwen 3 等超大规模专家混合（MoE）模型在大语言模型（LLM）领域表现出色。然而，这类MoE模型显著增加了内存开销，部署时通常需要8卡甚至16卡高端 AI 加速器，提高了系统成本。

Intel PyTorch 团队为 SGLang 项目贡献了 CPU 后端的支持，并提出了一种基于第六代 Intel® Xeon® 可扩展处理器的高性能纯 CPU 部署方案，成本仅为传统方案的一小部分。借助Intel AMX（Advanced Matrix Extensions）实现FlashMLA 和 MoE 模块的优化算子，在 TTFT（首次 Token 生成时间）上相比 llama.cpp 实现 6–14 倍提速，在 TPOT（总吞吐量）上实现 2–4 倍提速。大幅降低了中低并发场景下大规模 MoE 模型部署的成本。

本次分享将系统阐述内核级优化的技术细节，涵盖任务划分策略、内存访问效率优化，以及基于 Intel® AMX 实现高度优化的 GEMM 算法。重点解析以下三个关键性能热点：RadixAttention，MoE（混合专家模型）和非原生条件下的FP8 GEMM。 为与会者提供最直接的借鉴。

〇 分享收益 〇

目标：

1、探索 LLM 部署中 CPU 的应用以及 GPU/CPU 混合应用的场景，帮助企业降低部署成本。

2、解析内核优化中的关键性能热点。

成功要点：

基于 Intel® AMX 的高性能算子开发（Flash Attention, Fused MoE, FP8 GEMM），通过 NUMA 并行充分利用所有 CPU 核心资源，是企业降低部署成本的关键。

启示：

针对 DeepSeek R1、Qwen 3 等代表性 MoE 模型，可通用 CPU 平台上的低成本部署路径完成，适用于边缘部署与大规模线上推理场景。

〇 分享亮点 〇

1、SGLang 已原生支持在搭载 Intel® Advanced Matrix Extensions (AMX) 的 Intel® Xeon® CPU 上运行的 CPU 后端。

2、支持在 Dense FFN 和 Sparse FFN（MoE）中使用 BF16、INT8 和 FP8 数据格式。

3、在 TTFT（首次 Token 生成时间）上相比 llama.cpp 实现 6–14 倍提速，在 TPOT（总吞吐量）上实现 2–4 倍提速。

4、通过对 MoE 内核的高度优化，实现了 85% 的内存带宽利用率。

5、支持通过张量并行（TP）实现跨 NUMA 节点的并行计算。

6、QA

〇 分享简介 〇

大模型推理优化已进入“精耕细作”阶段，不再依赖单一技术突破，而是通过架构革新、算法迭代、硬件协同和系统设计的深度融合实现效能跃升。这一过程既需要底层技术的持续创新，也依赖于工程化能力的体系化构建。

企业在解决大模型推理性能优化中，AI领域的核心挑战难点涉及硬件、算法、系统架构及应用场景等多个维度。而真正的解决方案在于构建自适应推理生态系统。通过实时剖分器监控各环节延迟分布，运用强化学习动态调整批大小、并行度和精度配置；结合因果推断识别性能瓶颈根源；最终实现从“一刀切优化”到“千人千面”的资源调度革命。

本次分享深入研讨超节点以及大规模专家并行方案，以华为的系统创新，互联优势，软件层面在算子加速库、动态调度、PD分离部署等领先领域下，将大模型推理极致性价比的推理解决方案展现，帮助与会者借鉴倍数级提升大模型推理性能实践，开创下一代AI基础设施范式。

〇 分享收益 〇

目标：

1、了解华为推理引擎对芯片、算子、推理服务化的系统优化方案与思考。

2、学习大型企业大模型推理中，性能推理优化的落地优秀实践。

成功要点：

在中心推理对高吞吐、低时延诉求不断提升时，持续提升推理性能成为各企业关键战场。华为超节点架构创新、构建互联带宽优势、构建大规模专家并行架构，都通过系统创新在MOE模型推理中，降低tokens成本，均取得了性能大幅度提升。

启示：

大模型推理优化本质是“用工程创新释放理论效能”的过程，它既是基础设施的能力沉淀，也是商业模式的创新支点。在LLM走向千行百业的当下，谁能高效完成从参数到服务的转化，谁就能在AI价值链分配中占据更有利位置。

〇 分享亮点 〇

1、解析华为超节点的框架与优势

2、分享大规模专家并行方案的原理与成果

3、分享昇腾推理引擎的技术架构

4、大模型推理的未来展望

5、QA

〇 分享简介 〇

在Data+AI的战略目标下，理解数据研发需求、构建AI原生的数据底座、以及深度分析前沿大模型技术与能力边界，从而更加合理地设计与优化AI技术，是实现数据普惠的愿景。

Data Agent作为人工智能（特别是大语言模型）在数据领域落地的革命性应用，数据检索作为Data Agent的第一个关键步骤，在大数据与复杂数据环境中，元数据质量不足、用户查询意图多样性及传统检索技术的局限性，共同构成了数据检索的核心挑战。

企业通过分析用户SQL查询历史与使用习惯，动态优化元数据描述与索引，实现“以用促搜”的闭环增强机制。同时，借助大型推理模型的深度思考能力，构建Agentic RAG框架（以DeepSearch为例），通过多阶段召回、智能推理与工具调用，精准挖掘元数据关联，可以有效应对结构化数据的层级特性与语义歧义问题。

本次分享将深入探讨通过融合大语言模型（LLM）、检索增强生成（RAG）及用户行为与知识驱动的元数据增强技术，构建智能、自适应的数据检索新范式。同时，展望数据检索技术的未来。

〇 分享收益 〇

目标：

1、了解数据检索智能化技术背景及应用场景；

2、探索大模型智能体与AI Search算法实践路径；

成功要点：

推理模型与AI智能体技术的有机结合极大地提升了智能检索技术在数据研发场景落地的成熟度，同时，数据与知识增强技术奠定了落地基础。

启示：

作为构建Data Agent（数据智能体）的基石，智能化检索将推动数据交互向更自主、更普惠的方向发展，助力企业实现全生命周期数据研发的智能化升级。

〇 分享亮点 〇

1、分享数据检索背景以及挑战

2、大模型AI检索技术带来的启发

3、分享能力建设路径与应用、案例

4、总结与展望

5、QA

〇 分享简介 〇

大模型时代，人工智能快速发展，数据、算法、算力3要素中，算法、算力趋于成熟，但高质量数据仍然严重短缺，特别是复杂性、多样性的高质量数据。人工智能对高质量数据需求越来越强烈，数据需求从通用领域拓展到垂类应用。

"人工智能+”行动到哪里，高质量数据集的建设和推广就要到哪里。逐步实现从“劳动密集型”向“技术-知识双驱动”的升级，以匹配人工智能对高质量数据的严苛需求。高质量数据平台工具链建设聚焦在BAT、央国企等大型企业，有实力开展高质量数据研究、数据工具研发、数据生产平台开发等。数据标注企业以传统人力服务为主、平台建设围绕人工标注数据的工具链为主，当前数据基础服务行业处于百花齐放、还未形成大体量行业龙头情况。2022年OpenAI发布ChatGPT后，对于大模型预训练需要的知识性海量数据处理需求加速，但多模态AI治理平台缺失。高效数据治理平台工具将是实现海量高质量数据建设的工作重点之一。

本次分享将以人工智能高质量数据集构建实践为主体，深入探讨高质量数据开发建设工程框架、以平台工具链牵引的高质量数据构建案例。帮助与会者厘清高质量数据，对于企业构建AI应用的重要价值。

〇 分享收益 〇

目标：

1、通过人工智能企业级PB级高质量数据集建设实践，抽象出高质量数据集建设的平台工程、工具链技术、业务专家等系统性框架。

2、展开AI数据治理、AI数据标注的高质量数据构建实践案例，加速通用及垂类大模型需要高质量数据集建设。

成功要点：

人工智能高质量数据集建设是一个系统性工程，需要统筹规划数据生产体系、应用牵引、技术创新、人机协同平台、用工模式创新、数据质量评价及数据生产安全保障等。

启示：

1、企业需快速熟悉大模型时代，人工智能高质量数据建设的系统性方法，加深对数据建设的深度理解。有利于实现海量高质量数据建设，加快AI应用落地以便辅助业务发展。

2、高质量数据集是AI系统的石油，其建设不仅是技术工程，更是企业构建AI 核心竞争力的战略投资。未来决胜AI胜负的不是算法创新，而是数据系统的工程能力。

〇 分享亮点 〇

1、人工智能数据的需求变化

2、高质量数据开发工程框架

3、高质量数据构建案例分享

4、QA

〇 分享简介 〇

数据智能领域正经历着一场深刻的范式迁移，即从以“预测”为核心的关联分析，向以“决策”为目标的因果推断演进。这一趋势的背后，是业界普遍面临的增长困境：在高维复杂的业务生态中，基于相关性的机器学习模型虽能精准预测，却无法为“如何有效干预”提供科学指导，导致企业在策略制定上仍依赖于高成本的A/B测试或模糊的经验归因。

我们认为，突破这一瓶颈的关键，在于构建对业务系统的结构性理解，从数据中发掘“变量-行为-结果”之间的因果链路。

为应对这一挑战，本次分享将从因果推断的视角出发，提出一套系统的“因果驱动数据智能的三步实践框架”。深入研讨摒弃传统的关联分析，演示识别定性的因果方向以构建业务因果图为起点；进而定位影响决策效果评估的关键混杂变量；最终帮助企业个性化决策的De-Confounding Uplift算法实践。为与会者揭开业务增长背后的因果谜题，让数据真正驱动科学决策。

〇 分享收益 〇

目标：

1. 了解一套将因果推断应用于复杂业务的、从理论到实践的端到端解决方案。

2. 掌握从高维数据中构建业务因果图、识别关键混杂变量的核心方法、并应用前沿Uplift模型进行个体因果效应（ITE）评估的技术，以支撑精准干预决策。

成功要点：

基于科学剥离业务中复杂混杂因素的系统因果推断方法，从“群体平均”分析下钻至“个体增益”评估的核心技术，为实现数据驱动的精细化资源分配和个性化策略提供决策依据。

启示：

推动数据智能从模式识别的“预测”能力，跃迁至对系统内在因果机理进行建模的“决策”能力的关键命脉。

〇 分享亮点 〇

1、相关性驱动的迷雾

1）业务增长悖论

2）关联的陷阱

3）破局之道：因果驱动

2、因果推断实践现状与困局

1）因果推断的基本目标：ATE和ITE

2）面向RCT的因果推断实践 

2）面向观测数据的因果推断实践 

4）因果推断的实践困局

3企业因果驱动策略：三步实践框架

1）第一步：识别定性因果方向，明确业务逻辑

2）第二步：定位面向核心业务抓手的关键混杂

3）第三步：指导个性化干预的 De-Confounding Uplift 算法实践

4）马消具体案例解析

4、总结与展望

1）总结：因果驱动的业务优化 

2）展望：因果驱动的AI系统

〇 分享简介 〇

AI智能体在大数据领域的发展趋势呈现出多元化和深度融合的特点，随着深度学习算法的不断优化和创新，AI智能体能够更高效地处理大规模、复杂的数据集。通过改进神经网络架构、优化训练算法等方式，提升智能体对数据的理解和分析能力，是实现更准确的预测、分类和决策的关键。

多模态数据融合、RL与自主决策能力的提升，也使AI智能体在大数据中具备更强的自主决策能力。未来，AI智能体将更加注重多模态数据的融合处理，能够同时分析和理解不同类型的数据，挖掘出更丰富、更有价值的信息，为各行业提供更全面、深入的洞察。广泛渗透在零售、金融、电商、医疗、智能制造、交通运输、能源管理、农业等众多领域。结合Data+AI进行数据智能决策是企业当下的必选项，需要前置技术和业务知识储备，共同推进各行业的深度应用和变革。

本次分享将聚焦AI技术和数据建模能力，构建企业智能决策体系，实现从“经验决策”到“数据驱动”的跃迁。深入探讨企业在实际项目中构建AI辅助决策系统的场景案例，以及AI组织化转型，充分利用AI释放数据价值，帮助企业提升运营效率与战略判断力。

〇 分享收益 〇

目标：

1、了解AI智能决策的基本框架：包括数据建模、指标体系、知识建设、AI场景化应用等关键环节。

2、了解典型的AI决策场景，最新的落地进展和试错情况。

3、了解建设一个AI辅助决策平台落地实践，从0到1完成数据治理与智能化决策闭环。

4、帮助企业建立创新意识，认识AI在提升组织敏捷性与战略判断力中的重要角色。

5、充分理解AI数据决策的能力边界，做好企业的有效技术投资。

成功要点：

AI可以实现生产决策流程的自动化，减少人工干预和繁琐的操作环节，进一步提高决策效率，提高生产效率和产品质量。完善的技术选择，安全、可信、可解释的AI数据决策智能体，随学习和训练来优化决策模型，数据的积累和算法的改进，让决策模型更精准。

以数据为基础，从知识体系、数据治理、指标体系，到 AI Agent，AI数据决策对资源进行更合理的分配和调配。在企业管理中，通过对各部门的业务数据、资源使用情况等进行分析，AI可以帮助企业优化人力、物力、财力等资源的配置，提高资源的利用效率，降低运营成本。

启示：

理解AI数据决策的能力边界，可提高决策质量，精准与客观分析的完成大量的市场数据、交易数据。能够处理和分析海量的数据，挖掘出其中隐藏的模式、趋势和关联，为决策提供更准确的信息依据。

〇 分享亮点 〇

1、从“数据决策”到“AI辅助决策”

1）企业决策困境与AI机遇

2）从数据治理到知识建设

3）管理能力是核心竞争力

2、从一次实践看AI智能决策系统构建路径

1）3个月：从一个小场景突破

2）6个月：面的展开和试错

3）9个月：成功场景的复制推广

3、AI+Data场景的成功经验和案例分析

4、未来展望

1）短期，场景化的知识建设

2）中期，企业经营的标准化和敏捷化

3）长期，社会组织的AI化转型

5、QA

〇 分享简介 〇

Text2SQL技术加速从学术研究向工业级应用演进，核心呈现架构模块化解耦、处理流程轻量化（多阶段流水线降低LLM依赖）、垂直领域深度定制三大趋势。

Text2SQL应用落地主要集中在小规模场景，复杂场景面临准确性不高，如spider2.0 SOTA ~40分，存在业务语义鸿沟、多表联查与嵌套聚合不准、数据安全不可控等痛点，业界多在“意图理解-模式链接-SQL生成”的范式下，基于场景构建专用术语库与查询模板的寻求突破。

 本次分享京东基于多元混合业务场景的Text2SQL实践，突破传统“模式链接→SQL生成”范式，创新“元数据增强驱动”的智能开发路径。为行业提供可复用的低成本通用化方案。

〇 分享收益 〇

目标：

1、揭示大模型增强元数据的核心价值：自动化构建业务语义层，解决60%+的术语映射问题

2、解码复杂场景落地关键：轻量化多智能体架构面向亿级字段的稳定性验证

成功要点：

通过动态反馈机制（自动评估+人工验证双循环）实现模型持续迭代，并以 业务流程嵌入式设计，确保人工反馈自然发生，攻克“大模型智慧与低级谬误并存”的落地悖论

启示：

Text2SQL的本质是 Data+AI的螺旋融合，以元数据为纽带连接数据工程与业务流程，让AI理解数据，让数据赋能业务。

〇 分享亮点 〇

1、京东大数据生态的挑战与机遇

2、智能化演进：元数据增强驱动的智能化

3、智能化实践：Copilot & Data Manus

4、元数据增强：AI持续进化的燃料

5、总结

6、QA

〇 分享简介 〇

在Data+AI的战略目标下，深刻理解数据工程的核心需求、构建AI原生的数据处理能力、厘清前沿大模型的技术边界，是构建智能化数据工程体系、实现数据价值高效释放的关键路径。数据工程作为数据智能的核心环节，在复杂业务场景中面临严峻挑战：如原生数据质量参差不齐、高质量数据稀缺、以及传统处理流程智能化程度低，共同构成了数据工程提质增效的主要瓶颈。

企业通过融合大语言模型技术，在数据工程领域实现了三大突破：首先，构建了人机协同的数据标注与质检流程，通过LLM实现自动化数据预标注与质检；其次，利用数据生成能力构建垂类场景开发测试流程，解决特定领域测试数据稀缺问题；最后，通过数据筛选与生成能力构建垂类数据智能体微调数据，实现领域知识的持续沉淀与优化。

本次分享将深入探讨大模型如何赋能数据工程，涵盖智能标注架构、可控数据生成等关键技术，为企业构建精准、高效的数据生产体系提供实践指导，推动数据智能应用的规模化落地。

〇 分享收益 〇

目标：

1、了解数据工程流程、技术背景及应用场景

2、探索大模型在大数据场景数据标注、筛选、生成实践路径

成功要点：

大模型技术显著提升了数据工程的自动化水平，通过智能标注、语义筛选和生成式增强，解决了传统数据处理的效率与成本瓶颈，为高质量数据生产提供了新范式。

启示：

作为数据智能的基础，大模型技术正在重构数据工程范式，其显著降低数据获取与管理成本，将数据工程从保障性职能升级为驱动数据智能应用落地的核心能力，为企业沉淀高价值、可复用的数据资产。

〇 分享亮点 〇

1、分享大数据场景下数据工程背景以及挑战

2、大模型生成技术带来的启发（智能标注架构、可控数据生成等）

3、分享能力建设路径与应用、案例

4、总结与展望

5、QA

〇 分享简介 〇

各类针对特定场景的数据Agent成为主流，每个细分领域的数据特性、知识体系和决策规则都将形成独特的技术壁垒，无论在金融、医疗、零售等不同行业，根据具体业务需求定制专属的Data Agent场景化应用更加深入。未来Data Agent将具备更强的跨平台协作能力，能够打破不同数据系统和应用之间的壁垒，实现数据的无缝流通和协同工作，整合更广泛的数据资源为企业决策提供支持，进一步提升企业的智能水平。

数据智能体 Data Agent 作为火山引擎依托大模型技术，产出的新一代企业级 AI 数据专家，“Data”深度理解和运用企业数据资产的能力，“Agent”体现其作为企业的智能代理，能够像专家一样主动思考、分析和行动。

Data Agent 经历了抖音集团内部大用户量、高并发的考验与打磨，凝聚了火山引擎数智平台对于 Data+AI 的理解。 其中，智能分析智能体基于AI深度思考与大数据分析的洞察研究专家，融合大模型的深度思考能力，运用交叉分析与归因分析等方式，以智能问数为交互基础，自动规划数据洞察大纲并执行任务，最终形成深度研究报告，达成智能洞察最后一公里，放大企业数智化基建与AI创新价值。

本次分享将解析数据分析智能体产品与技术架构，以及在域内和To B客户的落地实践，通过行业融合，帮助企业学会应用先进智能化能力，提升决策效率与质量，与数据分析、行业从业者一起深探Agent未来发展方向。

〇 分享收益 〇

目标：

1、了解数据分析整体runtime架构，text2sql技术，非机构化数据分析技术。

2、了解可借鉴的不同行业、不同业务场景下数据分析智能体的成功落地案例，业务场景落地案例。

成功要点：

数据分析智能体就是幻觉与探索性之间的博弈，明确数据分析智能体在企业内部从需求调研、方案设计、技术选型、部署实施到上线运维的全流程实施逻辑，让企业内部实施路径更加清晰化。

启示：

1、Data Agent分析智能体架构具有显著的价值和深远的意义，它正在成为越来越多企业实现数字化转型和提升核心竞争力的重要工具。Data Agent促进企业更好地管理和利用数据资产，挖掘数据中的潜在价值，从而提升企业的核心竞争力。

2、Data Agent的实现离不开先进的数据处理、AI和自动化技术。随着Data Agent的性能和应用范围不断拓展，都终将推动相关技术的创新和发展，影响企业决策、企业数据素养。

〇 分享亮点 〇

1、拆解Data Agent 整体

作为连接数据与业务的智能中枢定位、核心价值、关键特性等

2、产品与技术架构：

涵盖分析智能体整体架构及各模块协同，结构化分析的 text2sql 技术，非结构化数据处理流程与跨模态分析能力。

3、效果演示与落地

1）展示核心功能场景及性能提升

2）字节域内典型业务案例与价值：成功企业行业方案、实施案例及方法论。

4、未来展望

展望技术演进方向，包含自主学习能力、拓展应用场景至前沿领域；规划生态构建，及对企业数字化转型的影响。

5、QA

〇 分享简介 〇

随着思维链（CoT）技术的发展，大模型完成了从简单的生成模型（答案直给）到推理模型（展示思考）的进化，同时，随着日渐成熟的RAG技术的融入，解决了知识时效性、上下文长度限制的问题。融合这两种策略，即RAG加上“规划-验证-反思”循环，催生出DeepResearch产品的诞生，使得模型可以像专业人士一样思考：提出假设、拆解问题、递归检索和自我矫正，大大提升了模型智能推理的天花板。

DeepResearch作为OpenAI的明星产品，赚足了市场的口碑，头部企业争相效仿。然而，DeepResearch类型的产品仍处于早期阶段，尚存在诸多问题，例如垂直领域的工具利用、监督数据的匮乏、推理成本的高墙等等。

本次分享，将探讨从RAG/CoT到DeepResearch技术的演进历程。充分的让企业理解DeepResearch技术源起何处，又会走向何方。理解DeepResearch技术和产品解析、底层逻辑、产品设计、技术要点和产业生态。同时，从DeepResearch到智能体。更深层次的帮助从业者理解DeepResearch和智能体技术（Agentic AI）的紧密联系，展望智能体技术的潜力和未来。

〇 分享收益 〇

目标：

1、理解RAG以及更加复杂的DeepResearch系统的构建与优化方法。

2、了解基于思维链的推理模型finetune技术与实践。

成功要点：

通过优质的数据、垂类行业的经验、以及推理成本优化，来支持高效能的DeepResearch推理产品，助力业务的降本提效

启示：

DeepResearch技术产品的实现思路和实践经验教训。

〇 分享亮点 〇

1、从生成到推理：inference time scaling law

2、大模型幻觉的良药：RAG

3、DeepResearch产品与系统设计

4、应用落地与优化

5、展望：持续突破智能边界

6、QA

〇 分享简介 〇

人工智能的发展长河奔腾不息，我们将回顾前大模型时代AI的探索之路。在那个时代，人工智能呈现出“百花齐放”的态态，不同领域的任务被独立的、高度特化的模型所解决，从计算机视觉到自然语言处理，我们积累了宝贵的经验，但也面临着模型泛化能力有限、数据与知识无法高效共享的“孤岛困境”。而今，随着算力、数据和算法的突破，我们共同见证了大模型技术开启波澜壮阔的AGI（通用人工智能）时代。这不仅是一次技术上的量变，更是一场深刻的范式革命，AI的能力从“单点专精”跃迁至“通用融合”，一个统一的技术范式正在重塑整个科技乃至社会的版图。

在这场由大模型引领的变革浪潮中，我们身处其中，既感到兴奋，也面临着前所未有的挑战。当前，业界的焦点已经从“能否做出大模型”转向“如何更高效率、更负责任地构建和应用大模型”。这里的核心痛点可以归结为两大方面：其一，“构建之痛”，即预训练阶段的巨大资源消耗与技术不确定性。如何设计出更高效、更具扩展性的模型结构，以及如何通过先进的优化器技术在海量数据中“炼”出模型的通用智能，是决定模型能力基石的关键。其二，“应用之殇”，即后训练阶段如何让强大的模型“为我所用”。一个预训练好的模型如同一座潜力无限的矿山，但如何高效、安全、可控地进行“开采”（推理），并使其输出与人类价值观对齐、真正满足用户意图（强化学习），是决定其商业和社会价值的“最后一公里”难题。

为了系统性地剖析并应对上述挑战，本次分享将沿着大语言模型的技术生命周期，深入两大核心阶段。我们将首先聚焦于预训练环节，探讨奠定模型能力的基石-先进的模型结构与高效的优化器技术，揭示模型强大通用能力的来源。随后，我们将视野转向后训练阶段，深入剖析决定模型实用价值的关键技术，希望通过这次分享，能与大家共同描绘出大语言模型从诞生到应用的完整技术图谱。

〇 分享收益 〇

目标：

1、提供一张描绘大模型发展脉络的‘地图’，和一把解构其核心技术引擎的‘钥匙’，助您看清来路，更洞见未来。

2、了解大语言模型预训练和后训练的关键技术

成功要点：

在数据和计算资源不断增加的条件下，不断提升大语言模型的精度和效率，才是企业利用大语言模型打造未来竞争力的核心方程式。

启示：

熵增的预训练和熵减的后训练，以及在没有额外人类数据和外部大模型的情况下的反馈，是构建AGI的关键技术。

〇 分享亮点 〇

1、当前大模型时代的AI

2、大模型开启了波澜壮阔的AGI时代 

3、大语言模型预训练的关键技术：模型结构和优化器

4、大语言模型后训练的关键技术：推理和强化

5、QA

〇 分享简介 〇

业界研究层面，强化学习（RL）正成为驱动推理型大模型能力跃迁的重要路径。通过Agentic RL、基于环境反馈的长程优化、以及与外部工具、知识源的闭环交互训练，模型能够逐步掌握任务拆解、检索、逻辑推理与结果校验等核心能力。近期在基于网页的推理Agent（如WebShaper、WebSailor）和零示例搜索引导（ZeroSearch）等方向的探索，显示了RL在提升模型工具调用方面能力的显著潜力。

当前，企业在复杂业务流程、专业知识密集型任务中愈发关注大语言模型的可控性、推理深度及长期任务执行能力。然而，现实痛点在于：通用模型在面对多步骤推理、工具调用及结果验证等环节时，常出现事实偏差以及效率不足等问题。

本次分享将聚焦RL驱动的推理大模型的最新技术进展与典型行业应用案例，解析其在提升模型事实准确度、跨步骤推理稳定性、以及与业务场景深度融合中的关键方法论，旨在为企业决策者和技术团队提供落地路径与研发启示。

〇 分享收益 〇

目标
1、为AI及行业应用领域提供关于利用强化学习（RL）驱动推理型大模型实现可控、可验证、多步骤复杂任务处理的可借鉴方法。

2、了解推理大模型的最新技术进展与典型行业应用案例。

成功要点：

将高质量数据与评测体系作为根基，并让强化学习有效协同外部工具和知识库，是成功构建一个稳定、可验证的推理闭环的关键，也是实现复杂任务处理能力的重中之重。

启示：

推理大模型的核心价值在于构建了一个闭环智能体（Agent）训练架构，利用强化学习优化大模型的决策策略，使其能通过调用外部工具来可靠地完成现实世界任务。

〇 分享亮点 〇

1、针对于业务场景的QA数据构建

2、真实/模拟环境中的Agent训练

3、RL驱动的推理Agent与外部工具协同

4、QA

〇 分享简介 〇

基于Agent RL的大模型复杂推理技术正处于快速发展阶段，其未来的发展趋势将更加注重技术的深化与融合、性能的提升优化、应用场景的拓展以及研究与发展重点的明确。同时，随着自我进化与适应能力的不断提升，这一技术将更加智能、高效地服务于各个领域，为社会的发展贡献更大的力量。除了强化学习与大模型的融合，以及规则智能体竞相结合，规则智能体在实体识别、意图分类等方面优势，都让大模型的逻辑推理、任务规划和工具调用能力互补，共同推动复杂推理技术的发展。

这些大模型复杂推理能力的持续突破，让电商企业正加速迈入智能化决策新时代。当前，中小商家在选品组合、流量诊断、营销策略等高复杂度任务中，普遍面临规则难泛化、人工效率低的问题，亟需具备高阶理解与自主推理能力的智能体提供决策支持。围绕这一趋势，聚焦电商场景中的可控推理路径设计，通过引入强化学习优化Agent的链式推理策略，显著提升了任务执行的准确性与鲁棒性，为复杂业务场景提供更可靠的智能解决方案。

本次分享将围绕“大模型复杂推理在电商领域的落地实践”展开，深入探讨推理型AI如何助力商家实现智能经营、提效降本与能力跃迁，同时，推理能力的引入，使AI从“回答工具”跃升为“思考型助理”，赋能许多行业从操作执行走向策略决策。大模型不仅能生成内容，更能理解业务、识别风险、预判趋势，助力企业释放深层智能业务价值。

〇 分享收益 〇

目标：

1、了解提升推理大模型的可控生成能力的关键技术

2、通过RL提升大模型链式推理能力，达成复杂业务场景提供更可靠的智能解决方案。

成功要点：

 1、CoT + 工具增强推理：结合Chain-of-Thought引导推理路径，并接入数据工具辅助判断，有效解决电商策略中“结论难解释”“建议不清晰”的问题

 2、 Retrieval-Augmented Generation：引入电商知识库、历史案例、行业规则等信息源，使推理结果更贴合上下文、减少幻觉问题

3、强化学习优化Agent链路执行路径：通过策略学习提升模型对多轮任务规划与子任务执行的能力，强化其“感知—推理—执行”闭环

4、场景微调与人机协同机制设计：结合实际业务数据对模型进行场景对齐微调，辅以人类反馈回路增强决策可信度和可控性

启示：

1、可控性与反馈机制是大模型应用落地的关键，RL优化与有效的数据反馈可有效抑制错误传播与幻觉生成，提升模型稳定性与可验证性

2、真正实现落地，离不开工程与算法的深度协同，除了模型能力本身，还需完善的数据支撑、任务编排机制以及多角色协同体系，共同构建稳定、高效、可控的智能体应用闭环。

〇 分享亮点 〇

1、可控推理路径构建：让AI“按逻辑思考”

2、工具增强推理（Tool-Augmented Reasoning）：打通AI与业务系统

3、Retrieval-Augmented Generation（RAG）：结合知识库增强事实一致性

4、强化学习优化链式Agent：提升复杂任务执行能力

5、QA

〇 分享简介 〇

随着大模型慢思考推理能力、Agentic端到端训练等技术发展，信息获取agent能力取得飞速进步。OpenAI、谷歌及国内大模型厂商纷纷推出自己的深度研究产品。模型可以通过与外界信息环境的深度交互，完成专业的研究报告生成，回答人类数小时都无法求解的难题。大模型的信息及知识获取模式逐步从简单的搜索增强生成往长时、多工具、复杂任务形态等方向发展。

信息获取几乎是所有复杂生活、生产任务的基础步骤，能否实现信息获取AGI，是AI技术发展阶段的重要衡量维度。信息获取agent逐步从“副驾”走向“主驾”,也将会是AI发展的必然趋势。在这个过程中， 端到端模型训练、难例数据合成，开放式任务评测等将会是整个行业需要解决的关键技术问题。

本分享将会梳理大模型信息获取Agent及深度研究技术的最新发展现状与趋势，结合华为诺亚方舟实验室在智能体上的研究实践，与IT从业者们共同探讨通往信息获取AGI的关键技术路径。

〇 分享收益 〇

目标：

1、了解信息获取Agent的发展现状

2、了解实现信息获取Agent的若干关键技术

3、通过信息获取Agent看到整个AI及智能体的发展趋势

成功要点：

经验scaling+ 推理时长scaling+群体智能scaling ，是通往信息获取AGI的关键路径，它们如同三把钥匙，为行业发展在未来的信息时代中实现更加智能、高效的信息获取和处理带来了无限的可能。

启示：

1、真正利用大规模算力scaling的方法，需研究人员具备深厚的专业知识和丰富的实践经验，需深入了解计算技术的本质，掌握各种算法的特点和应用场景，灵活调整和优化计算方案。才能确保大规模算力得到充分、有效的利用，避免资源的浪费和盲目堆砌。

2、真正利用大规模算力scaling，许多领域已然实现，它是推动智能水平实现，质的提升的关键所在，承载着未来智能社会发展的美好期望，具有不可估量的价值和意义。

〇 分享亮点 〇

1、信息获取任务定义与挑战

2、信息获取agent业界技术发展现状

3、DeepDiver：盘古信息获取Agent技术实践

4、总结与展望

5、QA

〇 分享简介 〇

随着强化学习技术在大模型训练和对齐过程中的持续应用与优化，当前的大语言模型正经历从“直接生成型模型”向“推理型模型”的转变。这一演进不仅提升了模型在复杂任务中的表现力与通用性，也显著增强了其输出内容的可解释性与可信度，标志着大模型在朝着更高层次智能行为发展的重要阶段。

在招标采购、合规审查、风控评估、战略规划、客户服务等诸多企业关键场景中，普遍存在规则复杂、信息不对称、决策链条长、依赖大量人工经验等共性难题。这些流程通常繁琐且重复，既耗费时间，又容易受到人为偏差的影响，导致决策成本高、响应效率低。面对日益增长的数据规模与业务复杂性，企业亟需引入更智能、更具推理与自适应能力的AI技术，以实现流程自动化、知识结构化和决策智能化，从而全面提升业务效率与决策质量。

针对当前企业或个人在决策类场景中普遍存在的规则复杂、知识碎片化、依赖专家经验等痛点，单纯依赖传统规则系统或浅层模型已难以满足业务对智能化、准确性、可解释性与透明度的更高要求。为此，关注并探索具备深度推理能力的大模型技术，特别是那些能够在复杂任务中展现“类人思考路径”的模型架构，如具备Chain of Thought（CoT）、Tree of Thought（ToT）等能力的推理模型。相较于传统的直接生成式模型，这类模型不仅能完成事实性回答，还能分步骤地解析复杂问题，有助于提升任务的可解释性、稳定性与准确性，非常契合诸如招标、审批、合规、投研等决策类场景中对“推理过程透明”与“结果可验证”的核心诉求。

当前业界在这一方向已出现积极探索，如基于多Agent协同推理、引入企业知识图谱增强上下文理解、结合RLHF机制优化多轮推理路径等方法，正逐步推动大模型更智慧。本次分享将聚焦深度推理模型在智慧招采辅助决策中的实践与探索。结合深度学习、强化学习技术，帮助AI从业者构建具有可解释性与自适应能力的推理系统，以应对合规判断、供应商筛选、异常识别、辅助评标等核心问题，给出相关研究已在多个大型国央企中应用并取得成效的方案。

〇 分享收益 〇

目标：

1、了解深度推理模型在智能辅助决策领域的应用经验，推动从“规则驱动”向“智能推理”的智能决策提供实战思路与技术启发。

2、厘清深度推理模型在AI智能辅助决策中领域的价值边界，剖析其落地路径与技术要点，并借助实际案例，启发听众使用AI能力辅助企业智慧决策。

成功要点：

聚焦深度推理模型的可解释性、任务分解和决策能力，通过引入链式思维（Chain of Thought）、知识增强、以及与业务流程深度耦合的工程实践，使AI模型在复杂决策场景中具备稳定、可靠的推理能力，从而实现了智能化辅助决策的有效落地。

启示：

深度推理能力是AI从“会回答”走向“会思考、能决策”的关键突破口，能够为企业带来高质量、可追溯的智慧决策支持。

〇 分享亮点 〇

1、强化学习技术解析

2、深度推理模型的发展

3、深入探讨剖析深度推理模型的场景特征与能力边界

4、深度推理模型在辅助决策的应用和实践

5、总结和展望

6、QA