长按二维码,关注官方公众号
使用微信扫一扫分享到朋友圈
使用微信扫一扫进入小程序分享活动
2 天沉浸式学习交流 ｜ 15+前沿分论坛 ｜ 60+真实应用案例
2026年3月，Agent技术正在以惊人的速度进化。OpenClaw发布了最新版本。
作为全球首个面向消费者的AI Agent平台，OpenClaw实现了真正的自主任务执行——不仅能理解复杂指令，还能跨应用协作、自动规划多步骤流程、实时学习用户偏好。行业评论称："OpenClaw让AI从'工具'变成了'同事'。"与此同时，MCP协议正在成为行业标准。2026年初，Anthropic、OpenAI、Google相继宣布全面支持MCP。工具调用不再是"各自为战"，而是有了一个统一的"连接语言"。
2026年，是Agent从概念走向大规模落地的元年，Agent将在金融、制造、零售...行业应用密集爆发。
举办地点为什么选在深圳？深圳是中国科技创新的最前线，硬件生态上，深圳是全球最完整的电子产业链，端侧Agent最先落地。与此同时，深圳拥有最活跃的技术氛围、技术最先传播的开发者社区。在产业落地方面，腾讯、华为、字节、比亚迪...大厂聚集深圳，基于这些天然优势，我们要在深圳举办Agentic AI Summit会议，让深圳成为Agent技术交流的中心。
胡云华，西安交通大学和微软亚洲研究院联合培养博士，先后担任微软亚洲研究院副研究员、阿里巴巴达摩院资深算法专家、支付宝中国首席数据官、智谱华章副总裁，在搜索、广告、推荐、大模型研发、用户产品创新方面拥有丰富经验。
13年+百度产品和研发管理经验，原百度地图场景化业务总经理，具备出色的产品、技术团队管理能力和技术实操经验。
具有多年在传统数据库管理和大数据分布式平台开发与维护的专业背景。熟练掌握大数据技术，能够高效地进行批处理和流处理任务的设计和实施。对数据湖架构的构建和优化也有深入研究，能够帮助企业从海量数据中提取有价值的信息，支持数据驱动的决策制定。
目前在eBay作为数据平台研发总监，带领团队负责云原生的数据湖，分布式搜索引擎，调度系统，存算分离计算引擎，OLAP离线数据库，数据开发平台等技术的实施，优化，开发工作。
石建平先生曾任美国甲骨文全球产品研发负责人、A8音乐CTO，联合创办多米音乐并发展为独角兽企业，投资了PPIO、即时设计等多家高速成长的早期技术公司。
美的集团首席信息安全官兼软件工程院院长，欧洲科学院院士，IEEE Fellow IET Fellow ACM Distinguished Scientist。
吴友政博士，京东科技集团语音语义算法部负责人、高级总监。博士毕业于中国科学院自动化研究所，毕业后在日本情报通信研究机构、英国爱丁堡大学、索尼中国研究院和爱奇艺负责自然语言处理、语音识别、机器翻译等前沿技术研究和产品研发工作，在国际自然语言处理顶会和期刊（如ACL、NAACL、EMNLP、AAAI、ICASSP等）上发表多篇学术论文。曾获得语音识别（IWSLT2012、IWSLT2013）和对话式机器阅读理解（QuAC 2020）比赛的冠军。连续2年主办京东人机对话挑战赛。技术产品化上，带领团队打造了基于多轮对话技术的智能客服平台言犀、基于多模态内容生成技术的品创等产品。曾获得京东集团技术金牛奖等荣誉。
企业架构和数字化转型专家，北京大学理学硕士，银行、保险、车企20年工作经验，《企业架构驱动数字化转型》作者，“金融IT那些事儿”公众号主理人。
AI数据生产（标注、数据集、合成）、AI安全（评测、防御）、AI软硬件一体、AI营销相关领域从业者。
企业数智化领域10余年经验，先后就职于美团点评、阿里巴巴、菜鸟等大型互联网公司，对企业数智化转型、数智供应链、供应链金融等领域有深厚的积累沉淀。多次主导企业级数据中台和数智产品的实施，能够很好地将数智技术&产品与业务相结合，针对不同行业不同场景设计落地行之有效的数智化转型方案。目前负责菜鸟物流科技副总经理，带领团队深耕数智供应链领域，帮助企业级客户在数智时代打造领先的供应链能力。
阅文集团技术副总经理，AIGC负责人，腾讯云最具价值专家、复旦大学计算机学院专业硕士导师。有着近15年的人工智能、大数据研发管理经验。在AIGC、个性化推荐、搜索、大数据挖掘、自然语言处理等领域都有丰富的实践经验。目前主导人工智能技术在集团内部的研发和应用落地，带领团队研发了阅文妙笔大模型和多模态大模型，并在作家辅助创作、角色对话、增长素材和机器翻译等大模型应用场景上也取得了不错的成果。对内容业务有深刻理解，也主导推进智能风控、推荐系统、反盗版等公司重点项目落地。曾任百度人工智能事业部技术经理，负责过百度推荐、精准广告、图片搜索、大数据商业化等项目。
Foundation Model 2.0 | 企业级Agent开发工具链 | Agent 记忆工程 |
|
|
|
自进化Agent | Harness Engineering（Agent执行与控制工程） | 多Agent协作 |
|
|
|
面向Agent数据架构 | 面向Agent的知识与本体语义构建 | 评测基准与安全治理 |
|
|
|
前沿探索与超级Agent | 从DataAgent到Data Engineer Agent | 研发效能Agent |
|
|
|
工业场景Agent实践 | 金融场景Agent实践 | 消费场景Agent实践 |
|
|
|
10 多年 AI 研发与应用经验，主导研发大模型训推一体平台。完成金山办公政务大模型在 GPU 和国产 XPU 两个平台的从头预训练。联合华中科技大学先后发布并开源 Monkey，TextMonkey，MonkeyOCR 等一些列多模态大模型。几十项 AI 发明专利，多篇 AI 相关论文，主导多个 WPS AI 功能的自研和上线。
腾讯数据计算平台部，大数据智能体算法负责人，博士毕业于浙江大学，研究方向为大模型智能体。 在 ICML/NeurIPS/AAAI/ACL/VIS 等人工智能和可视化领域国际顶级期刊会议上发表多篇论文。主导研发腾讯一站式大数据智能体开发平台 LangData。
华为数字化高级技术专家。拥有 15 年深耕企业数智化转型的深厚积淀，职业历程覆盖中石油、SAP等跨行业头部企业，在AI、大数据、数据底座构建及云原生技术领域具备全栈技术能力。曾作为 AI 应用首席架构师，主导推动AI大模型技术在华为云研发体系、全球营销服务网络及智能资产运营等关键业务场景的深度应用，通过技术创新实现业务流程智能化重构，持续为业务增长注入技术动能，显著提升运营效率与服务质量。
毕业后先后就职于两家美企，从事高性能计算和互联网后端研发工作。2007 年开始合伙创业，并任职 CTO，拥有 11 年的社交 App 创业和并购经验。之后于 2018年加入晓黑板，担任 CTO。热爱开源技术，拥有 20+ 年的开发、微服务架构经验以及十多年的技术团队管理经验。在微服务架构、分布式系统、机器学习模型上有深入研究。还是持续学习者，主张系统和架构尽可能保持简单，工具大于文档和约定的理念。
南京理工大学与美国伊利诺伊大学香槟分校(UIUC)联合培养博士，现为腾讯 TEG Agent基础设施平台架构负责人。拥有超过10年大数据和AI系统研发经验，在AAAI和ACM等多个顶级会议和期刊上发表论文10余篇，申请发明专利10余项，主要研究兴趣包括分布式计算、机器学习、联邦学习、可信隐私计算和AI基础设施。
任职于腾讯的工作经历与项目职责：
- Agent基础设施平台架构负责人 (当前职责)：负责腾讯 TEG Agent基础设施平台的架构设计，主导构建了包括安全沙箱环境、Agent全链路追踪(Tracing)与评估体系、多智能体编排与调度系统在内的核心基础设施，为上层AI应用提供安全、可靠、可观测的智能体运行与治理能力。
- 数据科学引擎负责人：负责Wedata数据科学引擎的整体搭建与演进，并主导设计面向大模型训练与应用的高效数据管道，解决了海量多模态数据预处理、质量管控与供给的工程挑战，为AI模型研发提供坚实的数据基础。
- PowerFL隐私计算平台负责人：负责平台整体系统整体架构设计，主导并实现了PowerFL核心库SDK、联邦调度引擎、联邦推理引擎、云原生轻量级私有部署及国产化方案的设计与开发。持续提升框架的易用性、算法的安全性与性能，成功赋能腾讯云、AMS、微信支付等在金融、政务、推荐及广告等领域的隐私计算业务落地。
负责领导知鸟的技术产品创新与落地，打造了覆盖“学、练、问、考、管”五大培训场景的AI产品矩阵，构建知鸟的AI核心竞争力，推动AI技术在人才培养领域全面应用与深化。深耕于AI+SaaS领域10多年，在ToB行业的AI应用上有着丰富的产品研发和落地经验，曾发布过营销行业领域大模型MeetGPT，教育行业AI+SaaS的多模态一站式智慧课堂产品溢慧云等。历任飞书深诺集团CTO、溢米教育集团合伙人&CTO、爱奇艺技术总监等。
2009年毕业于武汉大学软件工程专业，入职深信服至今，曾担任技术专家、架构师、运营负责人、研发主管等岗位，熟悉AI深度学习、大数据、安全、云计算、终端等领域，拥有专利10余篇，当前对内负责AI驱动公司研发全过程提效，对外负责CoStrict产品（一款面向企业严肃开发的开源AI编程工具）。
目前担任顺丰科技 AI 技术平台负责人，负责顺丰集团 AI 和大模型基础架构，曾任第四范式平台架构师和 OpenMLDB 项目 PMC，过去在小米担任云深度学习平台架构师以及优思德云计算公司存储和容器团队负责人。活跃于分布式系统、机器学习相关的开源社区，也是 HBase、OpenStack、TensorFlow、TVM 等开源项目贡献者。
先后在百度、Bigo、Shopee 工作，拥有 10 余年 AI Infra 经验，专注大规模 AI 系统架构与性能优化，在模型训练、推理加速及端到端工程体系方面积累深厚。当前在 Shopee 负责大模型预训练、后训练和推理基础设施建设，参与大规模 GPU 集群架构设计与性能优化，持续提升资源利用率与系统稳定性，推动大模型在公司内的高效迭代与规模化落地。
现任vivo互联网大数据专家，拥有10年实践经验，专注于多模态数据技术相关的研发工作，对于海量数据场景下关于数据全链路稳定性保障、数据质量提升、数据成本优化等整体方案设计和落地有丰富经验，擅长从业务价值视角出发，提供有效的数智化解决方案。
2006 年毕业于西安交通大学自动化专业，现任 OPPO AI 架构负责人。曾主导多个大型手机操作系统项目的整体架构设计，在跨端操作系统与移动 AIOS 领域深耕多年，具备从底层系统到上层智能体验的全栈架构能力。当前聚焦于打造高效、懂你的 OPPO AIOS，致力于将 AI 能力系统级融入用户体验。
电子科技大学信息安全硕士，专注于人工智能与运筹优化技术在物流供应链领域的落地。
加入顺丰科技以来，先后负责集团智能决策体系与智慧供应链商业化产品体系的构建与管理工作。主导研发物流决策大模型"丰知"、智慧供应链控制塔"丰智云塔"及决策平台"丰智云策"等核心产品，服务数百个SKA客户，实现千万级营收。在运筹优化领域，构建大规模网络规划、路径规划、资源调度等核心算法体系，助力集团累计降本超十亿元。
曾获中国物流与采购联合会科技进步奖二等奖、物流技术创新奖、CCF BDCI最具商业价值奖等多项荣誉，产品入选Gartner SCP亚太榜单。
通义实验室文档智能技术负责人和 GUI 智能体 Mobile-Agent 负责人，主要研究方向多模态智能体、长文本理解和推理、文档智能解析和多模态文档创作等，负责打造文档智能模型产品 QwenLong、Qwen-Doc，以及文档智能解析产品 Document Mind，相关能力应用于千问APP、通义智文以及内外部多个产品线，并主导 Mobile-Agent 开源技术体系影响力建设（8k+ Stars）和创新产品孵化，在 ACL、ICML、ICLR、NeuIPS、CVPR 等国际会议期刊发表100多篇相关学术论文。
硕士毕业于华南理工大学计算机专业，中邮消费金融公司创始团队成员之一，曾任科技发展部总经理助理，资深架构师，曾负责公司两次IT系统规划的制定、整体架构设计和落地实施，成功主导大型金融系统从集中式到分布式、微服务的中台架构转型。现任产品创新部负责人，负责产品创新和研发、数智化转型、企业级业务架构设计等。目前已获得系统架构设计师、信息系统项目管理师等认证，华南理工大学电子与信息专业博士研究生。
长期深耕于大数据及人工智能领域，积累了丰富的数据平台建设和架构设计实践经验。现任阿里国际 AI Business 大模型数据、评估负责人，专注于大语言模型及多模态大模型数据研发、模型评估工作，致力于推动数据与AI技术的迭代融合与创新。重点攻坚大型模型对应的大规模、高质量数据处理技术及优化，大模型在业务领域表现的自动化评估技术。在此之前，曾担任阿里云行业大型模型数据研发负责人、阿里云政务及医疗行业数据负责人、蚂蚁金服国际数据平台架构师。
本科毕业于清华大学电子工程系，在美国宾夕法尼亚大学攻读程序语言专业博士，现任粤港澳大湾区数字经济研究院（IDEA研究院）基础软件中心首席科学家、MoonBit团队负责人。
曾任OCaml语言核心开发人员，其主导开发的ReScript语言（原BuckleScript）是首个由中国人主导的国际通用程序语言，官方文档支持多国语言版本。2013年受彭博社邀请开发函数式语言编译器，创建的BuckleScript项目后被Meta等公司采用。2017年回国后成为Meta中国大陆唯一软件工程师，维护BuckleScript并参与Flow语言开发。
2022年加入IDEA研究院创立基础软件中心，带领团队开发MoonBit编程语言及工具链，该语言基于WebAssembly设计，支持云计算与AI开发，已适配RISC-V指令集并进入北京大学、清华大学课程体系。OCaml语言项目获2023年SIGPLAN软件大奖。截至2025年，MoonBit用户已超过10万，预计2027年初达到近100万用户。
二十年研发和互联网行业经验，先后任职于金蝶、淘宝/天猫、OnePlus、超级猩猩等企业，一直从事和负责产品研发、数字化和智能硬件等相关岗位，对数字化、高性能计算、云平台、智能 IoT等领域有深入的积累和经验，并擅长于将技术融入商业场景和模式中。
清华大学智能技术与系统国家重点实验室信号与信息处理专业硕士，26年人工智能和大数据经验。现任平安科技算法平台部负责人，全面统筹智能体平台及模型训推平台从技术研发到体系化建设的全链条工作。曾获2020年度吴文俊人工智能科技进步一等奖、2022年度广东省科技进步一等奖、2022年度中国人民银行金融科技发展奖二等奖、2024年度中国人民银行金融科技发展奖二等奖等重要荣誉。
曾任职百度、搜狗、腾讯等知名企业，深耕AI算法、搜广推算法等领域。现任平安知鸟AI负责人，专注于AI技术在企业培训场景的落地与创新，助力企业在AI时代实现组织能力跃迁。
拥有丰富的NLP算法与大模型跨场景业务落地经验，专注于通过AI Agent技术提升业务效率。擅长将大模型与客服、私域、判责、舆情等场景融合，推动 AI 在实际业务中可控、可用、可落地。
深耕中间件与大数据研发15年，主导vivo公司级大数据平台BDSP从0到1落地，覆盖数仓、开发与分析全链路。近年专注AI大模型与数据平台融合创新，持续赋能业务，创造惊喜与价值。
瓴岳科技（洋钱罐）数据平台工具组负责人，拥有多年大数据领域相关工程化经验。主导设计并落地 DataPilot 一站式数据开发平台以及 AI Agentic 架构，深度参与基于 AgentScope 的生产级 Data Agent 集成实践。
清华大学毕业，高级算法研究员。研究方向涵盖信息检索、推荐系统与多模态内容理解。2019年加入腾讯，专注于用户增长场景的算法研发；近年研究重心聚焦生成式推荐（GenRec）、大模型推荐（LLM4Rec）与智能体推荐（Agent4Rec）等前沿方向。研究成果发表于 ICML、ACL、WWW、SIGIR、KDD、RecSys 等领域顶级会议，相关算法已在十亿级推荐场景中成功落地。
聚焦 AI Agent、数据基础设施与云原生计算平台方向，主导多项司内平台能力从 0 到 1 孵化与规模化落地，覆盖面向元宝等核心业务的安全沙箱、天穹 WeData Notebook 与 Compute 引擎、LLM Agent 开发平台及 LLM 可观测性平台；在大模型应用、云原生计算与智能系统方向有多项专利与顶会论文积累。
华为数字化高级技术专家。拥有 15 年深耕企业数智化转型的深厚积淀，职业历程覆盖中石油、SAP等跨行业头部企业，在AI、大数据、数据底座构建及云原生技术领域具备全栈技术能力。曾作为 AI 应用首席架构师，主导推动AI大模型技术在华为云研发体系、全球营销服务网络及智能资产运营等关键业务场景的深度应用，通过技术创新实现业务流程智能化重构，持续为业务增长注入技术动能，显著提升运营效率与服务质量。
研究方向涵盖 GUI Agent、多智能体框架与端云协同计算。近年在 NeurIPS，AAAI，WWW，CIKM，IEEE TC / TIFS 等会议与期刊发表多篇论文，参与 OPPO GUI 智能体系统研发与 Agent 业务应用上线。
西安交通大学博士，现任OPPO研究院高级算法工程师，在KDD、IEEE TKDE、ACL、IEEE TIP、 ECML PKDD等国际会议期刊发表多篇论文，现研究方向涵盖GUI Agent、多模态Agent、多智能体协同系统等。
资深IT团队管理者，拥有多年大数据、应用团队的技术架构规划与项目统筹管理经验。深耕大数据创新领域，斩获多项国内外创新类奖项，专业能力与行业成果备受认可。曾受邀担任 DataFun 线下特邀讲师，分享行业实战经验与管理架构心得。
一从事开发、架构设计、AI辅助研发效能提升能力构建。
负责大模型在多个场景中应用落地相关工作。在AI客服、AI邀约的大模型应用与全链路评测体系建设方面拥有丰富经验。致力于通过前沿AI技术解决实际业务问题，创造业务价值。同时深耕物流货运行业多年，曾就职顺丰科技，主要负责供应链解决方案算法及预测方案开发。
九年NLP和大模型相关业务经验，公司内做过多场大模型相关专题的分享。
中国人民银行金融标准制定委员会专家，互联网金融协会外聘专家，重庆数宜信信用管理公司高级顾问，重庆市人力资源开发服务中心认证AI应用讲师；15年商业银行高级管理经验，历任某互联网银行风险管理负责人，阿里巴巴和蚂蚁科技集团高级风险专家。熟悉线上信贷业务的风险模型、风险策略开发，熟悉大数据和人工智能技术基本原理及产业端的应用。
20 年金融科技一线，做过三套电子交易平台。
2019 年，作为项目经理与核心开发，交付平安证券"领航 (FLEET) 固收外汇电子做市交易系统"，获深圳市金融创新奖一等奖。
2022 年，作为交易平台架构负责人，参与交付华泰证券"大象 FICC 多资产做市与风控平台"，获人民银行金融科技发展奖一等奖。
现负责华泰"AI+AURORA 策略管理平台"——把 AI Agents 嵌进多资产策略的全生命周期。
先后承担中国移动数据仓库（经营分析）系统的规范设计、验收、运维，主持设计了中国移动规范符合度测试、POC选型测试等技术文档80余册、300多万字；带领团队构建新一代数智化运维体系，承接梧桐大数据6.4万+台节点规模，600+PB价值数据资产数智化运维工作；开展中国移动集团关键核心技术攻关，完成大数据架构去IOE，操作系统国产替代。荣获通信行业协会荣誉5项，移动集团级荣誉8项，多项信通院标准起草人。
就职微信实验平台，专注实验决策优化与因果分析Agent工程化落地。从 0 到 1 支持实验平台智能分析体系建设，推动 Notebook 证据链分析、实验报告自动化、CUPED 策略优化和 AgentOS 调度编排等能力落地，专注将复杂分析流程沉淀为可执行、可审计、可复用的平台系统。
中兴通讯应用软件资深专家、有线院MMVS产品AI提效负责人，中兴青年奖获得者。长期深耕通信软件研发与工程实践，专注AI驱动研发效能提升，积极推动Agentic AI在大型系统开发中落地。
深耕大模型与多模态方向近三年，专注视频智能体工程落地与时序感知记忆管理机制研究。参与了 OPPO 一键问屏与实景问答两款多模态 Agent 产品的研发，历史迭代产品分别在 2024、2025 年 OPPO 开发者大会正式亮相。拥有 7 年一线算法工程经验，长期负责从模型到系统的全链路交付。
安克 AI 创新和应用演进之路（暂定）
Agent 从“写代码”到“建系统”——技术演进、能力边界与可信工程的挑战
随着大模型与Agent框架的爆发，软件生成的成本正在趋近于零。真正限制 AI 编程落地的瓶颈，正在从“能不能写代码”转向“生成的代码是否正确、可验证、可维护”。
本次演讲将首先回顾Agent智能体在编程领域的技术演进：从代码补全、单文件生成，到当前的多文件修改、工具调用、自主调试，再到未来可能实现的规格驱动开发。在此基础上，重点分析Agent能力发展过程中被忽视的技术瓶颈——不是模型参数量不够大，而是缺乏对生成代码的可验证、可维护、可演化的工程约束。
最后，以IDEA研究院的MoonBit语言作为案例，简要展示一种“面向Agent的编程语言”如何通过语法设计、类型系统、形式化验证接口，让Agent从“写代码的助手”升级为“可信系统的共同构建者”。
演讲提纲：
一、Agent编程能力的真实水位
- 从Copilot到Devin、SWE-Agent：Agent能做什么，不能做什么
- 公开基准（SWE-bench等）的局限性与误导性
- 提出核心问题：为什么Agent写的代码在Demo里惊艳，在真实项目中翻车？
二、Agent技术演进路线：三代能力跃迁
1、第一代：代码补全 & 单函数生成（2021-2023）
- 技术特征：基于上下文填充，无规划能力
2、第二代：多文件编辑 & 工具使用（2023-2024）
- 技术特征：Agent+检索增强（RAG）+ 简单的错误反馈循环
- 代表工作：SWE-agent、OpenDevin、AutoCodeRover
3、第三代：规格约束下的自主构建（2024-现在）
- 技术特征：Agent读取形式化规格（spec）、生成证明、与验证工具协作
- 关键进展：自然语言→形式化规约的自动生成（GPT-4o、Claude 3.5等）
- 技术深度剖析：为什么类型系统、合约、前置/后置条件对Agent至关重要
三、当前技术的瓶颈：从“能写”到“可信”
1、实证数据：Agent生成的代码在Python/JS等动态语言中的长期维护问题
2、技术观察：
→ 验证成本远大于生成成本，这是被行业严重低估的瓶颈
→ Agent缺乏“反事实推理”：能写实现，不能写为什么实现是对的
→ 真实工程需要：可重现构建、跨环境兼容、团队可读性——这三项Agent几乎都做不到
3、行业探索方向：
- 基于强类型语言的Agent生成（Rust、Haskell）
- 引入轻量级形式化验证（Liquid Types、Refinement Types）
- AI 辅助生成规格（spec）与不变量（invariant）
四、案例：MoonBit如何尝试解决上述问题
1、MoonBit 的设计目标：面向AI生成+人工审核+自动化验证的编程语言
2、三个关键技术回应：
- 面向Agent友好的语法：减少歧义，减少LLM的token浪费，提高生成成功率
- 一等形式化验证（moon prove）：让Agent可以生成前置/后置条件，自动验证
- 多后端与可重现构建：解决“在这里能跑，在别处不行”的Agent通病
3、初步数据：在内部SWE-AGI基准中，可验证代码的接受率提升2-3倍
五、总结与展望：Agentic Software Engineering 的未来
1、未来的Agent不是更大的语言模型，而是语言模型+验证器+类型系统+构建系统的紧耦合体
2、编程语言的角色从“给人写”转向“给人+Agent+机器验证器”三方协作
3、开放问题：规格的自动生成、验证的及时性、人机协同的交互范式
听众收益点：
1、重新理解 Agent 编程的核心瓶颈，听众将看到 Agent 落地的关键问题不是“模型会不会写代码”，而是生成代码如何在规格、测试、类型系统和形式化验证约束下进入真实工程。
2、获得一套 AI 原生软件工程的架构思路，通过 MoonBit 的语言设计、工具链、包管理、SWE-AGI 评测和 moon prove 验证实践，理解如何把 Agent 从“代码助手”升级为“软件构建参与者”。
3、了解可验证代码在 Agent 时代的实际价值，听众可以理解形式化验证为什么会因为 AI 而重新变得实用：AI 降低了写规格和证明的成本，而验证工具负责把“看起来对”推进到“性质上可检查”。
守矩驭智：知鸟企培智能体技术体系赋能金融企业高质量发展
企业当前面临合规与业务的双重挑战：
合规管理痛点：员工规模化调度难、监管知识更新不及时、培训效果缺乏量化评估、审计追溯链路不完整，导致合规风险管控成本高、效率低。
业务增长瓶颈：合规要求与销售转化存在天然张力、新人培养周期长、培训内容与业务场景脱节、培训投入的业务价值无法量化，制约组织效能提升。
知鸟依托 AI 智能体构建一体化解决方案，实现合规管控与业务赋能的深度融合，系统性破解双重难题，为金融企业高质量可持续增长提供核心支撑。
演讲提纲：
一、业务痛点：双维度核心矛盾
合规保底线：四大难题
百万级员工规模化调度难
金融监管知识更新滞后
培训效果难以评估、防作弊难
培训记录不规范、审计追溯不达标
销售提效能：四大瓶颈
合规与销售转化存在冲突
新人上手慢、能力复制低效
培训与实战脱节、学用转化率低
培训价值无法量化、ROI 难衡量
二、技术拐点：双难题同步破解的核心支撑
垂直领域大模型语义处理
AI 原生多 Agent 协同框架
知识图谱 + RAG 深度融合
多模态感知与行为分析
三、知鸟智能体落地方案：AI 原生一体化架构
底层支撑
平安金融大模型・知鸟企培大模型
统一治理、脱敏安全的 AI 数据底座
中间层：企业知识库
知识自动更新、冲突检测、合规检查
合规 + 销售融合知识图谱 + RAG 检索增强
应用层：AI原生多 Agent 平台（7 类核心 Agent）
智能总调度、合规知识管家、内容生成、实战陪练
学习督导、销售诊断、合规审计风控
优势：自主决策 / 分布式协同 / 个性化 / 持续演化
交互层：员工端 / 管理员端 / 监管端
双闭环管控
闭环1：合规学习全流程（计划-执行-检查-处理）
闭环2：销售能力提升全流程
双闭环融合：数据互通、任务协同、考核一体化
四、效果与展望
核心价值
保底线：效率提升、风险下降、处罚减少
提效能：新人周期缩短、合规率 / 转化率提升、ROI量化
五、未来展望
被动合规→主动合规→预测式合规
培训工具→业务赋能平台
听众收益：
1- 明晰AI如何让金融合规培训更高效、易落地，降低监管与操作风险
2- 掌握守规矩、控风险前提下，实现业务稳健增长的方法
3- 借助智能培训体系提升员工能力，降本增效，支撑企业高质量发展
Agentic AI重塑金融生产力：平安集团智能体平台的探索与实践
金融行业正在从“可用的大模型”迈向“可落地、可治理、可规模化复制的智能体体系”。平安集团依托自研智能体平台，围绕保险、银行、投资、证券等多类业务场景，构建了覆盖业务咨询、流程执行、经营分析、风险识别、投研辅助、知识服务等方向的智能体应用矩阵，实现了效率提升、体验优化与经营价值释放。
本次分享将结合平安在平台建设与业务落地中的一线经验，介绍金融智能体在真实生产环境中的架构设计、部署模式、治理机制与推广方法，探讨如何打通“模型能力—平台能力—场景能力—业务价值”的完整链路，为金融行业Agentic AI应用提供可复制的参考范式。
演讲提纲：
一、平安AI战略布局
核心战略："AI in All"与"五智"布局
智能体平台：战略底座，支撑全集团AI应用
二、智能体平台：企业级AI引擎
-智能体平台核心定位
-产品层："3+1"端云协同体系
-技术层：五大核心能力介绍
三、平安ONE介绍
-产品定位：桌面智能体，职场全能AI助手。依托平安智能体平台，灵活调度全栈技能，自动完成复杂任务
-产品优势：以极简交互、安全可控与平安智能体生态互联，重塑桌面生产力新范式
-全能助手及编程专家功能介绍
四、标杆案例分享
五、安全合规十大管控体系保障
听众收益：
- “让每个人拥有数字军团、超能团队”
- 推动AI从"会说"到"会做"的跨越
- 人人共建 · 人人可用 · 人人受益
从评分卡到智能体：人工智能重塑消费信贷风险管理体系的实践与思考
消费金融风险管理正在从“模型驱动”迈向“智能体驱动”。传统风控体系主要依赖规则引擎、评分卡和机器学习模型，而随着大模型与AI Agent技术的发展，风险管理开始具备“理解、推理、规划、协同与自主执行”能力。
本次分享将重点围绕消费金融核心业务场景，探讨智能体技术如何重构反欺诈、授信审批、额度管理、风险预警与贷后运营等关键环节。结合真实企业实践案例，介绍多智能体协同风控体系在实时风险识别、策略生成、风险调查、催收运营及风险决策辅助中的应用方式，以及如何实现“从模型工具到风险决策中枢”的升级。
演讲提纲：
一、AI Agent如何重构消费金融风险管理
- 从“模型”到“智能体”的能力跃迁
- Agent新增能力：推理、长程决策、多智能体协同、自动策略感知、自主任务规划
- 智能体在风控中的典型架构
二、智能体在风险管理中的典型应用场景
- 智能反欺诈Agent
- 授信审批Agent
- 额度与定价优化Agent
- 贷后预警与催收Agent
三、多Agent协同：未来智能风控体系
- 单点模型到风险决策中枢
- 多Agent协作案例分析
四、基于智能体的消费金融智能风控体系实践
五、AI落地过程中踩过的坑
- 模型准确≠业务价值
- 数据比算法更重要
- AI黑箱与可解释性
- 监管和合规要求
听众收益点：
- 理解消费信贷风险体系的演进逻辑。从规则、评分卡、机器学习到大模型和智能体，建立完整的风险管理认知框架。
- 掌握多智能体框架在风控中的真实落地路径。理解AI不是替代模型，而是构建“规则+模型+大模型+策略”的协同体系。
- 学习大模型、智能体在消费金融机构的实战经验。了解智能体反欺诈、授信审批、贷后预警、策略优化等典型案例，以及落地过程中踩过的坑和解决方法。
Agents 重构金融 FICC 策略全生命周期管理平台
我们的 FICC 业务 2025 年日均成交 1100 亿人民币，日均订单 30 万笔、98% 由策略下单。在这种规模下，"AI 该在哪里、不该在哪里" 比 "AI 能做什么" 重要得多。
去年我们用"玻璃箱 + 无侵入"跑通了第一代，今年遇到的新问题是：模型变强之后，那些精心设计的多层编排脚手架（LangGraph、CrewAI、n8n）反而开始拖更强模型的后腿。"让 Agent 跑起来"已经不够，得回答"让 Agent 越用越强"。
这次分享讲我们的答案：双区架构 + 玻璃箱 v2——研发分析区让 Agent 自由进化、交易核心链路保持确定性、用回测和上线流程做桥、旁路 AI 给实时辅助。在这个边界上，我们用开源 Hermes 替掉 n8n、按 Karpathy 的 Autoresearch 范式让 Agent 在回测里自己进化、用一套金融原生 Generative UI 让一句自然语言变成一份图文并茂的分析报告。
这不是又一个"在金融用了 AI"的故事，是 Agentic AI 在金融真正能上线、能进化、能落地的形态。
演讲提纲：
一、为什么要做第二代
第一代解决的是"AI 在金融能不能用"，今年我们要解决的是"AI 在金融能不能越用越强"。这一节快速过一遍业务规模、第一代的底座（玻璃箱+无侵入），讲清楚 v2 要回答的三个新问题——为什么编排要变薄、为什么 Agent 要会自进化、为什么 AI 的产出可以图文并茂。
二、双区架构：AI 该在哪里、不该在哪里
AI 在金融机构落地的核心不是模型选型，是边界划分：研发分析区让 AI 自由进化、交易核心链路保持确定性、用回测+上线流程做唯一的桥、用旁路 AI 提供实时辅助（小泰询报价、盘中风险归因、盘后自动复盘）。
这一节也会回答一个看似矛盾的问题：玻璃箱要求"全程可控"，模型变强又要求"少管它"——怎么调和？答案是玻璃箱 v2：管边界，不管步骤。
三、三板斧：轻编排、自进化、生成式 UI
从 n8n 换到开源 Hermes——为什么节点图式编排反而让强模型变笨（这点最近的 In-Context Prompting 论文有实证），以及我们"开源优先 + 严格审计 + 分支管理"的工程哲学：把精力花在业务上，不在重复造轮子上。
Autoresearch 在金融的工程现实——Karpathy 提的"可验证指标驱动 Agent 自进化"，在金融比在任何行业都更可行，因为回测就是天然的 ground truth。会讲我们怎么定指标、进化什么、不进化什么（划重点：不动模型权重），以及怎么用影子运行 + 人工采纳兜底。现场演示同一个回测任务，新版 Agent 比旧版强了多少。
金融原生 Generative UI——通用 Generative UI 给的是通用图表，金融分析要的是 K 线、收益率曲线、回撤、归因瀑布、IC 热力图。一套领域专用组件库 + Agent 自主编排，让一句自然语言变成一份图文并茂的专业分析报告。
四、几条工程心得
走完这一程，想留给同行五句话——划边界比选模型重要；玻璃箱 v2 管边界不管步骤；可验证指标是自进化的命根子；开源 + 审计比全自研更成熟；进化只在 prompt、skill、路由这一层，不动模型权重。
落地痛点：
指标设计比想象中难。工程层指标容易拿，业务层指标（如样本外 Sharpe）受数据集、口径、时间窗影响极大，没有标准化的可验证数据集，自进化的"提升"很容易就是过拟合的假象。
人工采纳是隐形税。要兜住自进化的失控风险必须有 Owner 把关，但 Owner 的时间成本反过来又会吃掉 Autoresearch 的效率红利。这个平衡点不好找。
开源治理远比想象中重。开源优先省下了造轮子的成本，但每一个开源依赖都要走 fork、审计、合规、跟踪上游——这对团队的工程纪律要求远高于纯自研。
双区架构的边界容易松。任何一次"为了快速上线"而松动边界的尝试，都可能成为日后系统性风险的源头。这件事必须靠工程刚性手段守护，不能只靠流程约定。
生成式 UI 里的领域真实性。LLM 在通用 Generative UI 里很炫，但在金融里，涨跌色、年化口径、报告骨架都不能让它即兴发挥——怎么让组件层守住金融惯例、又不限制 Agent 的创造力，是一个需要长期打磨的事。
前沿亮点：
双区架构——明确划出 AI 在金融机构的边界。这套形态可被其他高合规行业（医疗、法律、监管型行业）借鉴。
玻璃箱 v2——从"管每一步"演进到"管边界、放自主"，呼应 In-Context Prompting 论文的结论，是模型变强之后必然要走的一步。
开源 Hermes 替掉 n8n/langchain——配合"开源优先 + 严格审计 + 分支管理"，给大型机构提供了"既要社区红利又要合规"的工程范式，而不是简单陷入"全自研"的工程债。
金融可上线的 Autoresearch——把 Karpathy 的范式落地到生产环境，明确划出"只动 prompt、skill、路由，不动模型权重"的工程边界，可上线、可回退、可审计。
金融原生 Generative UI——让一句自然语言变成一份图文并茂的专业分析报告，组件层守住领域惯例，Agent 在约束内自主组合。
听众收益点：
一套在严肃行业落地 Agentic AI 的工程范式（双区架构 + 玻璃箱 v2），不只在金融适用。
模型变强之后架构该怎么走——不是"更复杂"，是"更轻、更自主、边界更清晰"。
一份金融级的自进化实践方案——可上线、可回退、可审计。
一种"开源 + 审计"的工程哲学，给大型机构推动 AI 现代化一条参照路径。
从自动化到自进化：大数据运维Agent实践与思考
本次分享聚焦于大数据运维领域的智能化转型实践。面对传统运维“人不够、活太多、风险高、效率低” 的核心痛点，我们探索并落地了以 “智能体” 为核心的解决方案。分享将详细介绍我们在应用巡检、SQL诊断、故障自愈等六大真实场景下的实践案例，展示如何通过技术手段将重复劳动自动化、将人工经验标准化。同时，我们将坦诚复盘落地过程中的挑战与经验，如 “规则先行、模型辅助” 的策略和 “小步快跑” 的迭代方法。最后，将分享我们对运维智能化的后续规划，旨在为同行提供一套可借鉴、可落地的实践路径，共同推动运维工作从 “体力活” 向 “价值活” 转变。
演讲提纲：
一、开场：我们为何要做智能体
1、运维困境与核心痛点
2、智能化转型的必要性
二、我们的解法：运维智能体
智能体定位与技术理念
定位：解放人的“数字化工人”
理念：规则先行，模型辅助
整体规划与技术布局
四大场景：优化治理、日常运维、故障管理、价值提升
技术栈：Ansible自动化、MCP跨组件、大模型应用
三、核心实践：六大场景案例
1、系统运维智能助手
技术方案：自然语言处理(NLP)+技能(Skills)封装
核心成效：降低操作门槛，统一执行标准
2、Hadoop 集群自愈智能体
技术方案：实时探针+闭环自愈脚本
核心成效：故障处置时间< 5 分钟，成功率98%+
3、OLTP 数据库预警自愈智能体
技术方案：性能指标监控+4A联动
核心成效：稳定性提升至 99.9%，巡检工作量减少 85%
4、UCX 工具故障分析智能体
技术方案：全链路日志采集+AI 根因分析
核心成效：问题定位效率提升50%
四、未来展望与总结
听众收益：
1、了解如何从自身运维痛点出发，通过“小步快跑、快速验证” 的方式，将智能化理念转化为实际生产力，避免陷入技术陷阱。
2、获得可复用的场景化解决方案：通过六大真实案例，听众可以借鉴在巡检自动化、故障自愈、代码质量管控等具体场景下的技术实现和业务成效，为自身工作提供参考和灵感。
三层解耦 × 三大Agent：货拉拉私域营销的多模态引擎实战
本次分享基于货拉拉私域营销实践，针对传统私域依赖人工、素材生产效率低、转化难的痛点，介绍多模态Agent落地的全链路技术方案。我们采用三层解耦的Multi-Agent架构，打造AI质检、多模态素材生成、问答交互三类专属智能体，落地过程中解决了大模型素材品牌一致性弱、Agent规则引擎灵活性不足、多系统对接时延高等核心问题。上线后实现私域质检覆盖率100%、人工复核成本降低70%、用户异议处理成功率提升65%、私域整体转化率翻倍，沉淀的可扩展框架可快速适配多行业私域场景。
演讲提纲：
一、开场：为什么我们要做私域多模态Agent？
私域运营的普遍痛点：从我们转化率不足2%的真实困境说起
多模态Agent的价值：不是技术炫技，是真刀真枪解决效率+转化问题
本次分享核心价值：可落地、可复制的货拉拉实践经验
二、方案逻辑：Multi-Agent架构的核心设计思路
整体架构定位：三层解耦的全链路闭环设计，兼顾灵活性与可复用性
三大核心Agent的协同逻辑：
AI质检Agent：守住合规与运营标准的底线
多模态素材生成Agent：搞定高效精准的内容生产
问答交互Agent：承接用户全场景实时交互
三、关键实践：我们踩过的核心坑与解决方案
内容一致性问题：大模型生成素材忽上忽下，怎么对齐品牌调性？
灵活性与标准化的平衡：Agent太死板卡壳、太灵活违规，怎么权衡？
业务接受度问题：运营不愿意用AI工具，怎么推进落地？
性能与成本的平衡：多模态生成慢、成本高，怎么优化？
四、落地效果与可复用经验
真实数据结果：效率、效果、成本三个维度的落地收益
轻量化落地路径：不需要大团队也能快速复用的分步落地方法
跨行业适配思路：这套框架怎么快速迁移到其他私域场景
听众收益：
多模态运营体系：掌握邀约场景下企业微信多模态素材的系统化运营思路，搭建高效邀约体系
如何精准匹配：学会针对不同客户精准匹配素材类型，让邀约信息更具吸引力与转化力
运营标准：获取可直接落地的多模态素材运营标准，实现从内容到结果的闭环增长
数据科学 Agent Harness 的探索与实践
微信实验平台支撑大量实验与策略评估，传统分析需人工串联指标口径、数据抽取、统计检验、Notebook 脚本和报告撰写，难复查、难复用。我们从单点 Chatbot 转向 Agent Harness，以 XAgent 承接实验报告、CUPED 和电商因果分析，以 AgentOS 组织协作、工具执行、观测与评测回放，沉淀证据链报告和可信决策流程。
演讲提纲：
1. 业务背景：微信实验平台中实验报告、CUPED、因果分析等任务为何不能停留在单点 Chatbot。
2. 方案选型：从问答式入口、脚本自动化到 Agent Harness，说明 XAgent、AgentOS 和 Harness 的分工。
3. 落地实践：介绍证据链实验报告、CUPED 策略优化、电商 Fast Causal Inference 因果分析三个案例。
4. 评测与挑战：分享受控执行、人工审查、因果 Skill 拆分和多层评测体系。
5. 未来规划：通过评测回放、策略沉淀和工程闭环，持续优化实验决策能力。
听众收益点：
1. 理解实验分析 Agent 从 Chatbot 走向 Agent Harness 的必要性，掌握生产级分析 Pipeline 的关键能力。
2. 获得微信实验平台在证据链报告、CUPED 策略优化、因果分析 Skill 化方面的落地经验。
3. 了解复杂分析任务如何通过 AgentOS 组织团队协作、过程观测、评测回放和可信产物沉淀。
移动端 GUI 执行的 Agent Harness 探索
业务背景：用户从对话问答转向任务自动执行的需求转变，以及 Agentic AI 能力的不断成熟，催生移动设备 GUI Agent 的应用落地。
方案选型：多模态 Agent - 训练、框架
落地挑战：GUI Agent 在移动设备的复杂交互逻辑、回退机制以及弹窗广告的动态性
解决思路：模型在线强化学习训练、多智能体框架、端云协同状态感知、hybrid 状态知识库
解决成效：业务落地效果
演讲提纲：
随着用户需求从信息获取转向任务执行，Agent 不再只是对话问答，而是需要在手机上完成明确的任务 - 点单、打车、预约、查询等跨 App、跨页面的复杂操作，为用户解决高频重复和低频复杂的执行任务。因此，方案从传统文本问答演化为多模态 Agent：一方面通过模型训练提升对移动 GUI、页面状态和操作意图的理解能力，另一方面通过系统框架支撑任务规划、动作执行和状态管理。
在真实落地中，移动 GUI 的复杂交互逻辑、回退路径、弹窗广告和动态页面变化，使得单一模型或固定脚本难以稳定运行。为此，系统进一步演化为多智能体协同架构，并结合模型在线强化、端云协同感知和知识库沉淀，提升异常处理、任务恢复和长期泛化能力。从行业榜单能力提升走向业务场景落地，形成面向移动设备的通用自动执行能力。
随着执行能力的不断演进，GUI Agent 的下一步是在执行过程中更了解用户、提供更贴合实际需求的执行、主动为用户减少交互困难，以及更流畅、更智能的数字助理。
听众收益：
1. 了解当前手机厂商 GUI Agent 的现状及挑战
2. 提升如何通过训练和 Harness Engineering 提升 Agent 业务上线能力
Harness Agent在实际业务中的落地现状和未来发展
随着大模型能力持续突破，Harness 编程（即通过结构化方式“驾驭”大模型完成复杂任务）已从概念走向主流。然而，在实际业务中落地 Harness Agent 时，企业往往面临效果不稳定、成本失控、安全风险、评估困难等一系列现实挑战。如何在大模型时代真正用好大模型，让 Harness Agent 从“可用”变为“可靠”，是每一位技术决策者和开发者都需要深入探讨的紧迫话题。
演讲提纲：
一、Harness Agent 的发现
- 从大模型能力涌现到 Harness 编程思想的诞生
- Harness Agent 与传统 Prompt 工程、Chain/Flow 的区别
- 关键驱动力：模型推理能力的提升与工具调用（Function Calling）的成熟
- 实际业务中哪些场景天然适合引入 Harness Agent
二、Harness 如何在自己实际项目中落地
- 落地前的决策框架：自研 vs 开源框架 vs 商业平台
- 典型案例分享：
- 企业内部知识问答与复杂报告生成
- 多步数据清洗与分析流程
- 跨系统业务操作自动化（如 CRM、工单系统）
- 从单 Agent 到多 Agent 协作的模式选择
- 落地过程中的工程基建：日志、追踪、缓存与成本控制
三、Harness 在实际落地中暴露的问题及如何规避
- 效果问题：Agent 易陷入循环、多步推理累积误差 → 引入规划校验与提前终止机制
- 成本问题：大模型反复调用导致 Token 消耗爆炸 → 设计“决策-执行”分离架构、用小模型做路由器
- 可控性问题：输出格式不稳定、指令遵循偏差 → 结构化输出约束、带反馈的自纠错回路
- 安全与合规问题：Agent 访问敏感数据、执行危险操作 → 权限沙箱、人类在环（Human-in-the-loop）、审计日志
- 评估难题：缺乏标准的 Agent 评估数据集 → 构建任务完成率、步骤效率、人工验收三元评估体系
- 团队认知问题：把 Agent 当成万能胶 → 明确 Harness 的适用边界，建立快速失败（fail-fast）机制
四、Harness 未来的发展
- 模型侧提升：更强的基础推理能力与长期记忆机制
- 框架侧演进：从“编排”走向“自组织”的 Agent 网络
- 工具生态：统一 MCP（模型上下文协议）标准，降低接入成本
- 行业趋势：垂直领域的 Harness Agent 将率先成熟（如金融、医疗、软件工程）
- 实用主义预测：未来 1-2 年，“轻量级 Harness + 本地小模型”会成为中小企业标配
听众收益点：
1. 明确 Harness Agent 的适用边界**：学会判断自己的业务场景是否适合引入 Harness Agent，避免盲目跟风造成资源浪费。
2. 掌握一套可复用的落地方法论：从需求分析、架构选型到工程基建，获得端到端的实施路径，减少试错成本。
3. 避开真实业务中的典型“坑点”：提前预知效果不稳定、成本失控、安全风险等常见问题，并学会对应的规避策略与工程手段。
4. 建立 Harness Agent 的效果评估体系：不再只凭“感觉”评价 Agent 好坏，能够用任务完成率、步骤效率等可量化指标驱动迭代。
5. 洞察未来 1-3 年的技术演进趋势：了解模型、框架、工具生态的发展方向，为自己的技术规划和团队布局提供决策依据。
Agentic4Rec：理论、算法、大规模工业落地应用与挑战
理论层，梳理 Agentic Recommendation 所面对的三个根本性问题；推理监督信号的来源、协同信号的注入方式、以及训练目标与推理过程之间的一致性，并从信息论视角阐明该范式与传统推荐、生成式推荐之间的本质差异。
算法层，剖析当前主流技术路线，对代表工作进行结构化对比，明确其解题边界、相互依赖与未解难题。
工业落地层，分析 Agentic Recommendation 在大规模生产环境中所面临的延迟与成本、长尾分布、分布漂移等结构性约束，并给出当前条件下具备工程现实性的整体方案。
演讲提纲：
1、Agentic4Rec 范式的提出背景
2、Agentic4Rec 的范式定位与角色框架
3、理论层：推理监督、协同信号、训推一致性
4、算法层：主流技术路线、解题边界与代价权衡
5、应用层：大规模工业落地的结构性约束与可行方案
6、趋势判断与开放问题
听众收益：
1.理论层面：建立对该范式三个根本性问题的清晰理解——推理监督信号的来源差异、协同信号在大模型 Agent 中的注入方式、训练目标与推理过程之间的一致性问题。
2.算法层面：掌握当前主流技术路线的解题边界与相互依赖关系，理解算法设计的出发点、当前局限与未解问题，从而在工程或研究选型时具备结构化的判断依据。
3.应用层面：获得 Agentic Recommendation 在大规模生产环境中所面对的五项结构性约束的完整视图，以及当前条件下具备工程现实性的整体方案。
下一代 Agent 形态探索：从打破数字世界信息孤岛，到突破物理世界感知屏障
业务背景：随着 Agentic AI 技术快速成熟，用户对智能体的需求已从传统对话问答，转向跨设备、跨社交场景的全自动任务执行与协作。当下智能体普遍被困在单一设备、孤立应用与封闭社交空间中，设备割裂、社交协作分散、数据与能力无法互通，形成了数字世界里设备与社交双重信息孤岛，难以适配真实的数字生活与协作场景。
在解决数字世界协同问题的基础上，用户进一步需要智能体走出屏幕、感知真实物理环境，实现更贴合生活的主动交互与服务。基于此，我们开展了下一代 Agent 的形态探索，从打破数字世界的信息孤岛，到突破物理世界的感知屏障，推动智能体从数字空间执行者，向全场景智能助理升级。
方案选型：跨设备、跨用户协同 Agent 系统、物理世界实时视觉理解、长时多模态记忆
落地挑战：
1. 数字世界：手机、电脑等设备割裂，信息与执行无法互通，形成孤岛
2. 物理世界：Agent 无法感知真实环境，缺少主动交互与长期记忆能力
解决思路：
1. 针对数字世界信息孤岛问题：构建多设备协同架构，打通设备、应用、社交场景的执行壁垒
2. 针对数字世界到物理的感知屏障：加入实时视觉感知与多模态记忆，让 Agent 看懂真实世界、主动服务
演讲提纲：
1. 行业趋势：Agent 从单设备对话，向数字全域执行、物理世界感知升级
2. TopoClaw：打破数字孤岛 —— 多设备跨用户协同，打通数字世界执行壁垒
3. Venom：突破物理屏障 —— 实景感知 + 长时记忆，让 Agent 走进真实世界
4. 核心技术方案：数字协同与物理感知的工程化落地
5. 实现效果：跨设备执行、物理感知服务的demo演示
6. 未来展望：下一代全场景 Agent 的形态与发展方向
听众收益：
1. 清晰掌握 Agent从数字到物理的演进路径
2. 了解打破数字信息孤岛、实现多设备协同的落地方案
3. 了解物理世界感知与主动服务的 Agent 实现方法
vivo数据研发治理平台DataAgent能力落地实践
本次分享将揭秘vivo大数据研发治理平台通过DataAgent实现数据研发的智能化转型。我们将聚焦数据开发智能体（DataDev Agent）与数据分析智能体（DataAnalysis Agent）两大核心实践：前者通过Text-to-sql与任务自动编排，测试，将开发从“手写代码”解放为“逻辑编排”；后者基于对话式分析到深度研究，让业务从“找数”升级为“对话即洞察”。
演讲提纲：
一、痛点与目标
从“人适配数据”到“数据适配人”
开发侧：重代码、重运维、经验难以沉淀。
分析侧：门槛高、周期长、洞察不够深入。
二、数据开发智能体
重塑研发链路：从“手工编码”到“智能生成”，Agent驱动全链路任务创建于编排，自动化测试与发布校验。
三、数据分析智能体
重塑消费链路：从“被动取数”到“主动洞察”，对话式分析，智能归因，异动检测，自动生成分析报告。
四、技术架构与保障
统一的Agent技术底座，驱动不同场景的Agent能力，基础夯实，赋能提效，自动测试，安全可控。
五、总结与展望
构建端到端的数据自动驾驶体系
听众收益点：
1- 掌握从“手工编码”到“智能生成”的数据开发提效路径
2- 体验“对话即洞察”的分析新范式，降低数据消费门槛
3- 获取企业级数据平台智能化落地的架构与安全实践
基于AgentScope的金融数据平台Agentic进化之路
金融数据平台进入 Agentic 化深水区，挑战已不再是“能不能生成 SQL”，而是如何打通任务开发、数据探查、任务发布、数据质量、调度运维的全链路闭环。领岳科技基于 AgentScope Java 打造统一的生产级 Agentic 架构，围绕多 Agent 协同编排、平台能力接入、质量与安全治理、状态管理与可观测运维，沉淀可复用的工程化底座，实现从“需求理解-方案生成-发布执行-质量保障-运行处置”的平台级协同。分享将重点拆解从单点 AI 助手走向平台化 Agentic 系统的关键实践，帮助企业建立可治理、可扩展、可持续演进的数据平台智能能力。
演讲提纲：
1- 金融数据平台的全链路痛点：全球化部署复杂、协作链路长、准确度要求高、治理约束严
平台 Agentic 的质变：从单轮问答升级为“推理-工具调用-执行反馈-自动纠偏-持续记忆”的跨环节编排闭环
金融场景附加约束：高危操作拒答、权限门控前置、全链路可审计、跨 Agent 协同不越权，并在闭环中持续优化生成准确度
2- 方案选型
核心约束：严格单向依赖，禁止环依赖；扩展新业务场景以增量 Agent / 工具实现，不改编排内核。
AgentScope 在系统中的落点：仅收口在编排层适配包中，业务 Agent 不直接接触框架内部 API，为未来框架升级预留缓冲。
3- 落地挑战
挑战一：ReAct 链路可靠性
挑战二：生产级工程集成
挑战三：金融场景的评测量化
4- 解决思路
4.1 三层意图路由：稳定性的第一道防线
4.2 工具链质量门控：从设计时到运行时
4.3 结构化代码协议：告别 Markdown 解析
4.4 上下文装配优先级与 Token 预算
4.5 生产级工程方案
听众收益：
收益一：获得数据平台全链路 Agentic 化的方法论
不再局限于 Text2SQL 或单一任务开发，而是理解“数据探查-任务开发-发布上线-质量保障-调度运维”如何在统一 Agentic 架构下协同运转，明确平台化建设的分层边界与演进路径。
收益二：拿到可复用的生产级工程实现模板
掌握多 Agent 协作中的关键工程件：意图路由、工具门控、流式编排、状态持久化、权限审计、失败恢复等，并理解这些能力如何在不同业务环节复用，而非为每个场景重复造轮子。
收益三：建立可量化的价值评估与迭代框架
学习如何从“任务成功率”扩展到“平台端到端收益”指标体系（开发提效、发布稳定性、质量拦截率、运维响应时效），把 Agentic 建设从技术试验升级为可持续运营的业务能力。
能共情的多面手：货拉拉AI客服数字人升级
客服作为企业连接用户的核心触点，长期面临场景覆盖广、诉求细碎繁杂、进线用户携带负面情绪等痛点。传统AI客服机械应答的模式难以适配复杂需求，导致大量进线咨询最终流转至人工，既推高了运营成本，也降低了用户服务体验。
随着大模型与Agent技术的成熟，AI客服的能力边界迎来突破性拓展。本次升级围绕货拉拉业务特性，从底层痛点拆解、全链路方案设计到落地效果验证，系统性迭代了智能路由、场景化应答改写、情绪感知安抚等核心能力，打造出兼具专业度与温度的新一代客服数字人，实现在线和热线服务体验与运营效率的双重提升。
演讲提纲：
一、货拉拉客服介绍
1. 货拉拉客服概览
2. AI客服痛点分析：
a. 场景多样(27个业务场景)且边界模糊，如何准确分发问题，从而提升回复的准确率
b. 进线人多带负面情绪，如何针对性安抚以便能顺利对话并解决问题
c. 问题本身繁杂，如何取舍设定回复的边界
3. AI客服数字人目标
a. 准确回复进线人的问题并安抚进线人情绪，以提升分流率和问题解决率
二、AI客服数字人方案及实践
1. 整体方案概览
a. 包含哪些部分：灵活的头脑、敏锐的耳目、严谨的口舌、敏捷的手脚、温暖的心及丰富的知识，共同刻画出一个能安抚情绪、能解决问题的AI客服数字人
i. 场景路由：头脑清晰的调度中枢；精准识别用户需求并高效分发任务，确保服务路径最优解
ii. Query改写：文思敏捷的语义引擎；深度解析用户Query并精准重构表达，提升交互容错性与准确性
iii. 舆情质检：耳聪目明的舆情侦探；实时捕捉舆情问题，及时反馈上报，控制舆情风险
iv. 红线过滤：敏感内容的安全卫士；识别与拦截高风险内容，严守合规底线，避免祸从口出
v. 多模态情绪感知与共情：温暖细心的贴心助理；融合语音、文本、表情多维度情感识别，实现人性化情绪回应
vi. Skill&MCP：技能多样的多面能手；无缝调用多领域能力模块，提供一站式场景化解决方案
vii. 知识挖掘：博闻强识的宝藏地图；快速、准确挖掘场景知识，满足数字人客服专业知识储备
2. 整体架构是什么
a. 文本：multi-agent方案，不同的模块即为一个agent，用户问题经过路由、改写与情绪识别后，通过中控Agent分发到具体的专家Agent进行问题解决，最终给到用户反馈
b. 热线：热线时效要求高，简单的multi-agent方案不再适用；因而使用快慢自考架构：
i. 快思考：基于上下文对话内容输出承接语，快速响应司机，且确保与上下文过度自然
ii. 慢思考：输出最终回复，准确处理司机问题
整体上既能确保用户体验流畅，又能准确处理用户问题，实现时效和回复效果的共赢
3. 各项自能力介绍
a. 路由模块/改写模块：如何通过模型精调实现准确分发与改写
b. 情绪安抚模块：如何设计情绪类型、情绪识别方案、情绪处理策略及情绪评估方案，最终实现情绪的识别与处理
c. 红线模块：什么是红线、如何通过多重限定机制确保AI不会输出红线内容
d. 知识挖掘模块：如何从零散的线上真实对话中提取出有用的知识库，并与当前已有的知识库合并，降低业务梳理知识所需的人力
e. ...
4. 客服落地效果展示：
a. 具体的效果指标与对话示例展示
三、总结和展望
1. 总结
2. 展望
听众收益：
1. 货运场景下的客服业务特点及痛点
2. 企业级AI客服数字人解决方案和落地效果
3. AI客服数字人各项子能力构建方案
AI代码逻辑炼金Agent：逆向萃取系统代码图谱到自动化迭代的研发效能实践
AI 代码业务逻辑“炼金师”，是平安寿险 IT 团队面向老旧系统升级迭代困境打造的深度技术创新型全链路自动化闭环平台，直击行业老旧系统代码积年老旧、文档缺失、逻辑黑盒、模块高度耦合、人工梳理成本极高、无法快速迭代重构的共性痛点，从根源解决老旧系统难以高效更新换代的行业难题。
项目具备硬核技术创新，深度融合AST 抽象语法树解析、微服务调用链 BFS 拓扑分析、代码知识图谱建模、多级代码分层智能裁剪技术，构建文件、类、方法、逻辑段四级最小完备上下文，精准规避大模型 Token 超限与推理幻觉；结合自研 AI 技能引擎与精细化提示词工程，实现百万级存量 Java 代码业务逻辑逆向自动萃取、架构与流程可视化自动生成、业务规则与 PRD 文档标准化自动产出，并基于萃取的业务规则一键自动代码编写与逻辑重构。
平台首创代码解析→逻辑萃取→知识沉淀→规范建模→自动代码编写→系统迭代端到端全流程自动化闭环，不再仅停留在代码解读梳理，而是以萃取固化的真实业务规则为基准，反向驱动新代码智能编写、模块重构与系统升级，打通从旧代码考古到新系统快速迭代的完整链路。
项目落地实现梳理效率提升 85%+、萃取准确率达 99.5%、设计绘图工时减少 80%、需求迭代周期缩短 50%，同时完成复杂代码解耦降维。后续将兼容多编程语言、自研行业专属代码大模型、工具产品化输出，为全行业老旧系统快速重构、平滑升级、持续迭代提供领先的 AI 技术解决方案。
演讲提纲：
一、项目背景：遗留系统存在百万级历史代码，文档缺失、迭代转手多，业务逻辑梳理难度大；市面 AI 大模型仅支持代码生成，缺乏历史代码逆向萃取能力，平安XX系统重构面临代码量大、人工梳理耗时久等五大痛点。
二、项目愿景：依托 AI 大模型打造炼丹炉，将代码考古转为智能萃取，实现业务逻辑还原、架构可视化、流程自动生成与知识资产沉淀。
三、技术方案：采用四步架构，通过 AST 解析、多层级代码裁剪、AI 技能解析、标准化工作流输出，攻克大模型 Token 限制难题。
四、项目成果：代码梳理效率提升 85%+，萃取成功率超 99.5%，大幅缩短需求分析与绘图时间，优化代码复杂度。
五、未来展望：拓展多语言适配、训练专属模型、产品化落地，延伸赋能代码智能重构。
听众收益：
1. 掌握一套基于“AST解析+代码知识图谱+AI技能引擎”的研发效能Agent落地架构
2. 获得“代码逆向萃取→自动化重构”闭环的量化提效路径与避坑指南
系统化AI辅助研发破解定制难题——多Agent协同、代码逆向与生成式AI的工程化落地
在全球化业务背景下，软件产品需要面向多个国家/地区进行定制化适配（如UI、业务规则、合规要求等）。传统DevOps与敏捷开发方式在面对“1个核心底座+N种定制变体”时，普遍暴露出重复开发、知识孤岛、质量参差不齐、交付周期长等痛点。以LLM为代表的AI技术为这一困境提供了新的解法，但零散的代码生成工具难以系统化解决工程落地问题。
本次演讲将从真实业务挑战出发，首次系统分享OneCodeBase实践的完整思路：如何通过多Agent协同、代码逆向工程、知识挖掘和知识工程等技术，实现对全球化定制开发效率的系统性提升，为正在探索AI辅助研发的团队提供可复用的实战参考。
演讲提纲：
1. 软件1+N客户化定制适配面临挑战
2. 系统化AI辅助研发思路与方案
整体思路：
- 领域知识自动萃取与挖掘，将隐含在文档和代码中的离散或隐含领域知识自动进行萃取与挖掘，定义与构建不同层级的领域知识和知识库，比如领域知识包括L1 Knowledge Cube、L2 Function Knowledge和L3 Scenario Knowledge，知识不再是What的问题，更要回答Why和How等问题；
- 构建场景化可范式的需求即应用能力，可范式场景在一线可闭环；
- 构建开发E2E流程闭环能力，实现需求理解与澄清、代码生成、验证、上库等流程闭环能力，并将领域知识注入流程，支撑AI Coding环节软件实现设计和业务代码生成；
- 基于可组合的测试因子实现需求到自动化用例自动生成与执行；
关键创新点：
- 领域知识挖掘工程：自动从历史定制代码和文档中全量与增量萃取与挖掘领域知识；
3. 总结与展望
系统化AI辅助研发 ≠ 堆砌大模型API，而是一套从问题出发的工程体系
未来的挑战：知识飞轮，如何将知识萃取、管理、应用和反馈建立闭环，形成基于领域知识的自我演进；
听众收益点：
- 掌握系统化知识挖掘方法，破解“1+N”定制中的知识孤岛与重复开发难题
- 获得端到端AI辅助研发闭环的实战参考，缩短交付周期并提升质量一致性
AI自主迭代修复驱动开发测试端到端闭环实践
日常研发里约34%快车道交付需求，存在研发流程割裂、开发测试重复劳作、缺乏端到端协同痛点。我们基于多智能体架构，依托AI-IDE落地方案。方案打通需求理解→设计生成→代码实现→部署验证→测试执行→问题修复全自动化闭环，实现开发与测试能力深度融合、打破组织业务边界。同时搭建基于测试反馈的智能迭代修复机制，通过子Agent拆分任务管控上下文负载，优选GLM-5、星云V8思考模型保障Skill遵循度，自动定位问题、循环修复迭代，大幅降低重复工作量，标准化提速快车道需求交付。
演讲提纲：
一、业务背景
1. 研发现状：快车道交付需求占比约34%，是日常研发高频场景
2. 现存痛点
- 流程割裂：需求、设计、开发、部署、测试各环节脱节，无端到端闭环
- 人力冗余：开发自测、测试系统测试，重复编写测试用例，工作量冗余
- 组织壁垒：开发、测试部门工作割裂，能力无法互通复用
3. 核心诉求：标准化、自动化、打通组织边界，实现快车道需求高效交付
二、方案选型
1. 选型定位：聚焦34%快车道需求专属解决方案，而非通用零散工具
2. 技术底座：采用多智能体架构，基于AI-IDE落地
3. 模型选型验证：GLM-5、星云V8思考模型可达理想效果，非思考模型Skill遵循度不足，已做优选落地
三、落地挑战
1. 流程挑战：全环节链路长，难以实现自动化串联闭环
2. 技术挑战：大模型存在上下文负载拐点，超40%后性能显著衰减
3. 协同挑战：开发、测试部门边界固化，能力难以融合
4. 机制挑战：测试失败后缺乏自动分析、迭代修复的闭环机制
四、解决思路
1. 流程层面：搭建需求理解→设计生成→代码实现→部署验证→测试执行→问题修复全流程自动化闭环
2. 架构层面：采用主Agent编排+子Agent独立分片执行，控制主Agent上下文占用30%-40%，规避性能衰减
3. 组织层面：实现开发与测试能力深度融合，打破部门组织边界，消解重复工作
4. 机制层面：建立基于测试反馈的智能迭代修复机制，自动定位根因、循环修复、重新部署复测
5. 规范层面：标准化SOP与Skill定义，保障模型执行遵循度
五、未来规划
1. 场景扩容：从34%快车道需求，逐步向常规研发需求延伸覆盖
2. 模型优化：持续迭代适配商用大模型，优化Skill遵循度与自愈能力
3. 推广落地：向团队全员开放Skill能力，形成标准化研发交付范式
六、总结
1. 聚焦34%核心快车道需求，直击研发重复劳作、流程割裂痛点
2. 依托多智能体架构，实现全流程自动化闭环+跨部门能力融合
3. 以子Agent上下文管控、测试智能修复两大亮点，解决技术与业务双重难题
4. 后续持续扩容场景、推广复用，打造AI驱动的标准化研发交付体系
听众收益：
1. 业务认知提升：了解团队34%快车道交付需求的真实研发痛点，看懂开发测试重复工作、流程割裂、组织壁垒等问题的根源，建立AI赋能研发的业务视角。
2. 技术经验收获：掌握多智能体子Agent拆分编排、上下文负载管控、商用模型选型（GLM-5/星云V8思考模型）等实战落地经验，可复用至自身AI研发场景。
3. 方案借鉴价值：学习端到端全流程自动化闭环、跨部门能力融合、测试反馈智能迭代修复的整套设计思路，可直接参考落地到本部门研发提效工作中。
本体驱动企业Agent决策的探索与思考
当前企业级AI正面临"60%落地瓶颈"：智能体能背诵业务手册，却无法准确、可靠、可解释的执行实际业务动作。本演讲深入探讨如何以本体（Ontology）为核心，构建企业级"数据上下文层"，支撑数据驱动的企业级Agent精准决策，帮助智能体从原型演示，走向实际生产的价值鸿沟。
演讲提纲：
一、引言：企业AI落地的现实困境
1. DataAgent（如NL2SQL）的落地难点：语义歧义、复杂业务逻辑理解失效
2. 企业Agent决策准确性不足：幻觉问题、动作不可控
3. 可解释性痛点：黑盒决策难以通过合规与风控审查
二、核心概念：本体——Agent的“企业大脑”
1. 本体的定义与本质：概念、属性、关系、约束的形式化表达
2. 从本体到数据上下文的转化路径：本体 → 语义标注 → 知识图谱 → 上下文向量化
三、企业本体平台建设与落地
1. 企业本体平台的建设思路
- 分层架构：基础本体层（通用概念）+ 领域本体层（业务专有概念）+ 实例层（企业数据映射）
- 技术选型：OWL/SHACL vs 轻量级JSON-LD + 图数据库（Neo4j、NebulaGraph）
- 本体建模工具：Protégé、OntoStudio、企业自研低代码本体编辑器（支持自然语言辅助建模）
- 本体与LLM的结合：利用大模型半自动化抽取实体关系，人工校验形成种子本体
2. 企业本体的落地实施方法
- 两阶段映射：
- 本体到数据库Schema的映射（使用R2RML、Ontop等映射语言）
- 本体到API/事件流的映射（OpenAPI扩展语义标签）
- 推理引擎集成：
- 基于规则推理（SWRL、Drools）处理确定性逻辑
- 基于表示学习的推理（TransE、ComplEx）处理隐性关系
- Agent交互协议：
- 本体作为Function Calling的Schema约束，限制Agent动作空间
- 引入本体驱动的ReAct框架：Thought中使用本体概念，Action调用本体定义的原子能力
3. 企业本体的治理思想：如何避免语义漂移
- 语义漂移检测技术：
- 计算本体版本间的概念相似度（基于向量嵌入的JS散度）
- 监控Agent执行日志中未定义概念的比例
- 持续治理流程：
- 本体变更影响分析（依赖图谱 + 最小回溯重推理）
- 业务术语众包反馈 + LLM辅助术语对齐
- 组织保障：本体委员会（数据Owner + 业务专家 + AI工程师） + 自动化CI/CD for Ontology
四、应用实践：企业Agent + 本体的场景与效果
1. 典型应用场景
- 供应链决策Agent：本体描述供应商、物料、订单、约束规则 → Agent进行因果链故障定位与补货策略生成
- 营销活动优化Agent：本体封装用户标签、渠道、内容元数据 → Agent自主编排A/B测试并解释ROI归因
- 资产运营Agent：本体建模设备资产、维护记录、工况参数 → Agent执行预测性维护任务并生成可解释报告
2. 实际应用效果
- 准确性提升：本体约束后的Agent动作合法率达到99.5%（vs 无本体65%），减少无效调用
- 可解释性：基于本体路径的决策追踪，输出<概念, 关系, 置信度>三元组证据链，通过企业合规审计
- 推理效率：本体预推理生成物化视图，将Agent决策中在线图查询时延从秒级降至50ms以内
- 治理成本：本体变更后自动化回归测试，人工审核量减少70%
3. 技术难点与应对
- 难点1：本体建模工具及方法缺乏标准 → 采用混合建模（人工顶层设计 + LLM辅助补全），并开源内部建模规范草案
- 难点2：本体规划缺乏组织保障 → 设计“本体即代码”流水线，集成到现有DataOps流程中
- 难点3：本体存算引擎不成熟 → 基于LSM树的图索引 + 向量联合检索，支持本体推理与相似度查询混合负载
五、总结与展望
- 本体是Agent跨越“落地鸿沟”的必要基础设施
- 下一步：自适应本体演进、多模态本体、联邦本体
听众收益：
1- 企业级本体构建、运行和治理的实践和思考
2- 企业级本体驱动Agent决策体系的落地挑战及解题思路
能力契约驱动的企业级 Agent 执行范式：Dynamic Workflow 的运行时展开
企业级 Agent 的核心矛盾，不是模型能否调用工具，而是能否在长周期、多步骤、有副作用的任务中持续掌控流程。固定 Workflow 治理清晰但适应性不足；自由 Agent 具备探索能力，却难以稳定满足权限、审计和恢复要求；Workflow + Free-agent Node 是现实折中，但动态性主要停留在节点内部，跨节点补证、重排、回退和提前完成仍依赖预设分支。
本次分享提出一种能力契约驱动的企业级 Agent 执行范式：将业务 SOP 转化为 Agent 可理解、执行底座可承载的 Skill Set Package，用能力边界、适用条件、验证规则、工具权限和状态提交机制定义可执行空间。Agent 基于当前状态和证据质量动态编排下一步；执行底座负责校验、调度、审计与恢复。该范式的目标不是弱化 Agent，而是让 Agent 的流程决策进入可验证、可追溯、可恢复的企业级执行过程。
演讲提纲：
1. 企业级 Agent 的核心矛盾
- 复杂任务需要动态补证、修订、回退、暂停和提前完成。
- 企业系统同时要求权限、预算、审计、恢复和可诊断性。
2. 现有三类范式的边界
- 固定 Workflow：治理简单，但路径适应性不足。
- Free Agent：探索能力强，但系统边界不稳定。
- Workflow + Free-agent Node：单节点灵活，但跨节点动态仍依赖预设分支。
3. OpenSpec 带来的工作结构启发
- Actions、artifacts、dependencies、verify 和 archive 提供了组织复杂工作的参考。
- Dependency 是 enabler，不是强制路径；verify 是复杂工作收敛机制。
4. 能力契约与 Skill Set Package
- 交付物不再是流程图，而是一组 Agent 可理解、执行底座可承载的能力契约。
- Skill Set 描述能力边界、适用条件、输入输出、验证规则、权限和失败处理。
- SOP 保持稳定，执行轨迹由 Agent 根据状态和证据动态展开。
5. Agent 主导的 Dynamic Workflow
- 执行底座暴露目标、状态、证据、候选能力和策略约束。
- Agent 动态选择下一步，执行底座完成校验、调度、状态提交和审计记录。
6. 适用边界与评估方法
- 适合高价值、多步骤、长周期、有工具副作用且路径不确定的任务。
- 通过成功率、人工介入率、成本、延迟、失败可诊断性、可复现性和越权/违规率评估方案价值。
听众收益：
1. 建立判断企业级 Agent 执行范式的框架，区分固定 Workflow、自由 Agent、Workflow + Free-agent Node 与 Agent 主导的 Dynamic Workflow。
2. 理解 Skill Set Package 作为交付物的设计方式：如何定义能力边界、适用条件、验证规则、权限策略和状态提交机制，使 Agent 能在边界内动态编排。
3. 获得一套生产化评估方法，判断哪些任务值得采用该范式，并用成功率、人工介入率、成本与延迟、失败可诊断性、可复现性和越权率评估效果。
看见、记住、行动：多模态 Agent 的记忆工程实践——从流式视频伴随到端侧具身智能体
Agentic AI 走向"持续在线的多模态助手"，记忆正成为决定系统上限的核心瓶颈。本次分享基于两个真实落地：自 3 月起服务千万级用户的小布伴随，以及在社区受到关注的开源端侧 Agent X-OmniClaw。前者以"短期 Buffer + 长期 mem"双层流式记忆为骨架，破解屏幕高噪与写入延迟，已支撑千万级用户的跨片段连贯问答稳定上线；后者面向端侧算力与隐私边界，把感知与行为持续沉淀为可审计、可复用的端侧记忆，闭环出"记得住、用得上、主动出手"的个性化体验。
最后我们一起展望：当记忆从一次性的会话上下文进化为持续生长、可被复用的系统级基础设施时，记忆驱动的 Agent OS 会带来怎样的可能。
演讲提纲：
1. 记忆，Agent 的下一个胜负手
-从 Prompt 到 Memory
-持续在线 vs 端侧具身
-记忆工程的设计契约
2. 边看边答：小布伴随的流式记忆
-场景：让 Agent 陪你使用手机
-一短一长，双层流式记忆
-剥掉噪音，沉淀事件
-落地之外，再走一步
3. 装进口袋的 Agent：X-OmniClaw 的端侧记忆
-把手机变成感知枢纽
-端侧的"长短时海马体"
-从动作到技能的沉淀
-让 Agent 学会主动出手
4. 展望：下一站，Agent OS
听众收益点：
1. 全面了解OPPO在千万级用户上验证过的多模态流式记忆工程设计
2. 端侧 Agent 记忆的开源设计
安克 AI 创新和应用演进之路（暂定）
二十年研发和互联网行业经验，先后任职于金蝶、淘宝/天猫、OnePlus、超级猩猩等企业，一直从事和负责产品研发、数字化和智能硬件等相关岗位，对数字化、高性能计算、云平台、智能 IoT等领域有深入的积累和经验，并擅长于将技术融入商业场景和模式中。
Agent 从“写代码”到“建系统”——技术演进、能力边界与可信工程的挑战
本科毕业于清华大学电子工程系，在美国宾夕法尼亚大学攻读程序语言专业博士，现任粤港澳大湾区数字经济研究院（IDEA研究院）基础软件中心首席科学家、MoonBit团队负责人。
曾任OCaml语言核心开发人员，其主导开发的ReScript语言（原BuckleScript）是首个由中国人主导的国际通用程序语言，官方文档支持多国语言版本。2013年受彭博社邀请开发函数式语言编译器，创建的BuckleScript项目后被Meta等公司采用。2017年回国后成为Meta中国大陆唯一软件工程师，维护BuckleScript并参与Flow语言开发。
2022年加入IDEA研究院创立基础软件中心，带领团队开发MoonBit编程语言及工具链，该语言基于WebAssembly设计，支持云计算与AI开发，已适配RISC-V指令集并进入北京大学、清华大学课程体系。OCaml语言项目获2023年SIGPLAN软件大奖。截至2025年，MoonBit用户已超过10万，预计2027年初达到近100万用户。
守矩驭智：知鸟企培智能体技术体系赋能金融企业高质量发展
曾任职百度、搜狗、腾讯等知名企业，深耕AI算法、搜广推算法等领域。现任平安知鸟AI负责人，专注于AI技术在企业培训场景的落地与创新，助力企业在AI时代实现组织能力跃迁。
Agentic AI重塑金融生产力：平安集团智能体平台的探索与实践
清华大学智能技术与系统国家重点实验室信号与信息处理专业硕士，26年人工智能和大数据经验。现任平安科技算法平台部负责人，全面统筹智能体平台及模型训推平台从技术研发到体系化建设的全链条工作。曾获2020年度吴文俊人工智能科技进步一等奖、2022年度广东省科技进步一等奖、2022年度中国人民银行金融科技发展奖二等奖、2024年度中国人民银行金融科技发展奖二等奖等重要荣誉。
从评分卡到智能体：人工智能重塑消费信贷风险管理体系的实践与思考
中国人民银行金融标准制定委员会专家，互联网金融协会外聘专家，重庆数宜信信用管理公司高级顾问，重庆市人力资源开发服务中心认证AI应用讲师；15年商业银行高级管理经验，历任某互联网银行风险管理负责人，阿里巴巴和蚂蚁科技集团高级风险专家。熟悉线上信贷业务的风险模型、风险策略开发，熟悉大数据和人工智能技术基本原理及产业端的应用。
Agents 重构金融 FICC 策略全生命周期管理平台
20 年金融科技一线，做过三套电子交易平台。
2019 年，作为项目经理与核心开发，交付平安证券"领航 (FLEET) 固收外汇电子做市交易系统"，获深圳市金融创新奖一等奖。
2022 年，作为交易平台架构负责人，参与交付华泰证券"大象 FICC 多资产做市与风控平台"，获人民银行金融科技发展奖一等奖。
现负责华泰"AI+AURORA 策略管理平台"——把 AI Agents 嵌进多资产策略的全生命周期。
从自动化到自进化：大数据运维Agent实践与思考
先后承担中国移动数据仓库（经营分析）系统的规范设计、验收、运维，主持设计了中国移动规范符合度测试、POC选型测试等技术文档80余册、300多万字；带领团队构建新一代数智化运维体系，承接梧桐大数据6.4万+台节点规模，600+PB价值数据资产数智化运维工作；开展中国移动集团关键核心技术攻关，完成大数据架构去IOE，操作系统国产替代。荣获通信行业协会荣誉5项，移动集团级荣誉8项，多项信通院标准起草人。
三层解耦 × 三大Agent：货拉拉私域营销的多模态引擎实战
拥有丰富的NLP算法与大模型跨场景业务落地经验，专注于通过AI Agent技术提升业务效率。擅长将大模型与客服、私域、判责、舆情等场景融合，推动 AI 在实际业务中可控、可用、可落地。
数据科学 Agent Harness 的探索与实践
就职微信实验平台，专注实验决策优化与因果分析Agent工程化落地。从 0 到 1 支持实验平台智能分析体系建设，推动 Notebook 证据链分析、实验报告自动化、CUPED 策略优化和 AgentOS 调度编排等能力落地，专注将复杂分析流程沉淀为可执行、可审计、可复用的平台系统。
移动端 GUI 执行的 Agent Harness 探索
研究方向涵盖 GUI Agent、多智能体框架与端云协同计算。近年在 NeurIPS，AAAI，WWW，CIKM，IEEE TC / TIFS 等会议与期刊发表多篇论文，参与 OPPO GUI 智能体系统研发与 Agent 业务应用上线。
Harness Agent在实际业务中的落地现状和未来发展
九年NLP和大模型相关业务经验，公司内做过多场大模型相关专题的分享。
Agentic4Rec：理论、算法、大规模工业落地应用与挑战
清华大学毕业，高级算法研究员。研究方向涵盖信息检索、推荐系统与多模态内容理解。2019年加入腾讯，专注于用户增长场景的算法研发；近年研究重心聚焦生成式推荐（GenRec）、大模型推荐（LLM4Rec）与智能体推荐（Agent4Rec）等前沿方向。研究成果发表于 ICML、ACL、WWW、SIGIR、KDD、RecSys 等领域顶级会议，相关算法已在十亿级推荐场景中成功落地。
下一代 Agent 形态探索：从打破数字世界信息孤岛，到突破物理世界感知屏障
西安交通大学博士，现任OPPO研究院高级算法工程师，在KDD、IEEE TKDE、ACL、IEEE TIP、 ECML PKDD等国际会议期刊发表多篇论文，现研究方向涵盖GUI Agent、多模态Agent、多智能体协同系统等。
vivo数据研发治理平台DataAgent能力落地实践
深耕中间件与大数据研发15年，主导vivo公司级大数据平台BDSP从0到1落地，覆盖数仓、开发与分析全链路。近年专注AI大模型与数据平台融合创新，持续赋能业务，创造惊喜与价值。
基于AgentScope的金融数据平台Agentic进化之路
瓴岳科技（洋钱罐）数据平台工具组负责人，拥有多年大数据领域相关工程化经验。主导设计并落地 DataPilot 一站式数据开发平台以及 AI Agentic 架构，深度参与基于 AgentScope 的生产级 Data Agent 集成实践。
能共情的多面手：货拉拉AI客服数字人升级
负责大模型在多个场景中应用落地相关工作。在AI客服、AI邀约的大模型应用与全链路评测体系建设方面拥有丰富经验。致力于通过前沿AI技术解决实际业务问题，创造业务价值。同时深耕物流货运行业多年，曾就职顺丰科技，主要负责供应链解决方案算法及预测方案开发。
AI代码逻辑炼金Agent：逆向萃取系统代码图谱到自动化迭代的研发效能实践
资深IT团队管理者，拥有多年大数据、应用团队的技术架构规划与项目统筹管理经验。深耕大数据创新领域，斩获多项国内外创新类奖项，专业能力与行业成果备受认可。曾受邀担任 DataFun 线下特邀讲师，分享行业实战经验与管理架构心得。
系统化AI辅助研发破解定制难题——多Agent协同、代码逆向与生成式AI的工程化落地
一从事开发、架构设计、AI辅助研发效能提升能力构建。
AI自主迭代修复驱动开发测试端到端闭环实践
中兴通讯应用软件资深专家、有线院MMVS产品AI提效负责人，中兴青年奖获得者。长期深耕通信软件研发与工程实践，专注AI驱动研发效能提升，积极推动Agentic AI在大型系统开发中落地。
本体驱动企业Agent决策的探索与思考
华为数字化高级技术专家。拥有 15 年深耕企业数智化转型的深厚积淀，职业历程覆盖中石油、SAP等跨行业头部企业，在AI、大数据、数据底座构建及云原生技术领域具备全栈技术能力。曾作为 AI 应用首席架构师，主导推动AI大模型技术在华为云研发体系、全球营销服务网络及智能资产运营等关键业务场景的深度应用，通过技术创新实现业务流程智能化重构，持续为业务增长注入技术动能，显著提升运营效率与服务质量。
能力契约驱动的企业级 Agent 执行范式：Dynamic Workflow 的运行时展开
聚焦 AI Agent、数据基础设施与云原生计算平台方向，主导多项司内平台能力从 0 到 1 孵化与规模化落地，覆盖面向元宝等核心业务的安全沙箱、天穹 WeData Notebook 与 Compute 引擎、LLM Agent 开发平台及 LLM 可观测性平台；在大模型应用、云原生计算与智能系统方向有多项专利与顶会论文积累。
看见、记住、行动：多模态 Agent 的记忆工程实践——从流式视频伴随到端侧具身智能体
深耕大模型与多模态方向近三年，专注视频智能体工程落地与时序感知记忆管理机制研究。参与了 OPPO 一键问屏与实景问答两款多模态 Agent 产品的研发，历史迭代产品分别在 2024、2025 年 OPPO 开发者大会正式亮相。拥有 7 年一线算法工程经验，长期负责从模型到系统的全链路交付。
守矩驭智：知鸟企培智能体技术体系赋能金融企业高质量发展
Agentic AI重塑金融生产力：平安集团智能体平台的探索与实践
