长按二维码,关注官方公众号
本硕均就读于哈尔滨工业大学，毕业后在华为工作。19年进入百度，主要工作负责多个数据中台的构建。
线上异常指标智能洞察
演讲介绍：
企业在数据中台通常会针对端进行各项业务数据指标的建设，核心指标将直接影响APP产品效果以及用户使用体验。因此，当核心指标出现波动或者下滑时，能够迅速的分析波动情况，快速定位并解决问题，对减少用户受影响范围和提升整体APP用户体验至关重要。当业务出现线上指标波动时，整体的定位流程较为繁琐，包括业务数据分析、问题的值班分发、上线单的召回、线上问题的修复等，整个过程全依赖人工进行问题的定位和跟进，问题的定位和解决时间依赖于值班同学的分析能力以及对各个组件的熟悉成都，导致从线上指标波动到问题修复时间过长，加大了对线上业务的影响。
因此，我们构建了线上指标异常智能洞察的项目，基于业务本身同时结合大模型构建了多个Agent，包括归因分析、上线召回、用户行为分析、智能问数等。同时，构建了智能规划编排模块，基于大模型的决策判断、工具调用和长期记忆能力，根据不同的业务场景，制定不同的定位路径，将业务排查问题的整个过程进行串联，在业务线上指标波动时，快速的对问题进行召回。Agent整体准确率82%，线上指标异常的召回时间从小时级->分钟级。
演讲大纲：
1、数据中台业务建设背景
2、业务指标建设过程
3、大模型赋能业务
归因分析
上线召回
用户行为分析
4、multi agent协同工作
听众收益：
1、 技术选型，大模型和业务的结合能力
2、 Agent应用的落地
3、 多Agent编排模块的落地
落地挑战和方案重点：
1. 为了贴近业务，真正帮助业务，Agent构建过程中不可避免的有业务定制化的流程，那么对于新接入一个业务来说，成本相比纯通用化的设计会更高一些。
2. 目前Agent的规划能力并不是完全自主的，整体的运行流程还是依赖于基于业务构建的知识图谱DAG。
