〇 分享简介 〇

企业构建AI建设蓝图，绝不仅仅是上一套软件或买几个大模型账号，而是一场关乎“生存范式”的顶层战略设计。它的核心价值在于把AI从“锦上添花的工具”升级为“驱动增长的底层引擎”。将军们（管理者们）需确保每一步技术投入都朝着增强核心竞争力方向前进，而非被技术潮流裹挟。

AI技术极速发展，在ToC端成效显然，很多工具和方法论都是面向C端建设的，目前每个企业都在努力布局AI技术，不过C端那套已然无法直接复制到企业里面，所以企业需要一套合适的建设蓝图和方法论。顺丰科技从2023年开始布局，到现在，逐步形成了自己的一套AI蓝图和方法论。

本次分享面向企业呈现 AI 建设蓝图+RAPID模型方法论。 从五个维度构建AI落地的系统性能力，包括：管理变革层面，强调“ALL IN AI”战略对齐与人才激励机制；组织层面，提出业务、业务研发与AI研发的“铁三角”就绪模型，解决跨职能协作断层；产品层面，从流程、交互、价值三个维度重塑产品体验，而非简单叠加AI功能；中台层面，以“数据+AI+知识”三擎驱动，支撑智能体批量构建；数据层面，打通“业务数据—评测数据—运营数据”的飞轮闭环，让上线成为优化的起点而非终点。同时，展现AI建设蓝图在业务侧，通过AI PaaS与MaaS分层降低使用成本与门槛，依托智能体平台提升交付效率；在科技侧，“智水2.0”展示了从Copilot到Agent Team的效能跃迁路径；在办公侧，“领慧AI工作台”的演进尤为典型——从MCP生态催生Chat客户端，到Cowork让AI“从会聊走向会做”、Claw实现“从协作走向托管”，逐步承接组织级期待，成长为全员使用的公司级AI入口。为与会者提供一条从战略共识到规模化落地的清晰路径。

 〇 分享收益 〇

目标：

1、获得一套经过头部物流企业规模化验证的AI转型实战方法论，经成功验证的通用框架。

2、 理解“ALL IN AI”在管理层面从口号转化为可执行的认知对齐机制与激励设计。

3、掌握“铁三角”组织的搭建逻辑与就绪判定标准，避免AI项目因业务与技术协同不畅而反复搁浅。对于正在推动跨部门AI协作的技术管理者而言，这部分内容可直接映射到自身组织现状，找到关键堵点便获得了，可落地的组织变革抓手。 

成功要点：

1、建立产品重塑的系统性视角，便于 跳出“给产品加个对话框”的浅层AI化思路，学会从流程重塑、交互重塑、价值重塑三个层次审视产品机会，识别哪些环节适合用AI替代、哪些适合增强、哪些应当重构，从而做出更有依据的投入决策。

2、深刻理解规模化落地的中台与数据基建，可驱动“数据+AI+知识”三擎下的智能体构建范式，以及业务数据、评测数据、运营数据三者如何形成闭环飞轮。对于正面临“试点效果尚可、推广却失控”困境的团队，这将直接形成可借鉴的架构思路与踩坑经验。

启示：

1、业务智能体、科技研发提效、全员办公提效，分别代表了企业AI落地的三类典型场景与不同成熟度阶段。每个企业自身所处阶段，选择对应的演进路径作为对标，而非盲目追求一步到位。

2、顺丰从Copilot到Agent Team、从Chat到Cowork再到Claw的逐步演进过程，本身就是一份关于“如何在务实迭代中守住价值交付”的鲜活样本。

〇 分享亮点 〇

1、AI转型方法论：RAPID

   1）管理变革

      先要有ALL IN AI 战略，业务与科技再拉齐 AI 认知，还要有AI人才培养与激励措施

   2）AI就绪组织

      “铁三角”组织演进，要业务+业务研发组织+AI研发组织铁三角ready才能更好的推进AI落地

   3）产品重塑

      产品重塑包含：AI流程重塑，AI交互重塑，AI价值重塑

   4）中台赋能

      能让AI批量落地，要“数据+AI+知识”三擎驱动，基于中台的智能体构建新范式

   5）数据飞轮

      首先业务数据打好基础，然后要有评测数据衡量效果，上线了才是开始，要用运营数据反哺AI

2、AI建设蓝图

   1）蓝图

   2）业务智能体建设

      通过搭建高效的AI PaaS层降低AI使用成本，搭建灵活好扩展的MaaS层降低AI使用难度，搭建更好的智能体平台提升智能体开发效率

   3）科技提效：智水2.0

      从Copilot到Agent到Agent Team的演进，不断提升效能

   4）办公提效：领慧AI工作台

      从 MCP 生态催生 Chat 客户端，到 Cowork 让 AI 从“会聊”走向“会做”、Claw 让 AI  从协作走向托管，再到承接更大的组织期待，分享领慧如何在技术浪潮、用户需求与企业 战略的共同推动下，一步步成长为公司级 AI 工作台，提升员工的办公效率

3、QA

〇 分享简介 〇

生成式 AI 正从“对话问答”迈向能够理解业务目标、自主规划任务、调用工具并执行操作的企业级智能体。企业数字化也在由固定流程驱动，逐步转向以业务目标和动态任务为中心的智能化模式。但在落地过程中，企业普遍面临五类难题：高价值场景难识别、知识资产难沉淀、智能体难以连接既有系统、安全合规与执行过程难以管控，以及投入产出难以度量。许多项目因此停留在 Demo、知识问答或局部提效阶段，尚未进入企业核心价值链。

企业 AI 落地的关键已不只是选择更强的大模型，而是建立一套能够构建、运行、运营和持续优化智能体的完整体系。 Inspire 在企业智能化转型方面的研究，以“Agent OS 平台 + FDE”的双引擎模式：从业务价值链出发识别高价值场景，通过知识挖掘和轻量级本体工程沉淀企业知识，再将智能体、技能、MCP、业务系统和安全治理能力整合起来，形成从需求发现到生产运营的闭环。

本次分享结合零售、制造、医药及能源等行业场景，让 AI 智能体从“会回答问题”走向“能够安全、可靠、经济地完成复杂业务任务”。全面围绕场景选择、知识工程、智能体构建、系统集成、安全治理和 ROI 度量展开，并探讨企业级 AI 从概念验证走向规模化生产的可行路径。

〇 分享收益 〇

目标：

1、帮助企业重新认识 AI 智能体：它不是新的聊天入口，而是一种面向业务目标的新型执行系统。

2、掌握从业务价值出发筛选 AI 场景的方法，减少“为了使用 AI 而使用 AI”的无效投入。

3、了解企业知识、业务本体、智能体和既有系统之间的关系。

4、建立从需求洞察、方案设计到生产运营和 ROI 度量的完整落地框架。

5、为企业规划 AI 转型路线、建设智能体平台以及选择技术方案提供参考。

6、获得一套判断企业 AI 场景是否值得投入的评估思路，学会掌握“理需求—挖知识—建本体—生智能”的实施方法。

成功要点：

以高价值场景为牵引，打通知识、系统、评估、安全与成本闭环，并通过平台与行业专家协同实现持续运营，最终让智能体从“可演示”走向“可落地、可度量、可管控、可规模化”，真正创造长期业务价值。

启示：

1、通过理解智能体从 Demo 到生产所需的核心技术与治理条件，学会通过本体、工具调用和多智能体协同处理复杂业务任务，利于更好的建立企业级智能体安全、审计和人工介入机制的基本框架。

2、掌握以业务结果、任务成功率、执行可靠性和运营成本衡量 AI ROI 的方法。可帮助企业理解 AI 建设的长期方向，从单点工具转向可复用知识资产、智能体能力和持续运营体系跃升。

〇 分享亮点 〇

1、企业 AI 转型的新阶段：从流程驱动到任务驱动

2、企业智能体从 Demo 走向生产的五道难关

3、场景先行：如何识别值得投入的企业 AI 需求

4、“理需求、挖知识、建本体、生智能”的落地方法

5、为什么企业智能体需要本体和知识工程

6、企业级安全：让智能体既能执行，又不越界

7、从技术可用到经济可持续：智能体的 ROI 管理

8、行业实践与应用示例

9、QA

〇 分享简介 〇

2026 年，Agent正加速从技术探索走向行业交付、业务闭环与决策支持。企业关注的重点也从“Agent 能做什么”，转向“Agent 如何真正进入业务”。Agent能否理解行业对象、规则与流程，能否安全连接企业数据和业务系统，能否稳定执行复杂任务，并实现权限可控、过程可审计、问题可优化，成为规模化落地的核心挑战。

历年百分点集团围绕问答、问数与报告、数据治理行业模型、数据治理Agent和企业级Agent平台持续探索，逐步形成可信准确、行业认知、流程可控、平台复用和持续优化等工程能力，并在警务情报项目中进一步将多源数据融合、本体、战法模型等，把Agent与业务行动进行了深度整合。

本次分享将拆解企业Agent从信息回答到任务执行、业务研判、行动闭环与决策支持的技术演进路径，深入探讨将单点能力沉淀为可复用的平台资产，最终形成面向行业持续交付的智能闭环。为与会者带来强有力的智能数据中枢的实践落地应用。

〇 分享收益 〇

目标：

1、建立企业级Agent工程化落地的系统认知：理解企业级Agent与普通大模型应用的本质差异，掌握模型、知识、本体、工具、流程和治理能力的协同关系，识别Agent从Demo走向生产所面临的关键问题。

2、理解行业Agent从单点能力到业务闭环的建设路径：通过问数、问答、报告、数据治理及警务情报等实际场景，理解Agent如何逐步解决可信准确、行业认知、流程可控、平台复用和持续优化等问题，实现从信息回答向任务执行、业务研判与决策支持演进。

3、获得存量系统Agent化的实践思路：理解企业智能化并不意味着重建业务系统，而是通过工具、Skill和工作流等方式，将既有数据、系统和业务能力转化为Agent可理解、可调用、可编排的能力。

4、理解从项目交付到平台化复用的方法：学习如何将项目中的本体、知识、工具、流程和Agent沉淀为平台资产，实现从“做成一个项目”向“持续交付一类场景”升级。

成功要点：

企业级Agent真正落地不能依赖模型单点能力。用语义与校验机制保障可信准确，用本体和行业知识增强专业认知，用工具与工作流保障流程可控，通过平台化沉淀提高复用效率，通过运行留痕与问题回流形成持续优化闭环，是行业中最切实可行的方法实践。

启示：

企业Agent的竞争正在从“模型能力竞争”转向“行业系统工程能力竞争”。行业Agent的核心不是再做一个更聪明的聊天机器人，而是建立一套能够理解业务、连接系统、进入流程并持续优化的智能闭环。

〇 分享亮点 〇

1、分享行业Agent落地背景与趋势

从大模型能力验证到生产级应用，再到行业交付与决策支持，结合行业关注点变化与百分点实践，分析企业Agent的发展阶段与落地趋势。

2、解析企业级Agent技术体系

企业Agent不是简单的“大模型+工具”，而是面向业务目标的智能任务系统，解析模型、本体、知识、工具、流程、权限、审计与评估等核心能力及其协同关系。

3、产品探索与工程实践

结合百小思（问答/问数/报告）、百思大模型、百思AI-DG、百思AI Studio产品实践，分享在准确性、行业理解、流程可控、平台复用与评估运营等关键问题上的技术探索与能力沉淀。

4、警务情报集成交付实践

将数据智能、智能数据治理、Agent平台、本体、知识图谱、战法模型与业务系统进行整合，探索Agent从单点能力走向“认知—研判—推演—行动—评估”的行业业务闭环。

5、行业趋势与展望

从任务辅助到业务闭环，从通用智能到行业认知，探讨Agent+本体+行动闭环+决策支持的下一阶段演进方向。

6、QA

〇 分享简介 〇

随着大模型与Agent能力持续演进，企业AI应用正从问答、内容生成等辅助场景，逐步走向跨系统、多角色协 同的核心生产流程。AI的价值也从提升个人效率，拓展到重塑人机分工与业务协作方式，推动端到端的业务提效。

企业从单点Agent应用走向企业级人机协同，需要围绕业务目标重新设计人与Agent的分工，也需要结合自身的数字化现状、数据与AI基础设施基础，以及组织能力和变革意愿，选择适合当前阶段的落地路径。如何选准场景、分阶段建设基础设施，并让人与多Agent在真实业务流程中可靠协作，是实现生产级、端到端提效的关键。

基于深信服自身转型与广泛的客户赋能经验，我们沉淀了一套场景选择逻辑，以及面向不同发展阶段企业的AI基础设施建设路线图，帮助企业明确从哪里切入、优先建设哪些能力、如何逐步从单点应用走向核心生产流。

本次分享将立足深信服自身AI Native转型与客户赋能实践，呈现覆盖理念、系统、人与组织的深信服AI转型全景图，并聚焦LTC（从线索到回款）领域，拆解场景选择逻辑、AI基础设施架构与Agent落地路径。从客户洞察、机会分析，到方案制定、招投标、合同与交付，结合业务规划、执行复盘与经营分析，重点分享人与Agent的协同机制、多Agent的协作与对抗，以及实际应用效果与落地挑战，为企业推动AI从单点应用走向核心生产流提供可借鉴的实践经验。

〇 分享收益 〇

目标：

1、学习真实企业AI转型实践，了解企业推动AI进入核心生产流程、实现端到端最有效的提效方法。

2、了解场景选择、人机协同与生产级落地的关键方法，获得可借鉴的企业AI转型路径。

成功要点：

通过业务价值选择场景，使用清晰的人机分工、多Agent协作与对抗保障效果，可以统一AI基础设施支撑规模化落地。

启示：

从关注单个Agent的能力，转向围绕端到端业务目标设计人机分工与多Agent协作。结合自身企业条件，明确优先落地的场景、需要补齐的基础能力，以及衡量实际业务收益的方法。

〇 分享亮点 〇

1、企业AI转型全景：从单点应用走向核心生产流

    1）深信服AI Native转型的整体思路：理念、系统、人与组织协同演进。

    2） LTC、IPD、ITR、ISC等核心生产流的探索布局。

    3）生产级落地的关键挑战：业务价值、系统连接、执行可靠性与安全管控。

    4）结合实际案例，呈现作业效率、产出质量与端到端业务效果。

2、LTC Agent全景：从一线作业到经营管理

    1）生产流：贯穿市场宣传、客户拜访、机会洞察、方案制定、招投标、合同与价值交付、客户成功。

    2）管理流：串联业务规划、客户匹配、渠道选择、月周日计划、执行反馈与差距复盘。

    3） 外部洞察智能体：客户洞察、渠道洞察。

    4）执行复盘智能体：目标与业务规划制定、月周日计划执行与复盘。

    5）经营分析智能体：商机与渠道趋势、销售形势、赢单诊断、客户成功与项目成功诊断。

    6）一线作业Agent：POC、解决方案、招投标、项目策略、合同生成与风险识别、交付支持。

3、人机协同与多Agent协作：业务任务如何共同完成

    1）以典型LTC场景串联任务，展示人与Agent的分工、交接与关键决策。

    2）多Agent如何共享上下文、拆解任务、调用工具并协同执行。

    3）多Agent如何通过交叉评审、质疑与校验发现问题，提升输出质量。

    4）人如何设定目标、把握关键节点、处理异常并承担业务责任。

4、AI基础设施：支撑Agent进入生产环境

   1）AI基础设施全景：模型接入与调度、数据与知识、Agent平台、业务系统集成。

   2）统一管理人与Agent的身份、权限、成本、安全与运行状态。

   3）支撑长流程任务执行、效果评估与持续优化。

5、QA

〇 分享简介 〇

当前，企业AI应用正从通用问答、Copilot辅助逐步进入业务流程与岗位工作场景。AI正在从“辅助人获取信息、生成内容”，进一步走向“理解业务、参与决策、执行任务、协同完成工作”，企业软件也正在经历从数字化工具向智能化工作系统的演进。但从大量实践来看，当前企业AI应用仍普遍停留在单点能力叠加阶段，不同AI能力分散在各类应用和工具中，存在上下文割裂、能力难以复用、与业务流程衔接不足、人机协同机制不完善等问题，AI应用的规模化建设、运营与治理也面临新的挑战。让AI真正有效进入企业业务、融入日常工作并形成持续的生产力，正在成为企业AI转型的关键课题。

企业真正需要的，并不是简单增加一个AI入口，而是构建能够理解业务、掌握知识、调用工具、执行任务并持续协同的Agent人机协同平台。Agent的价值也不应只是将大模型能力包装成一个个“智能应用”，更重要的是重新建立AI能力与企业流程、岗位、知识、工具、权限及管理机制之间的连接，让AI从“被动响应”走向“主动完成工作”，从“单点智能”走向“流程协同”，从“人使用AI”逐步走向“人与AI共同完成业务”。这不仅是技术架构的变化，更意味着企业软件的应用形态、业务组织方式以及人机协作模式都将发生深刻变化。

本次分享以基于金蝶围绕“灵基”开展的企业级Agent平台探索与实践，分享对企业AI从场景创新走向规模化应用过程中的一些思考与实践。重点探讨将分散的AI能力沉淀为可复用的Agent与Skill，让Agent真正进入企业流程与岗位工作，通过平台化能力支撑AI应用的持续构建、运行、协同与运营，以及进一步探索数字员工等新型人机协同形态。希望通过金蝶自身的实践，与业界共同探讨AI时代企业软件平台演进的新方向，帮助与会者认识从“应用AI”走向“重构工作方式”。

〇 分享收益 〇

目标：

帮助行业理解企业AI应用从单点智能能力向Agent人机协同平台演进的核心逻辑，为企业软件AI原生转型提供架构与实践参考。

成功要点：
企业级Agent落地不能仅关注模型和智能体本身，还需要同步解决业务上下文、知识与工具接入、权限治理、人机协同、运行观测和持续运营等工程问题。平台化、资产化和治理体系是规模化落地的重要基础。
启示：
AI正在改变企业软件的交互方式和系统边界。未来企业应用将从“人操作系统”逐步演进为“人和Agent共同完成工作”，企业需要提前建设面向Agent的人机协同基础设施与管理体系。

〇 分享亮点 〇

1、企业AI应用的发展趋势：从Copilot到Agent，再到人机协同
2、当前企业Agent落地面临的核心问题
3、以“灵基”为引擎的Agent人机协同平台总体思路
4、平台核心能力：构建、运行、协同与治理
5、金蝶企业AI场景实践与典型案例
6、对企业软件AI原生转型的思考与展望

7、QA

〇 分享简介 〇

生成式 AI 正从「对话问答」迈向能够理解业务目标、调用系统工具并交付结果的企业级智能体。腾讯 WorkBuddy 即面向这一趋势打造的企业 AI 工作台——它交付的不是一份回答，而是一项有依据、可核验、可追溯的完成的工作。但企业引入 AI 的第一波浪潮大多停在「能对话」：问一句答一句，答案漂亮却进不了系统、改不了业务状态、留不下依据。当前真正的痛点集中在三条：数据散在数十个系统，AI 看不全；结论无出处、无留痕，出事无法追溯；关键经验长在少数骨干身上，人一走经验就走。

针对这一现状，腾讯在 WorkBuddy 的产品研发与客户交付中逐步形成了一套判断：企业 AI 落地的关键，已不只是选择更强的模型，而是建立一套能够把数据、知识与业务系统连接进 Agent 工作流的执行体系。据此我们把办公拆成两层：狭义办公以个人为中心，从资料、表格、文档、发布四类最高频任务切入，解决智能能力的普及广度；广义办公以业务目标为中心，让数字员工进入 CRM / ERP / MES，做全局判断、统一行动，解决价值深度。二者合起来，才是以数字员工为执行主体的第三代办公范式。

本次分享以 WorkBuddy 企业 AI 工作台为样本，围绕数字员工从「能对话」到「能上岗」的演进路径，重点研讨三个方向：其一，数字员工上岗前必须配置清楚的六件事——目标与任务、上下文、知识与记忆、工具与流程、运行与恢复、权限与管控，六项共同决定它能否做对、做稳、做得可控；其二，企业 AI 资产如何形成复利，让每一次真实任务都沉淀为可调用、可验证、可版本化的组织能力；其三，安全与合规的红线怎么划，以全链路数据保护、权限严格受控、危险操作自动阻断、操作可追溯可恢复四道防线，支撑智能体安全进入核心业务。分享还将结合制造、金融、零售、物流等行业的 11 家企业落地实证，为与会者带来一套可复制、可评测、可审计的落地路径。

〇 分享收益 〇

目标：

1、重新认识企业级智能体：它不是一个新的聊天入口，而是以数字员工为执行主体、能够进入系统并完成业务闭环的新型执行系统。

2、建立「狭义办公 + 广义办公」的双层判断框架：学会区分哪些场景应从个人高频任务切入以追求普及广度，哪些场景才值得建设数字员工以换取价值深度。

3、掌握数字员工上岗前必须配置清楚的六件事与最小权限边界，获得一份可直接用于内部立项评审的上岗检查清单。

4、理解企业 AI 资产从「归档」走向「可调用、可验证、可版本化」的沉淀机制，为组织能力的规模复制与新人培养找到抓手。

5、获得一套可复制、可评测、可审计的智能体落地路径，便于对照自身企业所处阶段选择演进节奏，而不是盲目追求一步到位。

 成功要点：

1、数字员工要真正进入企业核心业务，靠的不是把模型接进工作流，而是把目标、上下文、知识、工具、运行与权限六件事一次性配置清楚，并让人的边界成为 AI 的边界。腾讯在大量客户交付中总结出五条经验：场景选择上，优先挑选「高门槛、高重复、依据分散」的工作，如采购比价、标签校验、标书制作与缺料测算，这类任务既有明确的完成标准，也最容易被量化；

2、人机分工上，让 AI 跑第一棒，承担取数、初稿、初筛与规则化计算，由人负责判断、复核与担责，关键动作必须人工确认；工程实现上，坚持数据与呈现解耦，数据统一沉淀为一张表、页面只负责呈现，口径变化时只需修改一次；

3、治理边界上，不为 AI 单独维护一套权限，Agent 与操作者同权限并运行在安全沙箱内，做到人看不到的内容 AI 也读不到；组织推进上，把资深骨干的经验蒸馏成可执行规则与 Skill，同时推动一把手先用起来，自上而下完成渗透。反面教训同样明确：只做问答助手必然停留在 Demo；只讲提效不讲审计，进不了核心业务；做完不沉淀，用过一次便烂在那里。

 启示：

1、AI 的价值不应只用「节省了多少工时」衡量，更要看质量、风险与资产三个维度的兑现：每条结论都能点回原始凭据，让重复计费、漏赔少赔等隐性损失被当场翻出；应收账龄、合同到期与资质有效期等风险，从「事后才发现」前移为「事前有预警」；关键判断沉淀为组织资产，做到越用越多、越用越准。

2、企业 AI 的竞争终将落在「人 + 数字员工」的总产能上。可核验的效率数据是最有说服力的起点——报关单填报由 30 分钟降至 5 分钟、标签校验由每月 244 小时降至 5 小时、夜间巡检由 9 人轮班转为 1 人复核、舆情监测由 3 小时降至 8 分钟；但真正的分水岭，在于这些能力能否被复制、被审计、被持续运营。

〇 分享亮点 〇

1、趋势与定位：企业智能体的三阶段跃迁

    知识点：从「能对话」到「能干活」再到「能上岗」；角色由问答工具升级为流程连接器，再进化为按 KPI 交付的组织新角色。

2、第三代办公范式：以数字员工为执行主体

    知识点：工具办公、协同办公、数字员工三代对比；执行主体正在从人转向数字员工。

3、狭义办公：从四类最高频任务切入

    知识点：查资料、做表跑数、写材料（人机双写）、发布流转；资料统一进目录树，权限跟随账号。

4、广义办公：从「系统各自记录」到「全局判断、统一行动」

    知识点：以「这张订单能否按期交付」为例，业务大脑把分散事实连成全景，输出结论、依据与下一步行动。

5、数字员工上岗前必须配置清楚的六件事

    知识点：目标与任务、上下文管理、知识与记忆、工具与流程、运行与恢复、权限与管控；路径为定清目标、接上资产、真任务评测、灰度上岗。

6、连接系统：让数字员工真正改变业务状态

    知识点：以鼎捷 MCP 为例，生产制造、售前洞察、智能交付共 11 类场景已验证；验证的不是能否回答，而是能否回写单据并留痕。

7、企业 AI 资产：做一次沉淀一次，再用一次增值一次

    知识点：专家经验、业务规则、标准流程、Skill 组件、数据口径与结果案例构成的可复用闭环。

8、行业实证：制造、金融、零售与物流的落地结果

9、安全与合规：企业级 Agent 的四道防线

    知识点：全链路数据保护、权限严格受控、危险操作自动阻断、操作可追溯可恢复。

10、QA

〇 分享简介 〇

Agent 正从个人效率工具走向企业生产级应用，而 AgentOS 已成为支撑企业级 Agent 落地的关键基础设施。当任务从单 Agent 长链路执行迈向多智能体协同、乃至与物理世界交互，企业对「高可靠、可演进、强交付」的运行时与框架需求愈发迫切——AgentOS 正是承接这一趋势的核心载体。

围绕「如何构筑具备强交付能力的 AgentOS」，我们的思考沿一条清晰范式展开，以多智能体原生替代单模型堆叠，以蜂群自演进替代一次性调优，以分布式可靠运行时承接规模与风险，以算力亲和释放硬件潜能，并通过 Symbiosis 让人机 / 具身协同从概念走向可落地。这也是持续将五大能力开源、与行业伙伴共建的方向。

本次分享将系统拆解这一 AgentOS 范式背后的设计思路与重点能力，并结合金融、制造、科研等行业的落地实践，呈现经实测验证的效果——从 Agent Scale Out、蜂群自演进、百万级可靠运行时、算力亲和降时延，到 Agent 演进为 Physical AI 的具身路径。核心主张：前四根支柱让 Agent 在数字世界成熟，Symbiosis 这一级让其安全演进进物理世界。为开发者与行业伙伴共同建设人机协同的新范式，注入开源力量。

〇 分享收益 〇

目标：

1、获得可落地的架构方法论：五大支柱是一套成体系的企业级 Agent 设计范式，而非概念堆砌。

2、掌握实测硬指标：记忆准确率 +15% 且 Token −60%、复杂任务成功率 90%+、百万级 Agent 可靠运行、TTFT −15% 等，帮助判断哪些设计该抄。

3、看清 Agent 从数字世界走向物理世界的演进路径（Symbiosis + Situation Awareness Loop），为机器人/车/设备等具身团队提供可参考路线。

成功要点：

1、一套能直接落地的企业级 Agent 架构范式、一组可对照的实测硬指标，以及一个开源即插即用的智能体资产库。从今天起，构建生产级 Agent，你只需把成熟的能力拼起来，而不是从零造轮子。

启示：

1、当行业还在追逐「更大的单模型」时，这场分享提醒我们：企业级智能的拐点，是从「训练一个聪明的模型」转向「运营一支可演进、可靠、算力亲和的 Agent 团队」；而开源，让这件事第一次对所有开发者开放。

2、真正的 Agent 演进不在把大脑做得更强，而在让一群智能体学会协作、可靠落地、并与物理世界安全共生。下一程的竞争，是「会协作、能落地、可共生」的团队与身体，而非孤立的模型。

〇 分享亮点 〇

1、为什么需要企业级 AgentOS：Agent 正从个人效率工具走向企业生产级应用，并最终演进到具身智能（Physical AI）。

2、AgentOS5大支柱能力

3、案例：在金融、能源、教育等实际行业落地场景。

〇 分享简介 〇

大模型能力快速提升，行业竞争却正从“模型更聪明”转向“谁能把用户的事真正做完”。现实中的群聊协作与长程任务交付，仍被上下文污染、并发阻塞、过程不可见、结果难带走等问题制约。 

我们的判断是：企业构建智能体的真正门槛，已不在模型选型，而在于能否把不确定的智能，装进确定的交付流程。多数团队的 Demo 之所以难以走向生产，并非模型不够强，而是缺少操作系统层的抽象——上下文如何隔离、任务如何分层、并发如何调度、失败如何恢复、结果如何被验收。因此，智能体不应被当作一次性工作流来搭建，而应作为可沉淀、可演化的能力资产来经营：记忆、专精、权限与评测，才是企业真正的护城河。模型会不断被替换，而这四者会持续增值。

本次分享以过去三年从框架研究、智能体编排，到放心写和图创、群聊与任务化 的连续实践为线索，提出面向用户的多智能体 AI Native 架构：用 LLM as OS 管理 Agent、上下文、I/O 与权限，以双层 Harness 解耦对话与执行，以任务分层、事件流、记忆和可演化专精实现稳定交付。让与会者最终回到产品架构的本质：在速度与效果、通用与专精、确定性与灵活性之间，理解用户选择最能接受的代价；衡量标准也应从 Token 转向真正办成事的 DAA。

〇 分享收益 〇

目标：

1、看清行业从“比模型”走向“比执行、比交付”的转折，把北极星从 Token 与调用量切换为任务采纳率、完成率、复购和 DAA。

2、掌握 LLM as OS、双层 Harness、L0/L1/L2 任务分层、依赖感知并发、异步事件流、四类记忆与可演化专精的组合方式。

3、理解“能跑”和“跑得稳”之间的工程鸿沟：上下文污染、调度死锁、错误恢复、可观测、灰度、成本与时延，必须在产品化阶段一次次偿还。

4、带走一套 Balance 决策框架：不是证明哪种技术绝对更好，而是在具体业务和时点，选择用户最能接受的代价。

成功要点：

带走一套可直接复用的落地路径：清楚该在哪一层做上下文隔离、哪一层做任务调度、哪一层做结果交付，让企业把智能体从试点推向生产时，少走一年以上的返工弯路；并把团队的评价标准从“模型跑通了”换成“用户的事办成了”，让每一次投入都对得上真实的业务结果。

启示：

真正的竞争力，不在于你接入了多强的模型，而在于你敢把多少事，完整地交给它替用户做完。

〇 分享亮点 〇

1、解析产品第一性

2、迭代史

从对话框架、智能体编排到任务化，复盘三年五次关键范式跃迁。

3、Group-MAS 场景

群聊为何是高熵物种；如何处理多人、多话题、多任务与分寸感，让机器人从刷屏 Bot 变成靠谱群友。

4、LLM as OS

用语义切片、Hub-and-Spoke、依赖感知并发、OODA、Flavor 与热插拔机制管理 Agent、Context、I/O 和权限。

5、Valve 总览

一个对话入口、两层 Harness：外层持续理解和陪伴用户，内层自治执行复杂任务并通过事件流反馈进度。

6、任务与结果动态化｜

L0/L1/L2 分层、统一意图路由、交付成品与动态渲染双轨交付，让用户只说目标、不配置流程。

7、记忆与演化

会话、偏好、领域、历史四类记忆分权挂载；把反馈固化为 Persona，把长尾任务孵化为新专精。

8、洞察与展望

以 Balance 处理速度/效果、通用/专精、确定性/灵活性，推动度量从 Token 转向 DAA，并走向用户共建的 Agent 生态。

〇 分享简介 〇

当前，AIGC工具大量涌现，但企业在内容营销落地普遍遇到新瓶颈：工具碎片化难成体系，通用AI产品不懂品牌调性，保密素材不敢出域，一线困于学工具、写Prompt，全链路闭环尚未形成。大厂在做"一款通用的Agent工具"，企业要做的是"基于Agent工具优化业务"——这是两件事。

企业对智能体的需求是"强定制、快交付"——营销产品智能体不仅要在使用层面降低门槛（一线运营一句话就能产出素材），更要在创造层面具备编排能力（把私有资产、工作流、多Agent能力拼装成贴合业务的方案）。这要求智能体平台具备"可编排、可沉淀、可复用"的产品化能力，而非简单的工具调用。

业务的核心不是造Agent，而是"编排"Agent。用私有资产加工作流编排，把现成能力拼成贴合业务的方案。尤其是产品营销活动，结合多智能体协作，实现从创意到投放的全链路自动化。

本次分享结合OPPO营销产品智能体实践，拆解企业如何基于Agent搭建自有方案，包含创意生成、批量生产、设计延展、多渠道适配四大核心场景，为企业应用Agent技术提供可复用的方法论。

〇 分享简介 〇

目标：
帮助企业提供一套基于Agent搭建自有营销方案的最佳实践，启发听众能快速评估业务场景、选型落地。
成功要点：
1、场景先行：从全链路筛选适合场景，避免"为用Agent而用Agent"。
2、私有资产壁垒：私有知识库、定制mcp/skill、工作流模板是企业区别于通用工具的核心，决定了输出质量上限。

3、编排而非自建：基于已有Agent工具的能力，通过工作流编排串联，低成本完成单场景闭环。
4、数据安全底线：保密信息不出域、企业规范限制、人工审核卡口，三者缺一不可。
启示：
1、企业落地AIGC的最大瓶颈不是模型能力，而是"把能力拼成业务"的编排层。自建和复用不是二选一，其核心资产自建、通用能力复用，边界由"是否构成差异化"决定。

2、智能体搭建中最该注意的行为是"先定义边界再放开自主"——明确哪些环节可以全自动、哪些必须人工兜底，避免Agent越权导致内容事故。

3、最该坚持的思想是"私有资产优先"——通用能力可以快速复用，但品牌调性、产品知识、工作流模板必须自建沉淀，这是企业Agent方案的核心竞争力。

〇 分享亮点 〇

1、Agent在内容营销中的变革脉络，凸显的作用和价值。
    1）AIGC从单点工具到Agent编排的演进
    2）从"通用Agent工具"到"企业Agent方案"
2、应用场景：内容营销全链路场景地图
    1）营销素材制作全链路痛点拆解
    2）"三判断法"筛选高ROI场景
3、企业落地的四道坎，难点及挑战
    1）品牌一致性：通用模型不懂品牌调性
    2） 全链路打通：工具碎片化，数据不互通
    3）人机边界：哪些环节自动化、哪些留人工
    4）数据安全：保密信息出域风险
4、编排层架构与四类Agent落地解决方案及最佳实践

    1）编排层架构：私有资产+ Agent能力拼装
    2）自建vs复用决策框架
    3）案例一：创意Agent——多Agent脑暴+风格锁定
    4）案例二：批量Agent——商品图批量换背景
    5） 案例三：设计Agent——画布+对话式设计
    6）案例四：延展Agent——PSD文案替换自动重排
5、下一站人机协作的发展方向及展望：
    1） 从"人指挥Agent"到"Agent协同自治"的演进路径
    2）展望：编排层标准化、私有资产商品化、运营角色升级
    3）三点行动建议：盘场景、建资产、定边界

6、QA

〇 分享简介 〇

企业 AI 正从“提供答案”的 Copilot，走向能够理解目标、调用工具、跨系统执行并对结果负责的 Agent。随着模型能力日益通用，竞争焦点正转向企业知识是否可取证、流程是否可编排、执行是否可控、结果是否可验收，以及系统能否在真实业务中持续稳定运行。

很多团队从产品答疑切入，让模型回答常见问题，再由 AI 协助人工判断和执行，最终希望 Agent 独立承担运营任务。但“能回答”并不等于“能交付”。知识持续变化、工具调用失败、长任务中断、权限越界和验收缺失等问题，决定了自动化不能只看模型能力，而要围绕证据、流程、风险和终态逐级推进。

本次分享结合知乎社区运营的真实实践，以人工 OnCall 为起点，复盘 AI 辅助回答、人机协作和全自动运营的三阶段演进；并通过内容不可见排查、投放诊断和运营 Workflow 等案例，说明如何把经验沉淀为证据链与 Skill，把重复动作编排为 Workflow，用 Memory 保持任务上下文，再以 Eval 与 Harness 支撑计划、执行、验收、失败恢复和持续优化。

〇 分享收益 〇

目标：

1、看清企业 Agent 从“会回答”走向“能交付”的演进路径，理解知识问答、人机协作和全自动运营各自适用的场景与边界。

2、掌握自动化等级判断框架，从证据可得、流程可拆、结果可验、风险可控四个维度，判断何时由人完成、何时由 AI 辅助、何时可以自动运行。

3、获得从 SOP 到 Workflow 的落地方法，把高频问题、重复排查和运营动作拆成可执行、可验收、可恢复的任务闭环。

成功要点：

Agent 落地的关键不是一次把模型做得更聪明，而是让答案有来源、判断有依据、动作有权限、执行有记录、结果有验收。通过 Workflow 管理流程、Skill 固化经验、Memory 保存上下文、Eval 衡量质量、Harness 处理超时重试、幂等、审计和恢复，团队才能把个别高手的经验转化为组织可复用、可持续运行的稳定能力。

启示：

真正可落地的自动化，应以“可验证交付”为起点，而不是以“无人化”为目标：先识别具备可取证、可拆解、可验收条件的任务，再逐步扩大自动化范围；对高风险写操作、外部发布、规则变更和复杂业务判断保留人工控制点。这样既能让系统从失败中恢复、在反馈中改进，也能在风险可控的前提下持续产生业务结果。

〇 分享亮点 〇

1、AI 应该回答问题，还是把事情解决

    1）从高频 OnCall、知识分散和重复打断切入，说明企业 Agent 的真正价值应落在业务问题的闭环解决。

2、分析全景：人工、问答、人机协作与全自动化（用证据可得、流程可拆、结果可验、风险可控四个维度判断自动化等级，避免一开始就追求无人化。）

    1）阶段一：从知识问答到证据链答疑｜以内容不可见排查为例，让 AI 不只列举可能原因，而是读取真实状态、处置结果与策略依据。

    2）阶段二：人机协作，把重复排查交给 AI｜以投放诊断为例，由 AI 核对真实配置、整理证据并执行重复动作，由人完成目标设定、关键判断和高风险确认。

    3）阶段三：全自动运营，让 Workflow 主动运行｜展示内容挖掘、筛选、定向动作、效果回收的完整闭环，以及任务触发、执行、验收和反馈如何持续运转。

3、工程化：让 Agent 稳定交付的五项基础能力

    说明 Workflow、Skill、Memory、Eval 与 Harness 的分工，并展开超时、重试、幂等、审计、回滚和失败恢复。

4、验证衡量规模、效率与可靠性

    1）用使用规模、等待时间和任务成功率的前后变化说明工程化收益，并把“有效解决业务问题数”作为核心结果。

5、从单点 Agent 到 AI 员工运营系统的方法与边界

    1）总结知识到证据、回答到解决、一次完成到持续做好的三次认知变化，给出人工红线与未来演进方向。

6、围绕纯 RAG 的边界、自动化等级选择、结果验收、失败处理与 ROI 衡量展开交流。

7、QA

〇 分享简介 〇

2025年以来，企业智能体（Agent）正从技术验证加速走向规模化生产部署。然而，大量企业在POC阶段表现惊艳的Agent，上线后却频繁遭遇行为黑盒、效果退化、成本失控等问题——Agent效果不是调出来的，而是跑出来、评出来、改出来、回归出来的。行业正经历从LLMOps到AgentOps的范式转变：治理对象从单次Prompt-Response升级为多轮推理轨迹（Trajectory），评估标准从问答质量转向任务完成与业务交付。

基于阿里云AgentLoop产品在电商客服、货运助理、UGC游戏、生物医药等多个企业级 Agent 产品场景的深度实践，我们提炼出"Agent数据飞轮"方法论——以全栈观测、效果评估、持续优化、实验回测为主线，构建端到端的自进化闭环。

本次分享将系统呈现企业Agent产品全生命周期进化飞轮的十大核心模块设计与Agent 产品效果进化真实落地案例，帮助技术团队建立从"看得见问题"到"解决问题"的系统性能力。同时提供一些建设性思维，帮助企业置身自身业务场景，更好的实现企业智能体（Agent）的应用落地。

〇 分享收益 〇

目标： 

1、为正在或即将规模化部署Agent的企业提供一套完整的观测-评估-优化-回测方法论框架。

2、当前行业普遍面临"看不清、评不准、改不动、控不住"的困境，给出一套从平台架构到落地路径，经过真实场景验证的系统性解法。 

成功要点：

面向Agent范式原生设计而非 LLM 应用，观测与评估等模块均要围绕完整推理轨迹 Trajectory展开；构建端到端数据飞轮闭环（采集→观测→数据集沉淀→评估归因→效果优化→实验回测）比单点优化更重要。 

启示：

 企业Agent产品竞争壁垒正从"谁的模型好"转向"谁的进化飞轮转得快"。企业真实场景的复杂度挑战要通过 Agent 数据飞轮逐步拆解优化，跨越 Demo 到产品持续交付的鸿沟。

〇 分享亮点 〇

1、企业Agent产品生产落地的六大挑战——从"看不清"到"复制难"

2、从LLMOps到AgentOps：智能体范式转变与平台设计原则

3、企业Agent产品进化数据飞轮实践经验

4、企业 Agent 产品效果进化真实落地案例（UGC游戏生成、电商客服、物流撮合助理）

5、总结与展望—谁的飞轮转得快，Agent就会越聪明

6、QA

〇 分享简介 〇

AI 编码工具普及后，开发者的工时并没有变长，变长的是决策密度：被打断后平均 23 分钟才能回到原任务，80% 的 AI 生成内容仍需人工返工，每次调用前还要比较用哪个模型、哪个组合、贵不贵——注意力正在成为开发者最贵的资产，也是企业工程效能最大的隐性成本。

行业数据显示，“哪个模型便宜”是个伪命题：Databricks 基准测得同一模型换执行框架成本差超 2 倍、成本排序直接翻转，成本是“模型 × harness”的联合属性；Anthropic、Cursor 已把智能路由做成基础设施，公开收益为成本降约 85% 与 68%。

本次分享提出“复杂性分两种”的工程划分：操作复杂性交给前台 Harness（自愈、硬拦），决策复杂性交给后台智能路由（难度判断、组合匹配、全程对账），并给出三条技术路线选型、可照抄的自建 eval 方法论与“决策成本 < 被决策调用 1/10”的上线判据。

〇 分享收益 〇

目标：

1、帮助听众建立一套可落地的智能路由选型框架，理解什么时候应该做路由、应该在模型、Harness 和供应商之间如何选择，并明确删库、费用、边界、权限、回滚等自动化底线。

2、提供一套可直接复用的企业自建 Eval 方法。使团队能够在当天开始验证自己的路由策略，而不是依赖公开 Benchmark 做判断。

3、帮助企业从“让开发者自己不断做选择”，转向“让系统承担高频判断”，通过降低注意力成本，让 AI 真正成为降低工作负担的基础设施。

成功要点：

1、智能路由成立的前提，是不同执行组合之间确实存在足够大的效率差。真正需要优化的不是单独一个模型，而是“模型 × Harness × 供应商”的完整组合。

2、智能路由面对的不是静态配置，而是持续变化的供应链。企业无法靠一次选型长期获得最优结果，而需要持续采样、动态决策。

3、行业已经出现多条可验证的智能路由路径。企业可以通过自己的真实工作负载建立内部基准，对不同模型与 Harness 组合进行持续评估。

4、企业自建 Eval 是智能路由真正落地的基础。评测时必须同时记录质量和每任务成本，否则无法判断路由到底是在优化效率，还是仅仅转移了成本。

5、路由系统本身也需要被约束和验收。在固定 Eval 上，质量不下降的前提下，平均每任务成本是否真正下降。

启示：

智能路由的价值，并不是帮企业找到一个永远“最好”的模型，而是把原本需要开发者反复完成的模型选择、工具选择和成本判断，转化为系统可以持续执行和优化的工程能力。随着模型能力、价格和供应链不断变化，企业真正需要沉淀的是一套能够根据自身业务目标，持续选择合适“模型 × Harness × 供应商”组合的决策系统。

〇 分享亮点 〇

1、为什么需要智能路由：从选最强模型到选最合适的执行组合

2、智能路由落地的前提：建立自己的 Eval 与评价标准

3、两类核心场景：供应链路由与 Task 路由

4、三条技术路线：分类器、Advisor 与专用路由模型

5、如何验证智能路由 ROI：效果、成本与路由开销

6、总结与展望：从模型选择走向动态决策基础设施

〇 分享简介 〇

随着大模型与 Agentic AI 的成熟，金融数据的消费方式正在发生根本变化—从“人找数据”走向“智能体理解意图、规划任务、调用工具、交付结论”。

金融行业作为数据密集与专业壁垒最高的行业之一：投研人员每天需要在海量、多源、异构的金融数据中完成检索、加工、分析与观点产出，传统“数据终端+人工分析”的模式在效率与深度上都面临瓶颈。

本次分享将以同花顺 iFinD 金融 AI 平台的落地实践，以 iFinD 金融垂类 AI 工作台为入口，将高质量金融数据、行情资讯与研报语料注入大模型上下文，构建懂金融、能溯源的智能问答与投研辅助能力；通过 iFinD MCP 等标准化数据服务接口，让通用 Agent 在各类业务系统中按需获取实时金融数据与专业分析工具；并结合投研报告生成、研报解读、数据分析等真实业务场景，展示 Agentic AI 在金融机构中从“单点问答”到“任务闭环”的演进路径，以及落地过程中在数据质量、幻觉控制与合规风控方面的实战经验。为同类行业、以及不同行业方向的与会者带来优秀实践。

〇 分享收益 〇

目标：

1、帮助金融及数据密集型行业理解 Agentic AI 在垂直领域的落地路径，

2、认识金融数据服务从“终端工具”向“AI 原生平台”演进的关键问题，为企业构建金融 AI 应用与各行业数据智能体系提供方法论与实战参考。

成功要点：

1、垂直行业的价值根基是数据质量：金融场景对数据的准确性、实时性和可溯源要求极高，高质量的结构化数据与权威资讯是大模型可靠输出的前提，多年积累的金融数据资产是 AI 落地的核心壁垒。

2、MCP 是连接大模型与专业数据的桥梁：通过标准化的数据接口，让 Agent 在各类业务系统中按需获取行情、财报、研报等金融数据与工具能力，避免“知识截断”与“数据孤岛”。

3、场景选择决定落地成败：从数据查询、研报解读、报告初稿生成等高频、可验证的场景切入，先解决效率问题，再逐步走向多任务编排的决策智能。

4、幻觉控制与合规是金融 AI 的生命线：通过数据溯源、模型与数据双重校验、人工复核机制，在创新与风控之间取得平衡。

启示：

1、垂直行业的 AI 竞争力 = 领域数据资产 × 垂类模型能力 × Agent 编排能力。金融数据服务便正是从“人用工具查数据”向“Agent 用工具交付决策支持”演进的高关注代表。

2、企业应尽早梳理自身数据资产与高频业务场景，构建数据、模型、场景协同发展的 AI 落地体系。标准化的数据接口（如 MCP）将成为行业 AI 生态的基础设施。

〇 分享亮点 〇

1、金融数据消费方式的变革：从数据终端到 AI 原生平台

    1）投研业务面临的效率瓶颈：海量数据、多源异构、深度分析依赖人工；

    2）大模型与 Agentic AI 带来的范式转变：从“人找数据”到“智能体理解意图、交付结论”。

2、iFinD 金融垂类 AI 工作台

    1）以金融垂类大模型为底座，融合高质量金融数据与专业语料；

    2）工作台在投研问答、研报解读、报告生成等场景的产品设计与能力。

3、iFinD MCP：让 Agent 连接金融数据

    1）通过标准化 MCP 数据接口，为通用 Agent 提供行情、财报、资讯等实时金融数据与专业工具调用能力；

    2）接口设计、数据溯源与权限合规机制。

4、 Agentic AI 在金融业务场景的落地实践

投研报告生成、数据分析、资讯解读等场景的任务编排与共创案例；

落地关键挑战：幻觉控制、数据合规、人机协同的实践经验。

5、迈向决策智能：金融 AI 的未来范式

    1）从“辅助工具”到“决策智能”的演进路径；

    2）领域数据资产、垂类模型与 Agent 编排协同发展的技术体系展望。

〇 分享简介 〇

2025年以来，大模型正从通用问答加速走向行业深水区，财税成为AI落地最确定、价值最直接的垂直场景之一。财税领域的智能化沿着“专家规则引擎→知识图谱治理→产品智能体（Agent）”清晰演进：规则引擎解决了标准化核算的自动化，却在海量规则堆叠后陷入“规则墙”困境；知识图谱让政策、科目、票据等专业知识可被治理与调用；进入大模型时代，多模型协同与产品智能体把分散能力封装成可自主理解意图、调用工具、闭环交付的“数字员工”，推动行业从“流程自动化”迈向“决策智能化”。

金税四期全面落地，税收征管迈入“以数治税”新征管模式。全国经营主体已达1.94亿户，而中小微企业普遍面临数据洪流、合规高压、人力成本攀升三大挑战：业财税系统割裂、手工记账为主，人工成本过高，数字化转型刻不容缓。我们深耕财税信息化十余年，聚焦代账行业SOP优化与智能化升级，带领团队完整走过智能记账从规则引擎、规则墙困境到知识图谱+多模型协同的演进之路，并通过AI赋能代账公司实现月均交付1000家的效能实践。

本次分享将以真实落地案例，拆解行业大模型如何让财税人从“财务牛马”转型为“数字员工”的管理者，提供一套可借鉴的行业大模型应用最佳实践。

〇 分享收益 〇

目标：

1、为财税服务及中小微企业提供“以数治税”时代的智能化转型参照，给出一套经实战验证的业财税智能化升级方法论，帮助行业看清从手工到自动化、再到大模型驱动的演进逻辑与落地节奏。

2、结合行业大模型的应用历程，提炼总结每个环节的实践方法与实践结果，讲述从专家规则到向量模型、再到系统调优的全过程。

成功要点：

行业模型的应用要符合行业特性，并在行业应用中逐步调整。AI不是替代人，而是结合人的经验，抓住行业痛点、在垂直领域深耕，才能达成真正的效能提升。

启示：

1、规则引擎沉淀“确定性”，知识图谱沉淀“专业知识”，产品智能体则把二者转化为可自主作业的生产力——企业智能化的本质，是把专家经验固化为可复用、可进化的数字资产。

2、AI不会取代财税人，但会重塑财税人的价值：从重复核算的“财务牛马”，升级为管理一支“数字员工”队伍、聚焦判断与决策的高价值角色，实现真正的专业平权。

3、对企业而言，行业大模型的价值不止于降本，更在于把合规能力前置到每一笔交易、把数据转化为经营洞察，帮助中小微企业以更低门槛获得过去只有大企业才有的财税与管理能力。

〇 分享亮点 〇

1、行业阵痛：财税领域三大核心挑战

1）数据洪流与处理瓶颈（数据孤岛 / 手工录入 / 非结构化数据）

2）合规风暴与风险高压（金税四期 / 以数治税）

3）成本困境与价值迷失（人力攀升 / 低价内卷 / 人才价值低估）

2、AI的破局之道：从“财务牛马”到“数字员工”

1）智能票据：OCR+RPA，业财一体化

2）智能记账：科目推荐的四阶段演进（规则 → 规则墙 → 知识图谱 → 多模型协同与行为向量数据大脑）

3）智能风控：事前预警，识别超1000种风险点

4）智能决策：报表解读与政策解读，从账房先生到战略军师

3、AI时代财税行业展望与思考

1）交易级合规

2）数据资产价值

3）专业平权下的人机协同

4、QA

〇 分享简介 〇

Agentic AI时代，有好的算力只是最基本的需求，如何优化算力集群，把有限的算力充分利用起来，才是token经济学的关键要素，其核心指标无疑是TTFT和TPOT，围绕着这个目标，我们不仅需要使用上文提到的推理框架，还需要配套的传输，存储，路由，调度等一整套生产方案，才能让产出覆盖成本，实现盈利。 

目前国内算力的消费主体已经从训练转向了推理，在模型越来越大，算力规格也越来越高的情况下，使用推理引擎优化推理任务已经成为了生产必备的要素，而今天这个领域的技术已经逐渐收敛成两个主流推理框架——vllm与sgLang

本次分享围绕提升vLLM集群的算力利用率展开，深入浅出为与会者解析vLLM推理集群优化的三个阶段。

一、粗放式部署：vLLM 被当作普通工作负载来部署，没有 PD 分离，也没有智能路由。GPU 算力占用虚高却利用不充分，TTFT 和 TPOT 表现均不理想。

二、架构优化：引入 llm-d，通过 KV Cache 分层管理、PD 分离和 Prompt 路由，大幅提升了系统吞吐量。但 GPU 仍是单实例独占使用，小参数量模型场景下算力利用率依然不足。

三、算力充分释放：在 llm-d 基础上引入 虚拟化技术，实现 GPU 的精细切分与多模型共享，每张GPU得以充分利用，实现效率与延迟的双重优化。

让与会者掌握用技术手段将GPU算力转化为成本竞争力、服务质量和商业敏捷性的能力。

〇 分享收益 〇

目标：

1、围绕推理框架，阐述每一个推理优化的出发点和效果，以此帮助企业梳理清楚这其中错综复杂的技术关联，从而可以从自身的实际出发，选择适合自己的技术选型。 

2、绝大多数大模型推理任务都依赖于 vLLM 或 SGLang 等推理框架。在实际落地生产的过程中，厘清其衍生的诸多概念，如 LWS（LeaderWorkerSet）、PD 分离（Prefill-Decode Disaggregation）、KV Cache、缓存命中率等；同时，在 vLLM/SGLang 的外围生态中，也涌现出了大量开源项目，如 Mooncake、KTransformers、llm-d、Dynamo 等，帮助与会者更好的应用。

成功要点：

1、vLLM推理集群优化的价值直接体现在降本、增效和提升体验上。从推理成本上看，vLLM的PagedAttention技术可将KV缓存内存浪费从60-80%降至接近零。若 Stripe从Hugging Face Transformers迁移到vLLM后，成本下降73%，只用1/3的GPU就可处理日均5000万次API调用。

2、vLLM相比传统框架可提供2-24倍的吞吐量提升，优化用户体验，低TTFT带来“秒回”感，低TPOT确保长文本生成流畅。独立优化能更好控制尾部延迟（Tail Latency），保障SLA。

3、在代码任务上可将每百万输出token成本降低19.4%，意味着增强系统弹性与资源利用率中，可根据流量高峰独立扩展P或D节点，并为不同阶段选择最大化GPU利用率。 

启示：

企业掌握vLLM集群优化，本质上是掌握了用技术手段将GPU算力转化为成本竞争力、服务质量和商业敏捷性的能力。

〇 分享亮点 〇

1、vLLM的基础使用方式

2、vLLM与云原生的组合方式

3、vLLM + KVCache/PD分离的技术出发点和效果

4、vLLM + KVCache/PD分离+GPU虚拟化的组合实践

5、QA

〇 分享简介 〇

随着国产算力的发展，算力集群的从单一的 NVIDIA 设备逐步走向有更多不同国产厂商设备构成的异构算力集群，异构算力的管理这个问题逐步浮出水面。HAMi 在易用性和管理能力上取得了一个较好的平衡，但是受限于 Kubernetes 的 Device Plugin 本身的缺陷，调度性能和精细化分配的能力面临瓶颈。

然而，随着 Kubernetes v1.34 将 Dynamic Resource Allocation（DRA） 特性正式推进至 GA，集群设备资源管理从以节点为中心的分配模型，逐步演进为以资源对象为核心的声明式管理模式，相比传统 Device Plugin 接口仅能暴露简单容量信息，DRA 通过引入 ResourceClaim 使设备资源能够在 Pod 创建之前完成表达与约束，为 GPU 等复杂硬件资源的精细化调度提供了新的基础能力。

HAMi-DRA 作为 HAMi 社区在 DRA 方向上的最新实践，它在不牺牲核心调度能力的前提下，将现有 GPU 虚拟化调度体系平滑迁移至 DRA 资源模型。同时，结合 HAMi-DRA 提供的 MCP 服务器，又降低了在 DRA 模式之下异构算力的维护成本。从范式的实践结果来看 HAMi-DRA 在调度性能和精细化管理方面带来了显著的提升。

本次分享将从 Kubernetes 设备资源模型演进的视角出发，向与会者剖析HAMi社区在异构设备管理的面临的技术挑战和实践，并且详细解析 HAMi-DRA 的整体架构设计与关键实现细节，展示基于 DRA 和 MCP 构建面向 AI 工作负载的可扩展异构算力调度方案，以此为业界展示落地 HAMi-DRA 的过程中全新管理范式、开源社区遇到的难题。

〇 分享收益 〇

目标：

1．学习最新 Kubernetes DRA 相关方法实践

2．了解 DRA Driver 的实现原理和技术难点

3．洞悉DRA 给 AI 原生工作负载带来的价值

成功要点：

借助 DRA 所带来的全新的设备资源描述能力，能够实现多维度的资源建模，显著提升异构算力管理的精细度和调度能力，并结合 MCP提供的大模型结合能力有效降低 DRA 的学习和集群的维护成本。

启示：

1. 积极拥抱上游社区的新方案有助于享受到新的技术红利，有利于开源社区的发展

2. 结合大模型的基础能力，能有效降低异构集群的维护成本，版加速技术迭代。

〇 分享亮点 〇

1. 异构算力的背景、动机

    1）异构设备管理的挑战

    2）传统 Device Plugin 的局限性

2、 破解HAMi 的难题

    1）HAMi 设计思路和关键实现

    2）HAMi 的问题和挑战

3、Kubernetes DRA 特性

    1）DRA API

    2）分享Consumable Capacity 特性

4、HAMi-DRA 设计和实践

    1）整体架构和设计理念

    2）HAMi-DRA 的落地挑战

    3）基于 HAMi-DRA 的 GPU 调度方案

4、HAMi-DRA 的 MCP Server 实现方案

5、总结与展望

    1）HAMi-DRA 后续规划

    2） 多个 DRA Driver 联动支持

6、QA

〇 分享简介 〇

随着 Agent 应用的发展，长上下文、连续多轮交互和突发流量，对推理系统的计算效率、状态管理和资源调度提出了更高要求。如何将多品牌、多型号的算力组织成稳定、经济、可持续交付的 Token 产能，正在成为规模化推理的核心课题。

本次分享结合商汤大装置 SenseCore 的实践，围绕“横向资源编排”与“纵向执行优化”两条主线，深入研讨统一资源画像、国产算力 Prefill 与 NVIDIA Decode 协同、KV Cache 状态交接及缓存感知路由等关键机制。结合 GLM 5.3 等代表模型的适配与混推实践，解析从模型、引擎到芯片运行时的联合优化方法，并探讨动态 P/D 资源池、面向多模态 MoE 的模块级拆分等演进方向，展示通过有效吞吐与完整资源成本评估优化价值。

〇 分享收益 〇

目标：

1、理解规模化推理从单点执行优化到集群协同的技术体系，厘清模型适配、P/D 分离、KV Cache、路由与调度之间的关联，为异构算力选型和架构设计提供参考。

2、掌握面向真实业务负载的评估方法，将模型质量、首 Token 时延、逐 Token 时延、有效吞吐和资源成本纳入统一评价框架。

成功要点：

1、按负载匹配资源。 综合计算吞吐、KV 容量、有效带宽、互联拓扑和版本兼容性，为 Prefill 与 Decode 选择适合的资源组合。

2、从请求全链路优化。 联动准入、容量预留、KV 交接和异常回收，综合比较本地缓存命中、远程拉取与冷节点重算的实际成本。

3、以可复现结果验证收益。 通过流量重放、链路观测和持续回归，在相同质量与服务目标下比较有效产能，并计入计算、网络、存储和运维成本。

启示：

建设 Token 工厂，需要把模型执行、状态管理、资源编排和服务运营连接起来，使算力投入能够持续转化为业务可用、成本可衡量的推理服务。

〇 分享亮点 〇

1、异构混推的端到端工程实践。

 结合 SenseCore 与 GLM 5.3 的运行场景，拆解国产 Prefill 与 NVIDIA Decode 协同中的资源配比、KV 互通、缓存路由和兼容性要求，呈现从硬件接入到稳定服务的关键环节。

2、连接架构演进与产能经济性。

 探讨动态 P/D 及 Encoder、Attention、FFN/MoE 模块级资源池的演进方向，并以满足服务目标的有效吞吐和单位有效 Token 成本为衡量依据，帮助判断优化收益及适用边界。

3、QA

〇 分享简介 〇

随着AI Agent从对话助手演进为能够自主执行代码、操作工具和完成长周期任务的智能体，如何管理大规模、动态且不可预测的Agent运行时资源，正成为AI Infra的核心挑战。现有的Agent沙箱方案，如E2B、Daytona、Modal，已经证明了远程隔离执行环境的价值，但支撑Agent工作负载对状态延续、环境复现和大规模并行调度的深层需求，仍然是一个值得讨论的问题。

针对这一挑战，AKernel团队深入探索了可编程数据中心内核的设计与实践。AKernel以沙箱为基本调度单元，统一管理算力、文件系统、存储、网络、隔离级别与生命周期，向上通过单一Python SDK暴露所有能力，向下支持在gVisor、Kata Containers和Firecracker microVM之间按需选择运行时。更重要的是，AKernel将沙箱定位为Agent工作负载的可编程延伸——支持运行状态冻结与断点恢复、沙箱快速派生，使长周期Agent任务具备"故障续跑"而非"从零重放"的能力。

本次分享将从架构设计、多运行时隔离模型、镜像加速，到沙箱状态管理与环境复用等核心能力，解读AKernel连接Agent工作负载与数据中心基础设施，，探讨一个可编程的Agent资源管理内核应具备的形态。

〇 分享收益 〇

目标：

1、为行业提供Agent基础设施从"隔离执行环境"向"可编程资源管理内核"演进的系统级实践范本，展示如何用一套方案同时覆盖安全隔离、性能加速、状态管理与生态兼容。

2、展示通过沙箱状态冻结/恢复、快速派生等能力，实现长周期Agent任务的断点续跑与大规模环境并行复现。为面临故障恢复成本高、环境复现困难、并行调度开销大的场景，提供一套面向Agent工作负载的资源管理方案。

成功要点：

1、统一编程接口：单一Python SDK覆盖算力调度、命令执行、文件操作、端口转发、交互终端等全部能力，Agent框架接入仅需实现适配层，接入成本接近零；

2、多运行时隔离模型：默认 gVisor 沙箱实现轻量级低延迟启动，也提供 Kata Containers 支持硬件级虚拟化隔离，可按需选择，兼顾安全与性能；

3、长周期任务支撑：沙箱冻结/恢复使Agent任务故障后可从断点续跑，快速派生使大规模并行开销降低；

4、生态兼容设计：以与E2B、Daytona、Modal相同的方式接入上层框架，上层框架接入后自动获得资源调度、镜像加速等内置能力。

启示：

1、Agent工作负载的动态性和不可预测性，天然要求基础设施层具备细粒度的资源调度与弹性伸缩能力。将镜像加速、资源调度、全栈可观测性等能力内置到基础设施层，上层框架接入即自动受益，可显著降低Agent平台的工程建设和运维成本。

〇 分享亮点 〇

1、Motivation

2、AKernel 整体架构设计

3、AKernel Advanced Features

    1）沙箱 Checkpoint/Restore

    2）网络安全管控

4、生态兼容：接入 AI Agent 框架经验

5、Q&A

〇 分享简介 〇

随着大模型与 Agent 应用进入企业生产环境，Agent 负载呈现高动态、长会话、执行内容不确定和多智能体协同等特征。传统以容器和静态资源配置为中心的基础设施，在资源弹性、安全隔离、会话状态管理和故障恢复方面面临新的挑战。

面对这些共性问题，基础设施需要将函数调度、分布式数据访问、弹性伸缩、安全沙箱和异构资源调度沉淀为可复用的统一能力，与此同时屏蔽分布式系统和异构硬件的复杂度。

本次分享将结合 openYuanrong 系统架构与实践，深入解析统一的 Serverless 分布式计算引擎如何支撑 AI Agent、大模型推理和强化学习等场景，构建面向 Agent 时代的企业级分布式基础设施。

〇 分享收益 〇

目标：

理解 Agentic AI 对分布式系统软件提出的新要求，包括高动态弹性、精准安全隔离、长会话容错、Session 管理和异构资源动态调度等关键能力。

成功要点：

1、OpenYuanrong 以 Serverless 分布式计算引擎为底座，将函数系统、数据系统、多语言运行时和分布式编程接口作为通用能力，向上支撑 AI Agent、大模型推理、强化学习等负载；

2、架构体系通过分级调度、动态生命周期管理、对象/流数据访问、异构多级缓存和安全沙箱调度等机制，可屏蔽分布式和硬件细节。 

启示：

企业建设 Agent Infra 时，围绕负载特征沉淀的可复用底座能力，在弹性、隔离、状态管理、数据访问和异构资源调度上形成统一支撑，从而更好地发挥集群算力并支撑企业级 Agent 应用落地。

〇 分享亮点 〇

1、Agent 时代为何需要新的分布式底座

Agent 负载具有高动态、不安全、长会话等非确定性特征，传统 K8S 容器微服务在资源配置、安全隔离和长会话可靠运行方面面临新挑战。

2、openYuanrong 整体架构设计

涵盖： Serverless 分布式计算引擎的发展历程、函数分布式编程抽象、分布式分级调度、极速水平/垂直弹性、近计算分布式数据系统与异构多级缓存池。

3、openYuanrong 数据系统设计

涵盖：分布式 KV Cache 设计、近计算分布式多级缓存、高吞吐异构内存直访能力、数据对象可靠性保障机制、缓存池 Rebalance 调度策略、批量扩缩容方案、大规模高性能场景竞争力。

4、强化学习与 AI Agent 实践

涵盖：分离式异步训推架构、训推参数异步更新机制、样本数据系统、多 Agent 异构资源动态调度、Agentic RL 函数/容器统一编排，以及快速启动、Session 亲和路由、会话弹性、安全沙箱调度、长会话语义一致容错和 Agent分布式运行时能力。

5、经验总结与 Q&A

总结 openYuanrong 在函数系统、数据系统、Agent分布式运行时和异构资源调度等方面的实践，以及企业构建 Agent Infra 时对弹性、隔离、状态管理和资源调度的关键思考。

〇 分享简介 〇

当前，各种大模型应用呈现爆发式增长，模型推理给云数据中心带来了极大的算力挑战，各类国产芯片应运而生，但彼此架构和软件各不相同，如何以同一套解决方案来同时覆盖各种国产芯片成为企业当前面临的核心痛点。此外，走出数据中心集中式服务场景，其他下沉场景与泛在智能（自动驾驶、实时翻译、VR/AR等）和数据隐私敏感场景（医疗、金融本地部署等）也逐渐走向规模化落地，推理任务如何在终端设备上高效执行成为另一个亟待解决的问题。最后，云和端并非孤立存在。只有推动云端与终端深度协同，才能构建出面向未来的新一代分布式推理系统。

针对这一挑战，Oxygen xLLM团队深入探索了国产芯片在云端大模型推理的适配与性能优化。同时，随着边缘终端侧硬件算力的崛起，单纯依赖云端的架构正在向“轻量化端侧推理”与“异构端云协同”的下一代范式演进。通过协同云和端两侧的设备算力，可进一步提升token生产效率。

本次分享将聚焦于Oxygen xLLM大模型推理框架在云端国产芯片的真实落地实践经验，并前瞻性地剖析端侧推理及端云异步协同的最新研究成果。旨在为业界提供一套高吞吐、低成本、安全可控的大模型泛在部署新思路。

〇 分享收益 〇

目标：

1、为行业提供大模型在国产算力生态上真正“跑得通、跑得快”的系统级落地实践范本。

2、引导打破“纯云端”大模型服务的思维定势，展示利用边缘终端算力实现低成本、高并发的泛在部署。为面临算力紧缺、带宽受限的场景，提供一套提升token生产效率的异构协作方案。

成功要点：

1、 国产化适配：一套框架覆盖多种国产芯片，填补"异构芯片统一推理"空白，降低国产化部署门槛；

2、 架构创新：首创服务-引擎解耦，调度与计算独立演进、协同增效；

3、 性能突破：多层次流水线、自适应图模式、动态 PD 分离等关键技术，在严格 SLO 约束下显著提升吞吐与资源利用率，整体性能超越现有 SOTA 推理框架；

4、 高可用保障： 全局 KV Cache 管理、分布式快速故障恢复、健康监控与自动巡检，护航大规模生产稳定运行。

启示：

 1、端云协同突破硬件物理极限，通过将推理任务拆解分流至端侧，有效缓解云端数据中心的算力赤字和带宽拥堵，解决单一云架构无法承载爆发式需求的根本矛盾。

2、实现全局算力“池化”，不再依赖单一高性能GPU，而是充分挖掘云、边、端所有闲置或低效算力，提升整体资源利用率，加速大模型推理效率。

3、对企业而言极致降本增效，可降低云端大规模基建投入和运营，同时利用端侧就近处理，显著降低推理响应延迟，提升用户体验。

〇 分享亮点 〇

1、 基于国产芯片的云端大模型推理
    1）国产芯片的现状和趋势

    2）Oxygen xLLM的整体架构

    3）Oxygen xLLM的核心特性和创新

2、 端侧大模型推理

    1）端侧推理的应用场景

    2）NPU-GPU-CPU协同推理

    3）基于NPU的投机推理加速

3、 端云协同大模型推理

    1）端云协同的应用场景

    2）投机推理在端云协同中的应用

4、一些实际的应用部署经验

5、QA

〇 分享简介 〇

当前，AI智能体市场呈现爆发式增长，全球市场规模预计2030年将达到526.2亿美元，中国市场预计达到287亿元。Agent正从L0（无AI工具执行）向L4/L5（多智能体协作、融合个性与情感）演进，正式进入“执行时代”。智能体需要安全地执行代码、操控浏览器、操作桌面应用，这带来了运行环境的全新挑战——既要强安全隔离防范不可预测的代码执行风险，又要极致弹性性能应对突发流量，还需提供上下文记忆持久化和会话亲和性保障。

针对这一挑战，磐基沙箱平台基于openEuler操作系统和Firecracker MicroVM技术，构建了面向Agent时代的下一代基础设施。在技术选型上，系统对比了容器（弱隔离，CVE可穿透）、传统虚拟机（启动慢30秒+）和MicroVM（强隔离+<200ms启动）三种路线，论证MicroVM是Agent沙箱的最优选择。业界已验证这一趋势——E2B、PPIO、阿里云AgentBay、腾讯云AGS等头部产品均采用MicroVM技术路线，MicroVM已成为Agent Infra的事实标准。

在整体架构上，磐基沙箱平台包含网关层（身份认证、鉴权、负载均衡、流控）、接入层（支持API/SDK/MCP/CLI多种接入方式）、控制面（运营管理、运维管理、集群管理、实例管理、模板管理、沙箱调度）和运行面（沙箱编排、MicroVM实例）。openEuler在其中扮演三重角色：MicroVM宿主OS、沙箱Guest OS和镜像底包OS，提供国产化全栈适配（海光x86+鲲鹏ARM双架构）、极致内核裁剪（15MB级内核镜像）、实时内核抢占和内核模块签名+seccomp安全加固等关键能力。

在安全隔离方面，采用文件系统隔离、网络隔离、资源隔离与限制、进程与系统调用隔离四层防护，基于硬件内核级隔离确保即使沙箱内应用被攻破甚至获得内核权限，攻击者也极难突破硬件虚拟化边界。在性能优化方面，通过轻量级虚拟化与敏捷启动、精细化资源监控与实时调整、缓存架构、资源预热与池化管理、分类调度等策略，追求在安全隔离下的极致性能。

本次分享基于磐基沙箱平台已有真实业务场景落地，从代码沙箱赋能AI编程，展现CLI Coding场景中构建端到端智能化编程闭环；以及秒级调拨业务应用。同时，分享沙箱如何隔离保障数据安全。帮助与会者看到，未来企业持续扩展Mobile Use沙箱、GPU沙箱、AI增强调度等能力，可以助力国产化适配和优化经验回馈openEuler及Firecracker社区，全面验证其业务价值。

〇 分享收益 〇

目标：

1、为行业提供基于国产化全栈（openEuler + Firecracker MicroVM）构建Agent沙箱基础设施的系统级实践范本，填补Agent运行时基础设施领域国产化方案的空白。

2、引导行业认识到Agent“执行时代”对运行环境的全新需求——强安全隔离与极致性能并重，为面临智能体代码执行安全、多系统操作自动化等挑战的企业提供一套可落地的技术方案。

成功要点：

1、技术选型精准：系统对比容器、虚拟机、MicroVM三种技术路线，论证MicroVM兼具强隔离和极速启动（<200ms）的优势，已有E2B、PPIO、阿里云AgentBay、腾讯云AGS等头部产品验证MicroVM为Agent Infra事实标准。 

2、架构设计完整：从网关层、接入层到控制面、运行面的全栈架构设计，支持API/SDK/MCP/CLI多种接入方式，覆盖代码沙箱、浏览器沙箱、桌面沙箱、手机沙箱等多种类型。

3、国产化全栈适配：基于openEuler实现海光x86+鲲鹏ARM双架构适配，内核裁剪至15MB级，内核模块签名+seccomp默认策略安全加固，满足自主可控需求。

4、安全隔离创新：文件系统隔离、网络隔离、资源隔离与限制、进程与系统调用隔离四层防护方案，基于硬件内核级隔离确保最高安全等级，即使沙箱内应用被攻破也极难突破虚拟化边界。 

5、性能极致优化：轻量级虚拟化、精细化资源监控、缓存架构、资源预热与池化管理、分类调度等多维度优化，实现<200ms冷启动和极致弹性扩展能力。

启示：

1、Agent进入“执行时代”，安全沙箱成为连接AI能力与真实业务执行的关键基础设施，企业需前瞻布局Agent运行时环境，避免在智能体落地时面临“有大脑无手脚”的困境。

2、MicroVM技术路线在安全隔离与性能之间取得最佳平衡，将成为Agent Infra的事实标准，企业应关注并跟进该技术方向，评估在自身场景中的适用性。

3、国产化全栈方案（openEuler + MicroVM）不仅满足自主可控需求，在性能和安全上同样达到一流水平，为国产化基础设施在AI领域的应用提供了成功范例。

〇 分享亮点 〇

1、Agent进入“执行时代”

    1）AI智能体市场增长迅猛

    2）AI智能体带来运行环境的挑战

    3）安全沙箱的主要类型

    4）磐基沙箱核心功能需求

2、技术选型：为什么是MicroVM

    1）业界沙箱技术路线对比（容器 vs 虚拟机 vs MicroVM）

    2）业界已验证：MicroVM已是Agent Infra的事实标准

3、整体架构：基于openEuler的沙箱平台

    1）沙箱平台功能架构图

    2）沙箱平台核心技术架构图

    3）底座：openEuler — Agent Runtime OS

4、核心子系统：安全隔离与性能优化

    1）沙箱安全隔离方案（文件系统/网络/资源/进程与系统调用四层隔离）

    2）沙箱性能优化方案（轻量级虚拟化/资源监控/缓存/预热池/分类调度）

5、接入与落地实践

    1）落地实践一：代码沙箱赋能AI编程（聚智平台CLI Coding场景）

    2）落地实践二：营业厅号码调拨业务场景

6、展望与总结

    1）Mobile Use沙箱、GPU沙箱、AI增强调度、开源回馈

    2）QA

〇 分享简介 〇

随着AI Agent技术爆发式增长与数字经济飞速发展，传统数据仓库正面临实时性差、灵活性不足、海量非结构化数据处理困难等核心痛点。与此同时，AI驱动下的智能化分析、自动化决策需求激增，倒逼数据基础设施加速变革。Data+AI深度融合已从趋势演变为必然选择——通过将大模型能力嵌入数据全链路，实现智能建模、自然语言交互与实时推理，构建面向未来的智能数据平台，真正释放数据要素价值，驱动企业数智化转型与创新增长。

Data+AI的融合不仅是技术层面的“打补丁”，更是数据价值链的范式重构。传统数仓的失效，本质是“存、管、用”割裂的旧逻辑无法回应“实时、智能、泛在”的新需求。真正的融合，应当让AI成为数据的“原生感官”，使数据平台从被动查询的“水库”进化为主动决策的“智慧体”。这要求我们超越工具集成思维，重构数据治理、算力调度与模型协作的底层机制，方能在爆发式增长的数据洪流中，让智能化从“锦上添花”走向“生存必需”。 

本次分享将深入探讨Data Agent这一新范式，从概念定义、技术架构到实践落地，全面解析通过AI驱动的智能体系统，突破传统数据工程瓶颈。涵盖五大核心特征、六层技术栈、多Agent协同机制，以及制造业落地案例的四维度成效量化，为企业数字化转型提供可落地的参考路径。

〇 分享收益 〇

目标：
为行业提供从传统数仓向AI驱动数据工程转型的案例借鉴经验，解决数据治理效率低、质量管控难、服务响应慢等核心痛点。

成功要点：
1、通过构建五层Data Agent架构（智能接入、AI驱动治理、标准管理、质量监控、智能服务），帮助企业实现多Agent协同机制，覆盖数据接入、治理、质量、服务全链路。
2、建立六维质量监控体系，可助力制造业场景实现四维度成效量化（效率提升、质量改善、成本优化、业务价值）。

启示：
Data Agent不仅是技术升级，更是从"辅助工具"向"自主决策体"的范式转变。通过大模型与数据治理深度融合，实现数据工程的智能化、自动化和价值最大化。

〇 分享亮点 〇

1、行业发展背景
    1）数字经济规模与AI Agent技术爆发
    2）数据工程ETL→ELT→EAI演进路径
    3）传统数仓六大痛点分析
    4）Data+AI融合趋势

2、 Data Agent趋势与定义
    1） 概念定义与五大核心特征
    2） Copilot→Agent进化路径
    3） 六层技术栈全景架构
3、传统工程 vs Data Agent
    1）传统开发6环节流程与五大痛点
    2）四类Agent能力矩阵
    3） 10维度对比分析
    4）六大优势与四大挑战
4、 Data Agent解决方案
    1）整体五层架构设计
    2）智能数据接入机制
    3） AI驱动治理（五大域）
    4）数据标准管理与六维质量监控
    5） 智能数据服务与资产化入表
    6）多Agent协同与安全机制

5、 实践落地案例
    1）某制造业四大业务挑战与六大数据痛点
    2）项目五层架构实施
    3） 数据接入/治理/质量/服务/资产全链路实践
    4） 四维度成效量化展示
6、未来展望与建议
    1）Data Agent从"辅助工具"向"自主决策体"演进
    2）大模型与数据治理深度融合方向

7、QA

〇 分享简介 〇

近年来，企业积累的数据越来越多，但业务方对「分析」的期待已经变了：不再只是要一个数，而是希望系统能主动发现问题、定位原因、给出可执行的建议，并把结论回传到业务系统里，形成「发现—归因—决策—反馈」的闭环。传统 BI 擅长把数据摆出来，却很难把这条链路走完——探索靠人、归因靠人，结论也往往停在报表里，从数据到行动的距离一直很长。大模型让「用一句话把结果问出来」第一次变得可行，但真正做过的人都知道，难的从来不是让模型开口，而是让它说得对、说得稳、说得有据可查。

网易内部也是一样。财务诊断、经营分析、产品运营这些场景，都踩过同一个坑：演示又快又准，一上生产就开始翻车——同一个问题每次答案不一样，数字看着合理却经不起追问。我们从 2023 年起就在这条路上反复试错，也亲手淘汰过自己的一代代方案，才慢慢走出一条从传统 BI 到企业级 DataAgent 的路径。它不是「把大模型接进来」就完事，而是要把业务语义、工程保障和交付能力这三件事扎扎实实做出来。

本次分享我们研讨数据分析作为所有 Agent 里最复杂的一类活工作，为什么模型越强，语义这一层反而越重要；以及在数据的严谨和模型的概率之间，建起一套能兜住错误的工程体系，让准确率不靠人堆，而是靠系统自己越用越好。不讲概念，深入研究真实落地实践，为与会者带来最具前沿的数据洞见。

〇 分享收益 〇

目标：

1、理解企业级智能数据分析平台的演进路径与关键决策点

2、通过从 BI 到 ChatBI 再到 DataAgent 的完整复盘，帮助听众建立技术选型的历史视角，识别各阶段的核心瓶颈与突破思路，为自身企业的数据分析平台建设提供参照。

3、掌握平衡数据严谨性与大模型概率性的工程方法论，学习统一语义层设计、多智能体协作、检索增强与意图澄清等关键技术原理，以及权限安全、结果可复现性、场景化评估体系等企业级保障机制的具体实现。

4、获取复杂数据分析场景落地的实战经验与避坑指南，了解从 POC 到生产环境的全过程中的真实挑战，减少试错成本，加速智能数据分析能力的价值兑现。

成功要点：

1、Data Agent是数据分析的确定性趋势，市场正进入高速增长期，IDC预测到2028年，60%的中国500强企业将部署企业级Data Agent。其技术演进将走向更深度的人机协同与更主动的决策智能。

2、从ChatBI到DataAgent的演进，意味着相关岗位从“管理数据的工具人”向“设计智能的架构师”转变，这是开启企业智能决策时代的关键。

启示：

企业结合财务对账、经营健康度、产品漏斗、经营分析、产品运营等案例，可从定制化走向可复用组件，并面向非技术用户设计低门槛交互，使分析能力真正融入日常决策，沉淀场景平台化能力。

〇 分享亮点 〇

1、从 ChatBI 到 DataAgent：三年演进、踩坑与挑战

1）数据分析智能体真正难在哪：四个绕不过的坎

2）通用 Agent 已经很强，为什么还要做 DataAgent？

3）三年三次架构演进：什么被淘汰，什么沉淀下来

2、全链路智能数据分析平台：网易知数的产品和技术架构介绍

1）知数的产品架构：让数据从被看见走到被交付

2）知数的技术架构图

3）承上启下：接下来三章，重点讲什么

3、指标语义平台建设：让 AI 从查得到数据，走到真懂业务

1）为什么 AI 总是答不对

2）六层技术架构：六层底座，一个闭环

3）三大数据语义资产：什么场景，建什么资产

4）数据语义计算引擎：复杂计算逻辑沉淀到语义层，对模型透明

5）数据语义加速引擎：把复杂计算提前抽取到 MPP

6）业务知识：让 AI 接住老师傅的经验

7）语义关系建设：图谱 · 派生 · 血缘 · 知识

8）语义的召回和消费：从一句话到一个上下文

9）语义 AI-ready 检查和反哺：让问答越用越准

10）语义建设的三个判断

4、稳定性和准确性体系建设：让 AI 从真懂业务，走到敢上生产

1） 为什么稳定性和准确性必须当成工程来做

2）Harness 总体架构：跑得稳，更要跑得对

3） 第一道关 · 语义：先让 AI 懂业务

4）第二道关 · 选数：召得全，更要选得准

5）第三道关 · 计算：模型做好推理，把计算交给工程

6）第四道关 · 权限：权限不经过模型，换什么问法都绕不过去

7）第五道关 · 验证：可澄清、可修复、可解释、可追溯

8） Harness 优化：客户问题驱动下的持续迭代与长期沉淀

5、 自动化评测与交付体系建设：让 AI 形成数据飞轮

5.1 自动化评测体系建设

5.2 全链路日志排查体系助手

5.3 自动化交付体系建设

6、组织资产沉淀：让个人的资产成长为组织的能力

1）背景：组织资产的沉淀才是问答的终点

2）技能与流程：把个人经验变成组织可复用的能力

3）报告资产：把一次分析沉淀成可编辑、可复用、可共享的报告

4）数据分发与办公协同：让数据主动进入办公工作流

7、总结与思考

1） DataAgent 的六点总结与思考

〇 分享简介 〇

大模型正以前所未有的速度重塑各行各业，竞争焦点已从"模型有多强"转向"落地有多深"。金融行业数据密度高、场景价值大，是公认的大模型落地主战场，却也是约束最严苛的领域：监管合规是刚性红线，算力国产化自主可控势在必行；与此同时，Agent 应用爆发式增长，调用量与 Token 消耗正以数量级攀升，推理成本与算力供给成为新的瓶颈。可以预见，金融机构 AI 竞争的分水岭，不再是"是否接入大模型"，而是"能否建成一个将算力、模型、数据与业务系统可靠连接的工程化底座"——AI 工程化平台，正在成为金融科技的新基建。

大模型正从"能用"走向"敢用"，但金融行业的落地，拼的从来不是单点模型效果，而是工程化底座的成色：算力昂贵且必须自主可控，推理成本随规模水涨船高，业务对稳定性与合规近乎零容忍。"Demo 跑得通、生产扛不住"，是当下几乎所有金融机构的共同痛点；而跨越这道鸿沟，靠的不是更大的模型，而是更扎实的平台工程。

本次分享以 AI 工程化平台从 0 到 1 建设、支撑日均百万级调用与百亿级 Token、完成昇腾/海光等国产算力规模化落地的实践为主线，自底向上拆解算力、MLOps、大模型服务、Agent 四层平台架构的关键取舍与踩坑经验，提炼一套可被同业直接复用的"金融级 AI 工程化"建设参考。

〇 分享收益 〇

目标：

1、输出算力平台、MLOPS平台、大模型平台、Agent平台的清晰技术演进路径。

2、明确"金融级"相较通用 AI 平台的额外门槛（合规、可观测、分级治理、成本核算、算力自主可控），把隐性要求显性化为可落地的工程标准。

3、掌握一套可借鉴的国产化算力从"能跑"到"跑好"的迁移与调优经验，应用于行业自主可控的大势。

成功要点：

1. 底座先行，复用为基：先行建成混合云算力调度与统一特征 / MLOps 底座，大模型与 Agent 平台方能依托既有能力快速起量，从源头避免烟囱式重复建设。

2. 推理工程是成本的胜负手：以 PD 分离推理集群与统一服务网关（限流降级、全链路可观测、成本计量）系统性化解"贵、慢、不稳"三大顽疾，方能支撑起日均百万级调用。

3. 分级治理与灰度上线并举：依托大模型服务分级机制、自动化测试工具链与小时级部署能力，为"敢上线"提供制度与工程的双重保障。

4. 国产化本质是精度与性能的对齐工程：国产化不应止于"替代部署"，唯有完成 H 卡与昇腾双栈的实测对齐，自主可控才真正落到业务层面。

5. 平台化降低使用门槛：以插件广场（MCP / Skill / CLI）与 Agent Sandbox 支撑业务团队自助开发，推动 AI 能力规模化外溢。

启示：

1. 成本：推理集群优化与网关治理，带来单位 Token 成本的数量级下降。

2. 效率：模型部署周期由周级压缩至小时级，AI 应用开发门槛显著降低。

3. 安全：Sandbox 隔离、分级治理与合规审查前置，让金融业务真正"敢用大模型"。

4. 自主：国产算力完成规模化替代，摆脱对单一供应链的依赖。

5. 方法论：沉淀出"四层平台 + 五个关键取舍"的金融级 AI 工程化范式，可供同业直接复用。

〇 分享亮点 〇

1、AI 平台的技术演进

2、四层平台架构核心拆解

    1）算力平台：千卡混合云、训推一体、GPU 虚拟化复用、算力热力图辅助决策。

    2）MLOps 平台：统一特征、训练、沙箱验证、小时级上线全链路。

    3）大模型平台：服务网关、PD 分离推理集群、分级治理、自动化测试与部署。

    4） Agent 平台：ChatBot/Workflow/Coding Agent多形态、Sandbox 安全运行、知识库对接、插件广场（MCP/Skill/CLI）。

3、实战案例解析

    案例A：PD 分离如何攻克 TTFT/成本瓶颈，高并发金融场景实测，推理提效。

    案例B：关键业务在昇腾/海光上的迁移，精度与性能对齐的难点与解决方案，完成国产化。

    案例C：典型业务场景（如客服/研发提效），从需求到上线的Agent端到端闭环。

4 、QA 

〇 分享简介 〇

当前，随着基础模型能力的快速跃升，许多企业在落地多智能体时陷入了过度工程的困局：试图用超长 Prompt 与复杂的 if-else 路由去防错与编排。这种 “赛博包工头” 式的架构，不仅极易导致模型上下文爆炸与注意力涣散，更限制了智能体应对未知场景的上限，成为阻碍应用规模化落地的核心痛点。

针对其困境，强行前置拦截错误只会适得其反，真正能促成系统进化的，是撤销多余防错，将真实的报错作为痛觉反馈交由模型自校准，并在后台将执行废料压缩为可遗传的 “策略基因”。 

本次分享将深入探讨 Harness（工程框架）在 Agent 时代的生态位退让 - 从 “限制模型的笼子” 转变为 “提供试错环境的培养皿”。我们将为业界技术同仁拆解如何通过做减法、做压缩与底层协议重构，打破静态流水线，帮助开发者探索出一条从单体模型到自进化蜂群的架构突变之路。

〇 分享收益 〇

目标：

1、了解当基础模型能力不断突破后，行业从 “过度工程编排” 向 “框架精简” 演进的关键节点，如何破局。

2、打破 “为 Agent 写死 SOP 与路由逻辑” 的赛博包工头思维，让企业看到一种全新 Harness（工程框架）设计方法论，“后置反馈、经验压缩、并行试错”，真正帮助开发者构建具备自我进化能力的智能体网络。

成功要点：

1、系统成功的关键，在于能否把真实的 Error（如 API 拒绝、逻辑死锁）作为高保真反馈直接回传给大模型，利用模型自身的推理能力完成自校准。这是构建真实的 “痛觉传导闭环”，放弃通过超长 Prompt 进行前置防错的执念的关键。

2、传统 RAG 或硬编码 Skill 无法实现长程记忆的内化。企业需引入 “策略基因” 进行高密度压缩，通过机制创新，将散落的执行废料和日志编译为高密度的 “策略基因”，是确保经验被真正沉淀和复用的关键。

3、在多智能体并发试错中，并非依靠流水线分工，而是通过底层通信协议（GEP）实现单点经验的全网瞬间广播。它可通过GEP 协议实现 “全网免疫”，也是项目自进化的核心技术机制之一。 

启示：

1、学会在架构层做 “减法”，大幅削减复杂业务（如客户支持、复杂任务分析）中臃肿的控制逻辑，降低上下文消耗与系统幻觉。

2、掌握在业务层中，一套可落地的经验转化路径，让业务运转中的所有 “踩坑” 成本转化为系统抗体，实现 “单点试错、全网免疫”，极大压低组织容错成本。

3、理解从 “微操模型的指令分配者” 向 “构建试错反馈环境的系统设计者” 的生态位转变，提升认知。

〇 分享亮点 〇

1、破题：重新定义 Harness 的生态位

    共识重估：基础模型能力跃升，冗余防错架构正被消化。

    生态位退让：Harness 必须从 “限制模型的笼子” 转变为 “提供试错的运行环境”。

2、做减法：放弃前置防错，保留后置反馈

    传统误区：堆砌超长 Prompt 拦截错误，导致上下文膨胀与注意力分散。

    痛觉闭环：撤销防错补丁，将真实环境 Error 作为高质量反馈倒逼模型自我校准。

3、做压缩：经验的编译与可继承

    记忆困境：剖析传统 RAG 与硬编码 Skill 在经验内化上的局限。

    基因机制：Harness 升级为 “经验池”，将执行废料与报错信息压缩为高密度「策略基因」。

4、做重构：从流水线分工到并行试错

    群体智能：告别角色扮演编排，通过多节点并行试错筛选最优经验。

    GEP 协议：构建经验快速互通机制，实现 “单点试错，全网免疫”。

5、终局：把控制权交还给进化

    放弃为 AI 编写静态 SOP，在反馈闭环中推动模型与 Harness 的协同进化。

6、QA

〇 分享简介 〇

具身智能已成为AI实体化落地的核心赛道，行业正式从传统纯软件对话交互，迈入“感知、决策、执行”一体化的物理世界交互新时代，AI Agent的竞争重心全面转向实体场景的落地能力。

当前Voice Agent作为具身智能人机交互的核心载体，正面临行业共性核心困境，多数产品无法实现从“能聊”到“能干”的范式升级，普遍存在交互生硬不自然、口语模糊指令理解精准度低、复杂动态环境下任务执行低效、交互安全体系缺失等三大核心瓶颈，严重制约了智能座舱、家庭服务机器人等终端具身及端侧AI产品的规模化商用。

真实场景数据域偏移是造成上述行业痛点的核心根源。实验室仿真数据无法复刻真实物理环境的复杂性、动态性与随机性，导致模型落地后适配性差、场景泛化能力薄弱。在此背景下，高质量、真实化、多维度的多模态交互数据，成为突破Voice Agent具身交互瓶颈、实现产品能力迭代升级的核心钥匙。

本次分享聚焦Voice Agent在具身智能领域的落地应用，深度拆解智能座舱、家庭服务机器人两大核心场景的交互痛点与数据解决方案，系统阐述下一代具身智能及端侧AI交互数据的核心标准与落地逻辑。同时，依托晴数智慧的技术与服务能力，详解场景化数据构建、全方言多语种覆盖、全链路合规安全等核心竞争力，以具身智能产业落地痛点，输出可落地的数据优化方案与场景适配体系，助力行业解决交互不自然、理解不精准、执行不安全等核心难题，推动具身智能Voice Agent从实验室原型走向大规模、高可靠、普惠化的产业落地，加速实体AI全场景智能化升级。

〇 分享收益 〇

目标：

1、了解具身智能和端侧AI具体场景落地案例。

2、了解Voice Agent的行业核心困境与技术瓶颈，真实世界高质量多模态数据的破局逻辑与构建标准。

3、理解具身Voice Agent研发、场景适配、数据迭代、商业化落地提供完整可落地的方法论，规避模型泛化能力弱、场景适配差、交互体验生硬、复杂指令识别失误、物理交互安全隐患等行业通病，补齐具身智能实体落地的核心短板。为与会者提供思考纬度放射到自身赛道。

成功要点：

1、真实场景多模态高质量数据是破解具身智能交互痛点的核心核心。对于垂类企业解决实验室模型与真实物理场景适配脱节的问题，可采用大幅提升Voice Agent复杂环境下的交互稳定性与场景泛化能力。

2、场景化定制数据方案可精准适配不同具身智能赛道的差异化需求，全方言、多语种数据体系可助力产品实现国内下沉市场渗透与海外出海布局，全链路合规数据体系可有效规避行业数据安全风险，提升产品落地公信力与商业化价值。

启示：

以数据为核心驱动，利于企业实现Voice Agent从基础对话交互到实体感知、智能决策、安全执行的全方位升级，这是具身智能，端侧AI企业规模化、普惠化落地的核心必经之路。

〇 分享亮点 〇

1、行业洞察：具身智能时代下Voice Agent的发展困境与行业变革

    1）交互范式革命：AI Agent从软件对话走向物理世界实体落地

    2）具身智能Voice Agent三大核心交互瓶颈与行业痛点

2、具身智能典型场景案例深度拆解与痛点解决方案

   1）智能座舱：高动态半封闭场景交互痛点与定制化数据方案

    2）家庭服务机器人：人机共融开放场景核心难题与数据落地实践

3、核心破局思路：高质量真实世界数据是具身智能迭代核心驱动力

    1）实验室数据域偏移问题与真实场景数据核心价值

    2）下一代具身智能交互高质量数据的核心标准与特征

    3）针对性MD数据解决方案核心逻辑与落地路径

4、企业赋能：晴数智慧具身智能AI数据服务能力与生态共建

    1）企业核心定位与具身智能赛道布局

    2）场景化数据、多语种方言、合规安全三大核心竞争力

5、行业总结与未来展望

6、QA

〇 分享简介 〇

随着大模型的行业应用逐渐广泛而深入，数据的消费者正在从人变成 Agent—查询的发起者、访问的入口、结果的消费方式都在变化。这不是给现有平台简单加一层 MCP 接口能够解决的：本质是过去面向人设计的数据产品（报表、标签、分群），需要面向 Agent 重新设计。

企业在落地 Agentic 数据体系时普遍面临三类挑战：语义在人脑里、不在数据里——模型懂语法不懂业务，事件口径与指标定义无法被 Agent 直接理解；状态面向报表、不面向 Agent——标签与画像是静态批量的产物，Agent 也需要感知用户的最新状态；使用与反馈链路割裂——Agent 用了什么数据、策略执行的结果如何、有效的经验如何沉淀复用，难以追踪。要解决这些问题，需要以统一的客户世界模型（CWM）组织事实、语义与状态，把数据平台升级为可理解、可进化的 Agentic Data Platform。

本次分享从数据消费者变迁出发，以客户世界模型（CWM）为起点，通过 MCP 工具契约完成 Agent 接入与权限治理，再经由采集、分析、挖掘、营销、治理五大工作流的 Agentic 改造，将传统数据底座升级为"被 Agent 使用 + 自带 Agent"的双 Agent 协作平台。同时，结合语义层供给、User Context 编译与数据飞轮，形成"应用 Agent 执行、人审核、内核 Agent 加工、闭环回流"的运转体系，为与会者提供从客户数据到 Agent 能力的统一构建方法。

〇 分享收益 〇

目标：

1、建立从客户数据到 Agent 能力的统一构建方法：理解数据底座、语义层、活状态与权限治理在双 Agent 协作（应用 Agent·被 Agent 使用 + 内核 Agent·内置）下的闭环关系，并可据此规划数据平台面向 Agent 的演进路径。

2、厘清 Ontology、世界模型与 CWM 的谱系关系与工程边界，掌握五大工作流在不同环节（埋点、分析、挖掘、营销、治理）选择改造路径与技术方案的方法。

成功要点：

围绕"语义可理解、状态可计算、经验可沉淀"构建 Agentic 数据平台：让 Agent 在治理框架内调用分析原语；借助内核 Agent 与编译管道，把事件流持续加工为 per-customer 的活状态；并以人工审核把关、语义持续沉淀与策略结果回流，持续提升 Agent 在业务任务中的成功率与可复用性，形成从采集到行动的端到端闭环。

启示：

1、数据平台的价值，正从支撑人的决策转向支撑 Agent 的执行。Agent 时代数据平台的评价标准，应从"数据齐全、报表正确"转向"Agent 任务成功率"。语义层决定 Agent 能否理解，活状态决定 Agent 能否行动，策略结果回流决定平台能否进化。

2、Agentic 数据平台的核心资产，是可持续进化的语义与状态资产。企业需要沉淀覆盖埋点质量、元数据语义、上下文编译、权限治理与结果回流的基础设施，让每一轮策略的结果、指标、AB 实验报告、campaign 效果，经内核 Agent 编译为可复用的策略经验，指导下一次决策，构建数据飞轮。

〇 分享亮点 〇

1、背景与概念：数据的消费者从人逐渐迁移到 Agent，Palantir Ontology、世界模型与客户世界模型（CWM）的关系与差异

2、底座与全景：与 Ontology 同构的底座数据模型（事件/用户/实体/维度的对象抽象——对象、属性、关系与 Ontology 的 Object、Property、Link 对应）；双 Agent 协作全景架构——应用 Agent（第一方 Agent + 第三方 Agent）面向人执行业务，经 MCP 契约消费内核 Agent 维护的 CWM 活状态

3、五大工作流 Agentic 改造：埋点采集（AI 设计与质量校验）、分析查询（语义层与对话式分析）、数据挖掘（标签分群与 User Context）、营销行动（策略生成与效果归因）、数据治理（元数据治理与语义沉淀）

4、User Context 编译管道：内核 Agent 的执行工序——确定性压缩、LLM 语义编译与 purpose 组装

5、数据飞轮：每一轮策略的结果，编译成下一轮策略的经验

6、QA

〇 分享简介 〇

AI Agent 正从执行单轮任务的工具，走向需要长期运行、跨工具协作并适应动态业务环境的智能系统。模型、工具、数据与业务目标都在持续变化，使一次性设计的 Prompt 和 Workflow 很快失效。依赖人工反复调试不仅成本高，也难以规模化，因此，企业从交互经验和执行结果中持续学习，正在成为下一代 AI Agent 的核心能力。

企业真正需要建设的，不是一个通过人工不断维护的固定 Agent，而是一套能够从执行经验中获得反馈，并持续优化 Prompt、Workflow 乃至学习机制本身的 Agent 系统。持续学习并不只是增加记忆或定期微调模型，而是建立“执行—评价—优化—验证”的自优化闭环。

本次分享将结合 Self-Supervised Prompt Optimization、AFlow 与 Harnessing Agentic Evolution 三项工作，展示 Agent 如何从自身输出中学习、自动优化工作流，并进一步演化其学习机制。

〇 分享收益 〇

目标：

1. 理解持续学习 AI Agent 的整体框架与核心挑战

2. 学习 Prompt、Workflow 与 Learning Mechanism 三层自动优化方法

3. 掌握企业构建“执行—评价—优化—验证”闭环的实践思路 

成功要点：

将持续学习拆分为 Prompt、Workflow 与 Learning Mechanism 三个层次，并通过可验证的反馈形成自动优化闭环，是降低 Agent 人工维护成本、提升长期适应能力的关键，同时，提高智能体在动态业务环境中的适应能力与长期稳定性。 

启示：

企业不必一开始就训练更大的模型，而应优先建设能够持续采集经验、评价执行效果并自动优化的 Agent 基础设施。

〇 分享亮点 〇

1. 从静态 Agent 到持续学习 Agent：行业需求与维护困境

2. Prompt 层自优化：如何让 Agent 从自身输出中学习

3. Workflow 层自优化：AFlow 如何自动搜索智能体工作流

4. 学习机制的自我演化：Harnessing Agentic Evolution

5. 企业如何构建持续学习闭环：经验、评价、优化与验证

6. QA

〇 分享简介 〇

学习GUI智能体的Benchmark构建与强化学习，本质上是在构建三项核心能力：如何更全面和准确地评估GUI模型的能力，通过Benchmark客观评估不同模型和路线的适用性；模型解决真实场景下长程任务的能力，通过构建大规模真实场景下的任务和对应的虚拟环境，已经对应的奖励设置，让RL方法能够提升模型在业务场景下长程任务的成功率。

GUI Agent 从简单的网页点击、表单填写，逐步走向浏览器信息获取、桌面软件操作以及跨系统业务流程执行。现阶段企业落地面临的核心问题，已经不只是模型“能否识别按钮并完成点击”，而是模型能否在动态页面、异常分支和长链路任务中保持稳定。当前 GUI Agent 的研究以“离线轨迹模仿和单步界面定位”，逐步转向“真实环境中的闭环学习”。

本次分享将从训练数据的自动化生产，benchmark的构建，更真实虚拟环境的构建以及整体强化学习的整体pipeline进行剖析。让与会者能够更系统性地理解GUI Agent领域，有效应对现阶段该领域面临的挑战，以及从GUI Agent从环境构建，训练，评测多个维度进行拆分讲解，针对当下技术现状，着眼未来的发展趋势。

〇 分享收益 〇

目标：

1、了解GUI Agent的行业需求，benchmark的构建，强化学习中真贴近真实场景的虚拟环境的构建。

2、学习GUI Agent在长程问题优化的主流方案。

成功要点：

 1、构建端到端丰富全面的benchmark，成为企业技术团队会用AI迈向能造AI的关键一步。

 2、设计自动化，更加贴近真实场景，结果可验证的训练数据生成pipeline。

 3、解决优化强化学习阶段奖励稀疏，采样低效的问题

启示：

 1、企业若能够建立更客观的 GUI Agent 能力评估体系，降低任务和训练数据的构建成本，并提高强化学习过程的可靠性。可以推动 GUI Agent 从简单界面操作演示，走向可评测、可训练和可应用的真实业务系统。

2、GUI发展从单环境走向跨平台通用，泛化能力将成为企业选型的核心指标。领域研究从下一步动作预测转向可靠执行、结果验证、执行效率、和可信性。未来状态跟踪、自我探索能力、GUI工具混合执行以及监督，都将是智能体在长程任务中的重要能力。

〇 分享亮点 〇

1、如何把真实业务流程转化为可评测的 Benchmark

2、搭建浏览器与桌面强化环境，训练自动生产GUI任务。

3、强化学习奖励稀疏性问题的优化策略

4、QA

〇 分享简介 〇

多模态大模型已经具备较强的图文理解能力，但进入真实网页环境后，仅能识别“页面是什么”还远远不够：模型还要准确理解控件、属性、空间关系与页面状态，并在多步操作中持续判断动作结果。结合在细粒度图文对齐、开放词汇目标检测和大模型目标检测方面的研究积累。

实际研发中，GUI Agent 最难的不是点中一个按钮，而是任务走了十几二十步以后还能记住目标。页面不符合预期时，它要能发现问题、调整策略，必要时交给人处理；企业内部的流程规则，也需要通过具体样例告诉它。

本次分享以 VisFlow 浏览器智能体典型案例，分享以视觉理解连接无 API 或难改造的业务系统，通过人工演示与样例复用补充企业私有流程知识，以及探究长流程执行中处理定位、规划、反馈、异常和安全控制。从“看懂界面”走向“学会流程、自主完成任务”，总结 GUI Agent 的关键技术路径、真实落地经验与能力边界。

〇 分享收益 〇

目标：

1、理解 GUI Agent 从界面感知到任务完成的核心技术链路。

2、了解如何通过人工演示与样例复用，让浏览器智能体学习企业私有流程。

3、获得长流程任务在稳定性、安全控制和人机协同方面的实践经验。

成功要点： 

1、VisFlow 这类多模态浏览器 Agent 的价值，在于让 AI 从“回答问题”走向“实际操作”，像人一样理解网页并完成点击、输入和跳转，为没有 API 或难以改造的系统提供新的自动化方式。

2、GUI Agent 正在改变传统自动化对固定脚本和系统接口的依赖。VisFlow 通过视觉理解、人工演示和样例复用，把企业已有的操作经验转成可供 Agent 参考的流程样例，减少重复开发和维护脚本的成本。

3、企业不必一开始就追求所有流程完全自动化，可以先从重复度高、规则较清楚的任务做起，在关键环节保留人工确认，再逐步扩展到更长、更复杂的业务流程。

启示：

1、从“固定规则”到“示范学习”，企业可以把员工已经跑通的操作流程录制成样例，让 VisFlow 在处理相似任务时参考，不必为每套系统重新开发接口和脚本。

2、从“辅助操作”到“可控自主”，浏览器 Agent 可以自主规划并执行任务，同时在关键步骤保留人工确认；VisFlow 支持自托管部署，便于企业兼顾数据安全、系统权限和使用成本。

〇 分享亮点 〇

1、GUI Agent 对细粒度多模态理解提出的新要求。

2、VisFlow 从页面理解、任务规划到操作执行的技术实践。

3、基于人工演示和样例复用的流程学习机制。

4、真实业务任务中的可靠性、安全控制与能力边界。

5、QA

〇 分享简介 〇

GUI Agent 正从"实验室 Demo"走向"真实生产力"，行业关注的焦点也在从"更大的模型"转向"更好的训练范式"。一个明显的趋势是：研究重心正从单轨迹模仿学习，转向多解探索与强化学习反馈闭环——让小参数量的轻量 Agent 也能在真实、多变的图形界面中稳定完成任务。数据表达方式、在自身状态上的学习机制、以及规划与执行的双层反馈，正在成为下一代 GUI Agent 训练框架的核心命题。

今天的 GUI Agent 已经能够在 Demo 中点击按钮，但距离真正替人完成电脑任务，还有一个容易被忽略的差距：我们常常把"专家走过的一条路线"误当成"唯一正确答案"。现实中的 GUI 任务却像一座不断变化的城市，同一个目标可以通过菜单、搜索、快捷键等多条路径完成；小模型如果只接受单轨迹 SFT，容易学会复刻路线，却不会在走偏后重新找路。真正的能力提升，在于把 Agent 从"背路线"训练成"会导航"。

本次分享以 NeurIPS 投稿论文 LiteGUI 为案例，系统呈现"会导航"的轻量 GUI Agent 是如何训练出来的。通篇沿四个层次展开：剖析单一路径 SFT 失效的根本原因，说明轻量模型为何会"复刻路线却不会找路"；研讨多解数据的表达方式，让同一任务的多种可行路径都能被模型学习；讲解 Guided-OPD 让 student 在自己实际到达的状态上学习，而非只模仿专家轨迹；剖析 Multi-solution Dual-level GRPO，为规划与执行建立双层反馈闭环。最后，结合数据生成、评测结果与工程复盘，给出一个核心结论：轻量 Agent 的能力提升不仅取决于参数规模，更取决于是否建立了正确的反馈闭环。

〇 分享简介 〇

目标：

1、理解 GUI Agent 为什么不能只模仿一条专家轨迹

1、并掌握多解探索、On-Policy Distillation、双层奖励和反馈闭环的设计思路。

成功要点：
1、GUI Demo 跑通不等于研究系统成熟。环境、评测、数据治理和实验管理会决定智能体后续迭代速度。
2、Agent 的核心资产不是单个模型，而是能持续把失败转化为数据、指标和训练反馈的闭环。

启示：

LiteGUI 通过多解动作集合、Guided-OPD 与 MD-GRPO 三层设计，让轻量 Agent 在自己的状态上学习、在规划与执行两个层面获得反馈，并以自动化轨迹生成和 Lite-Bench 评测闭环支撑，最终从"复刻路线"进化为"自主导航"。

〇 分享收益 〇

1、 GUI Agent 不是“识别按钮”，而是在动态界面中持续完成任务。
2、单一标准答案会误伤合理探索：同一目标可以有多条可行路径。
3、Guided-OPD：让 student 在自己的状态上学习，reference 是导航而不是必须照抄的答案。
4、MD-GRPO：用宏观奖励判断“方向对不对”，用微观奖励判断“这一步走得好不好”。
5、 多解数据是方法成立的前提。
6、从 Demo 到研究系统：数据生成—训练—评测—失败归因—反馈回收。
7、结论：别再问 Agent 能不能复刻专家路线，要问它能不能在变化的电脑世界里找到可行路线、完成任务，并从失败中继续学习。

8、QA

〇 分享简介 〇

多模态Agent已经是大厂必争赛道。全球产业正全面转向轻量化原生多模态 Agent 赛道，OpenAI GPT-4o 采 用统一端到端架构，实现图文音视频实时交互；字节 Seedance 依托豆包基座打通多模态长视频理解与自主创作；开源 MOVA 混合视觉专家架构完成音视频同步生成。行业共识清晰：统一多模态评测基准、搭建安全对齐与伦理管控体系，打通虚实空间交互链路，打造低幻觉、高实时、高可信智能体生态，传统分阶段拼接式多模态方案逐步淘汰，原生统一训推、长时序视频建模、多智能体自主协同成为核心攻关方向。

异构算力下多模态Agent是必由之路。其作为多模态 Agent 规模化落地核心支撑，可重点攻克端到端多模态编码融合、跨模态特征对齐、长时序记忆模块、视频上下文建模等难题，依托软硬协同算力优化降低推理时延、补齐长序列感知短板，同步覆盖多模态智能体自主规划、工具调用、循环执行全链路机制，解决现有产品决策不稳定、时序理解薄弱等共性痛点。这些均是端到端应用和持续创新的企业发展战略方向。

本次分享围绕原生多模态统一训推架构、智能体协同执行、行业落地体系展开深度分享。帮助参会从业者提升多模态 Agent 认知决策能力，强化跨模态智能体执行稳定性与场景泛化水平。整套技术体系可快速适配终端、工业、数字交互等垂直领域，形成标准化落地流程，大幅降低多模态智能体开发部署成本，持续推动通用多模态 Agent 规模化落地，赋能各行业全链路智能化升级。

〇 分享收益 〇

目标：

结合 GPT-4o、Seedance、MOVA 等主流多模态 Agent 案例，输出底层技术逻辑与落地方法论，为同行企业轻量化多模态智能体研发、算力融合、商业化落地提供可落地借鉴，规避架构割裂、长视频理解差、幻觉突出等行业通病。

成功要点：

依托原生统一多模态训推架构，搭建标准化评测与安全伦理管控体系；通过异构算力优化跨模态特征对齐，搭配长时序记忆模块攻克视频上下文建模难点；分层设计智能体自主协同机制，保障工具调用、连续决策稳定可靠。

启示：

1、标准化技术框架可快速适配各垂直行业，加速可信多模态 Agent 生态规模化商用。

2、统一多模态底座缩，将减少研发迭代成本，软硬协同算力实现高实时、低幻觉交互；对于完备安全体系，均可提升产品公信力。

〇 分享亮点 〇

1、剖析多模态 Agent 技术与产业落地前景

   1）原生多模态 Agent 时代趋势分析

   2）核心难点分析

2、统一多模态训推架构实现端到端解决方案

3、原生一体化建模行业最佳实践

4、长远思考：自主进化的虚实融合多模态智能 Agent 生态

5、QA

〇 分享简介 〇

视觉技术正经历从“看懂图像”到“理解世界”的范式跃迁。以 ViT 为代表的视觉基础模型，通过大规模预训练解决特征提取与通用表征问题。而视觉语言模型 VLM 在此基础上引入语言对齐与跨模态推理，使视觉系统不仅能描述所见，还能理解语义、回答提问、执行指令。这一演进的核心逻辑是：视觉不再孤立存在，而是与语言深度耦合，从感知走向认知。

高效训练视觉基础模型和视觉语言模型一直都是业界关注的方向，MVT 系列和LLaVA-OneVision系列正是从这个点出发给业界的参考方案。同时深入探索视频的本质结构，核心思路是摆脱均匀抽帧与暴力堆算力，利用视频Codec信号，只对真实变化建模。这样既降低训练与推理成本，又让模型真正理解时间维度上的动态语义。

本次分享聚焦自研视觉基础模型MVT系列从1.0到2.0的演进及其在LLaVA-OneVision-2.0中的核心作用。MVT以聚类判别替代对比学习构建通用视觉底座；MVT 2.0借鉴视频Codec思想，将视觉信号解耦为上下文帧与运动残差，以Codec-Stream Tokenization配合3D-RoPE实现长视频与空间推理统一建模，赋能LLaVA-OneVision-2.0在视频基准上显著领先。完整呈现从"看得清"到"看得细"再到"看得懂时间"的技术闭环。

〇 分享收益 〇

目标：

1、了解视觉大模型ViT和视觉语言模型VLM的训练方法和技巧

2、掌握高效视频理解的新思路

3、学习一套可自由复现和使用的LLaVA-OneVision系列全开源训练框架（数据、代码、编码器），利于社区可复现、可改进。

成功要点：

将视觉模型演进路线和发展思路贯穿系统，可以拥有一条降低长视频理解成本的具体技术思路，可直接评估并迁移到自身业务场景中。

启示：

MVT系列和LLaVA-OneVision系列的数据和算法说明模型效果提升不仅来源于盲目扩大数据和算力，更可以是对问题本身结构的洞察。

〇 分享亮点 〇

1、 MVT系列视觉大模型的发展历程

2、 全开源模型LLaVA-OneVision-1.5技术和效果

3、 全帧率视频理解模型LLaVA-OneVision-2.0，时序动作定位、快速运动计数有显著优势

4、QA

〇 分享简介 〇

Small VLM的核心命题是在大幅压缩参数量的前提下，保留企业场景所需的多模态理解能力。当前的技术路径主要围绕架构轻量化、量化与推理优化、视频理解的专门化设计。Small VLM的工程实践也正在形成一套可复用的方法论，核心是“用小数据、小算力、短周期完成从通用到专用的转化”。

视频理解能力的突破正在推动Small VLM从“单点工具”向“业务基模”演进，这一路径包括任务级嵌入、流程级整合、业务基模的形成。尤其是随着多模态模型进入真实业务，仅凭单项任务指标，难以判断模型是否具备应用价值。Small VLM还需同时面对模型规模、视觉信息处理、推理时延和部署成本的约束。

本次分享以视频异常理解（VAD）和视频时空定位（STVG）两项专项研究为案例，将解析高难度视频任务中积累的数据构造、训练和评测经验；重点分享Small VLM（SVLM）业务基模的建设实践，围绕图片、视频和文档等输入，讨论Grounding、OCR、多模态问答与Agentic能力的组织方式，以及CPT、SFT、数据配比和分层评测等关键问题，并结合业务场景说明模型落地时需要关注的效果、时延、资源占用和系统协同。

〇 分享收益 〇

目标：

1、剖析VAD、STVG与Small VLM的不同定位，以及专项研究如何为业务基模提供数据、训练和评测方面的依据。

2、围绕能力定义、数据组织、训练策略、评测设计和工程约束，给出判断Small VLM业务可行性的思路。 

成功要点：

1、VAD和STVG等高难度视频任务，可以检验模型是否真正利用视觉证据、理解时间关系和空间位置。要得到可信结论，任务定义、数据质量和评测方法必须与目标能力相匹配。

2、SVLM训练中，数据质量、任务配比、CPT与SFT的职责划分，以及强化学习、在线蒸馏等后训练方法，都要结合目标能力验证。简单扩大数据量或模型规模，未必能解决基础能力问题。

3、模型进入业务系统后，仍需验证私有数据适配、推理时延、资源占用、跨芯片推理适配性，以及面向OCR、Gounding和Agent等应用场景进行改造。

启示：

1、专项研究要服务更多业务场景，数据、训练和评测经验需要一并沉淀并验证。

2、业务基模的任务和数据应围绕可复用能力组织，并根据应用场景确定模型与业务系统的分工。

3、Small VLM的方案选择应同时考察模型效果和工程成本，评测基准结果还需要结合公开Benchmark与业务验证集。

〇 分享亮点 〇

1、背景与整体思路

2、VAD与STVG等视频理解专项研究

3、SVLM业务基模研发实践：数据、CPT/SFT、训练与评测

4、SVLM业务场景应用与工程落地

5、经验总结与Q&A

〇 分享简介 〇

随着营销渠道、经营数据和内容形态持续增长，营销决策本身虽早已涉及多平台、多指标和多素材协同，但现有智能化能力仍主要分散在数据分析、内容生成、投放优化等单点环节。企业对大模型的期待，正从局部提效工具升级为以业务目标为主线，能够跨模态理解、跨系统协作，并持续规划、执行和反馈的长程 Agent。

然而，投放数据、视频图像、音频文案与广告平台相互割裂，传统工作流仍依赖大量人工串联。智能营销的关键不是简单叠加模型和工具，而是以长程 Agent 为决策主干、以跨模态能力为感知基础。将不同模态信息与展示、点击、转化、留存等效果数据连接起来；再由 Agent 持续维护目标、约束和任务状态，编排真实业务流程，并以人机协同方式降低执行风险，形成从洞察到行动、再到反馈学习的可控营销闭环。

本次分享将以智能营销Agent实践，通过解决长程Agent维护目标、约束和任务状态，编排数据分析、跨模态创意理解与归因、投放策略、内容生产、审核发布和效果反馈；重点研讨多模态语义对齐、结构化标签、异步任务、质量门禁、幻觉与因果边界、人机协同等问题，并给出从“模型能力”建设走向“可控营销决策闭环”的方法与落地实践。

〇 分享收益 〇

目标：

1、学习建立跨模态长程 Agent 的整体认知，

2、理解长程 Agent 以营销目标为主线，连接数据分析、创意归因、策略制定、内容生产、投放发布和效果反馈，以及掌握跨模态能力在各环节中的作用。

成功要点：

智能营销 Agent 不能只关注大模型对话或内容生成效果。真正的落地难点在于：多模态信息对齐、结构化结果约束、跨系统任务状态、异步流程、幂等与重试、质量评测、归因边界、权限控制和人工确认。只有把模型能力、Agent 编排、业务规则和执行系统统一起来，才能形成稳定可靠的长程工作流。

启示：

1、企业建设智能营销 Agent，应从高价值、可评估、可闭环的业务目标切入，先打通“数据洞察—创意理解—策略决策—业务执行—效果反馈”的最短主链路，再逐步提升自动化程度。

2、跨模态能力应成为 Agent 的感知基础，Agent 则应承担目标管理、证据组织和决策控制，最终形成可解释、可干预、可持续优化的人机协同体系。

〇 分享亮点 〇

1、智能营销从单点智能走向长程 Agent

分析营销数据、内容和平台日益复杂带来的行业痛点，说明智能营销为什么需要从数据分析、AIGC等单点工具，走向以业务目标为主线的长程决策闭环。

2、跨模态长程 Agent 的总体架构

介绍 Agent 如何持续维护营销目标、约束、计划和任务状态，并通过 Skills、工具及业务系统，编排数据分析、创意归因、策略制定、内容生产和投放执行。

3、跨模态创意理解与效果归因

介绍视频、图像、音频、ASR文本和营销文案的联合理解，以及如何通过多模态标签体系连接展示、点击、转化、留存等投放数据，形成可解释的创意贡献分析。

4、从营销决策到内容生产与投放发布

展示 Agent 如何将数据洞察和归因结果转化为投放决策与素材策略，进一步驱动AI工具生产脚本、图片、视频和文案，并经过审核确认完成投放发布。

5、工程实践、评测体系与未来演进

讨论长程任务中的上下文管理、异步执行、异常恢复、质量门禁、权限控制、人在回路等，并结合端到端案例介绍系统评测方法及持续反馈、自适应决策的发展方向。

6、QA

〇 分享简介 〇

广告是产品触达用户、传递价值和推动增长的重要入口，但广告创作也普遍面临素材需求量大、创意消耗快等挑战。随着多模态模型与智能体技术进入内容生产流程，相关的 AIGC 应用正从主要解决素材制作效率问题，走向支撑创意探索、规模化生产与反馈迭代的完整创作体系。广告创作的竞争重点也逐渐从扩大素材供给转向提升优质素材的稳定产出与持续迭代能力。

因此，我们通过 Harness Engineering 和递归自我改进等技术，一方面提升生成过程的稳定性与可控性，另一方面探索让智能体基于创作过程和投放反馈自主决策、持续学习，逐步沉淀并迭代创意方法论。具体而言，在制作环节，利用 Harness Engineering，以人工设计的生产框架为基础，将模型、工具和质量控制机制组织成可追踪的工作流，从而提升剧本结构理解、分镜生成等关键环节的整体效果；在创意理解与迭代环节，我们尝试通过递归自我改进，完成候选创意的生成、评价与筛选，并将人工判断与投放反馈转化为下一轮创意生成与方法更新的依据，使创意生成过程中的决策能力得到持续增强。

本次分享将围绕创意的理解与洞察、广告素材的可控生成、投放反馈驱动的持续迭代三个方面展开，并结合我们在游戏广告的实践，介绍智能体技术如何参与实际广告业务中的创意探索和内容制作，并分享对广告创作未来演进方向的思考。

〇 分享收益 〇

目标：

1、了解 AIGC 在广告创意中的典型应用与实践路径，为不同行业的AI从业者提供参考借鉴

2、认识 Harness Engineering、递归自我改进等智能体技术在创意理解、可控生成和反馈迭代中的作用，并获得将智能体能力应用于内容创作与业务流程的思路和启发。

成功要点：

1、创意理解是生成的基础。 只有将创意洞察与业务经验持续沉淀，智能体才能生成更符合场景需求的广告素材。

2、稳定与可控是业务落地的前提。 Harness Engineering 可以将模型、工具、知识与评估机制组织成稳定的创作流程，降低生成的不确定性。

3、反馈闭环决定系统能否持续进化。 将创作过程与投放反馈用于递归自我改进，能够推动智能体持续积累并迭代创意方法论，不断提升创意生成过程中的自主决策能力。

启示：

1、AIGC 的竞争重点将逐步从单一模型能力，转向系统工程、经验沉淀与闭环学习能力。

2、广告创作将从单点工具辅助，走向能够理解创意、可控生成并持续自进化的智能体协作模式。

〇 分享亮点 〇

1、广告创作的行业背景与 AIGC 的应用机会和挑战

2、创意理解与洞察：创意的解构、分析与积累

3、广告素材的可控生成：Harness Engineering 驱动的稳定性与可控性

4、投放反馈驱动的持续迭代：递归自我改进与创意智能体的决策能力进化

5、QA

〇 分享简介 〇

企业级智能体正从“回答问题、生成名单”走向参与业务决策，竞争焦点也从单次生成效果转向能否持续理解业务、基于证据作出判断，并让结果可验证、过程可治理。对企业而言，商机决策智能的价值不只是提升找客效率，更是把分散在数据、系统和销售经验中的判断沉淀为可规模化复用的决策能力，让有限的销售资源更早聚焦真正值得跟进的机会。

企业服务中的深度拓客，难点不在于搜索到更多相关企业，而在于如何在信息不完整、交易证据稀缺、企业主体与联系人关系复杂、销售窗口持续变化的条件下，识别真正值得跟进的商机，并形成可行动、可验证的决策依据。

本次分享将结合拓客、智评、查企业和标讯等真实业务实践，围绕“企业 × 需求 × 交易角色 × 证据 × 时机”建立商机判断，并形成下一步行动建议；结合以任务规划为起点，组织多路径自主发现，并通过生成与验证分离、面向最终 Top-N 结果的评价机制建立可信推理闭环；在这一过程中，Agent Team 支撑复杂任务的分工协作，Harness 保障长链路稳定执行，分层 Memory 则持续积累和复用 ICP、业务知识与人工纠错经验。

〇 分享收益 〇

目标：

1、获得一条贯穿业务问题定义、决策对象建模、智能体执行、运行时治理与评测反馈的体系化落地路径

2、掌握可迁移至其他企业服务决策场景的关键方法、工程经验与适用边界。

成功要点：

商机决策智能体能否落地，关键不在于简单串联搜索、模型和多个 Agent，而在于先把“什么是值得销售跟进的商机”定义为可验证的决策对象，并让发现、核验和 Top-N 评价都受到证据约束。Agent Team 的分工只有与 Harness 运行治理、评测反馈和 Memory 经验复用形成闭环，才能把一次性结果转化为稳定、可持续改进的业务能力。

启示：

企业级 Agent 的核心壁垒不会只来自模型本身，更来自对业务判断的结构化沉淀，以及围绕证据、运行和反馈形成的系统工程能力。凡是同时存在信息不完整、判断标准复杂和结果需要负责的场景，都可以借鉴这套从决策对象建模到可信闭环的方法。

〇 分享亮点 〇

1、从企业名单到商机决策

    1）企业名单的局限与商机判断难题

    2）商机决策对象、判断标准与销售行动

2、商机决策智能体的自主发现

    1）目标理解、任务规划与执行

    2）企业认知与 Agent Team 多路径协作

3、基于证据的可信推理

    1）交易证据、不确定性与判断边界

    2）候选生成、独立验证与 Top-N 评价

4、复杂 Agent 的运行治理与持续改进

    1）Agent Loop 与 Harness 运行治理

    2） 分层 Memory 与评测反馈闭环

5、商机决策智能体的实践验证与演进

    1） 商机决策案例与核心场景验证

    2）适用边界、可迁移方法与演进方向

6、QA

〇 分享简介 〇

大模型重塑采购定价，本质上是将采购从“成本中心”升级为“价值创造中心”。大模型的语义理解与推理能力，为定价这类"数据+知识+推理"密集型任务提供了新解法——让模型读懂商品与供应商，融合库存、销量、对标价等多维数据，生成有依据、可解释的定价建议。

采购价直接决定零售企业的毛利底线。在百万级SKU的规模下，传统采购定价依赖采购员个人经验——对标价难找全、供应商成本结构看不清、议价空间"靠感觉"，定价知识散落在个人经验中，难以沉淀与复用。

本次分享结合京东在采购降本场景的实践，深度研讨从数据口径治理、领域大模型训练（CPT/SFT），到定价智能体落地与人机协同的完整链路，为不同行业与会者提供效果评估与可信性保障的经验和踩坑教训，以精准定价提升决策智能革命、提升全链条供应链的竞争力、韧性。

〇 分享收益 〇

目标：

帮助听众掌握大模型在采购定价这类高价值经营决策场景落地的完整方法论：场景选择、数据准备、领域模型训练、应用架构与效果评估。

成功要点：

1、统一价格数据口径与数据底座建设是一切定价智能的前提；

2、通用大模型+领域继续预训练/微调相结合，让模型真正"懂采购"；

3、定价建议必须可解释、可追溯，采用人机协同而非全自动决策；

4、从小场景快速验证收益，再规模化推广。 

启示：

1、大模型不仅能做问答与内容生成，更能深入企业核心经营决策；"数据体系+领域模型+智能体应用"的范式可迁移到销售定价、库存补货等其他供应链决策场景。

2、大模型重塑采购定价，本质上是将采购从“成本中心”升级为“价值创造中心”。既带来直接的采购成本下降和效率提升，更通过数据驱动的智能决策，在供应商、价格、交期、风险四个维度实现系统性优化，推动供应链从“经验驱动”走向“全局最优”。

〇 分享亮点 〇

1、业务背景：采购定价的行业痛点与降本空间

2、数据底座：采购价/销售价/对标价、库存与销量等数据体系建设与口径治理

3、模型构建：采购领域大模型的继续预训练（CPT）与微调（SFT）实践

4、应用落地：定价建议生成、对标价发现、议价助手等场景与智能体架构

5、可信保障：定价建议的可解释性、评估体系与人机协同机制

6、效果与展望：降本收益、经验教训与下一步规划

7、QA

〇 分享简介 〇

大模型应用上线之后，真正困难的往往不是“让系统第一次跑起来”，而是如何让它持续变好。现实中，许多团队仍依赖工程师逐条分析 bad case、修改提示词、调整参数，再人工检查效果。每换一个业务场景，优化过程几乎都要重新开始，经验难以复用，系统效果也容易在多轮修改中反复波动。

近几年，AI 工程的关注点逐渐从 Prompt Engineering 延伸到 Context Engineering 和 Harness Engineering：从优化提示词，发展到管理上下文，再到设计工具、权限、执行流程和运行环境。但这些方法主要解决的仍是“如何让 AI 更好地完成一次任务”。Loop Engineering 进一步关注的是：如何设计一个能够持续观察运行结果、分析问题、提出改动、验证效果并决定接受或回滚的迭代闭环。

本次分享将以一个真实的金融客服质检系统为案例，拆解自迭代飞轮搭建并运行的实践，涵盖系统从质检结果中发现薄弱环节，让大模型生成针对性的优化方案，进而判断一次修改究竟改善了局部指标还是整条链路。同时，重点研讨一个容易被忽略的问题--当 AI 能够修改自己的代码、规则或执行逻辑时，防止它通过修改测试数据、评测规则或阅卷器来获得“虚假的提升”。

〇 分享收益 〇

目标：

1、展现金融客服质检系统为真实案例，呈现 AI 应用从“人工驱动优化”走向“系统化自我演进”的实践路径。

2、拆解几个实践中最容易被低估的问题：为什么模型已经能够分析 bad case，系统却仍然难以完成有效迭代；为什么局部指标提升后，端到端效果反而可能下降；以及自迭代飞轮为何容易围绕随机波动反复空转。

成功要点：

1、企业需要的不只是一套质检系统的实现方案，而是一套可迁移到智能客服、内容审核、RAG、自动评测和复杂 Agent 等场景的闭环工程视角：哪些能力可以交给模型，哪些边界必须保持确定性，以及确定性的优化过程可验证、可回滚、可审计。

2、自迭代系统的核心风险不是改错,而是改对了指标、改坏了能力。分享将拆解一套判定机制——通过评测权限收敛、变更边界约束和端到端回归验证,识别哪些提升来自真实能力,哪些只是对固定评测的过拟合,并结合真实案例说明每类判断的依据与代价。

启示：

Loop Engineering 并不是简单增加一个 Agent，而是把优化对象从单次调用和单个模块，提升到整个迭代过程的设计、度量与治理。

〇 分享亮点 〇

1. AI 工程为什么正在走向 Loop Engineering

梳理 Prompt Engineering、Context Engineering、Harness Engineering 与 Loop Engineering 的关系，说明为什么应用上线后，仅靠人工调优难以支撑长期演进。

2. 金融客服质检中真正难解决的问题

结合实际案例，分享客服虚构承诺、复杂上下文漏判等典型问题，以及为什么单纯新增规则或修改提示词难以稳定解决。

3. 自迭代飞轮如何运行

展示从建立基线、分析 bad case、定位薄弱环节、生成优化方案，到分层验证、接受或回滚的完整流程。结合实践结果，说明系统通过多轮迭代，将某类典型漏判样例从30例降低到5例。

4. AI 能修改代码时，如何防止它修改考卷

分享三级安全关卡：机器审计冻结测试数据与评测规则，局部快测排除明显错误，全局验收判断是否真正改善端到端业务效果。

5. 三个反直觉的踩坑经验

    不要把随机波动当成系统缺陷；

    不要用局部指标代替最终业务指标；

    不要只选择分数最低的模块优化，而应关注相较历史基线发生退步的环节。

6、QA

〇 分享简介 〇

在企业生产环境中，业务问题通常会收敛在相对稳定的任务范围内，但 LLM 面对同一类问题仍可能选择不同的探索路径，导致准确率、Token 消耗和整体性能存在较大方差。Agentloop轨迹记录了 LLM 对环境的观察、决策、操作和结果反馈，是 LLM 在执行任务过程中与环境不断对齐的完整过程。与 Fine-tuning、RL 通过训练改变模型参数不同。

Agentloop形成的“经验”并不等同于记忆，是对长期记忆的升维。记忆主要保留某次会话或执行中发生的事实与状态，而经验关注任务是如何完成的。它不是对单条轨迹的简单复述，而是从 Agent 的多步执行以及多个相关任务的运行轨迹中，对比成功路径与失败过程，提炼能够跨任务复用的行动方法、工具规则、错误边界和修复策略。记忆帮助 Agent 记住过去，经验则用于指导下一次行动。

从算法视角看，AgentLoop 自进化闭环的方案，可将任务、环境和轨迹特征视为 Key，将经过验证的执行步骤、工具使用规则和错误规避策略视为 Value，把这组 Key-Value 映射看作模型之外可训练、可迭代的“外部权重”。这些经验无需重新训练基础模型，即可通过运行时召回注入 Agent。与此同时，方案优化的模型外部的经验策略层，可从大量历史轨迹中识别同类任务的共同结构，比较不同探索路径，提取高质量执行步骤、显性错误、错误规避方法和失败后的修复策略，并将其组织为可召回的轨迹级 Skill，为 Agent 执行同类型任务时的后续步骤提供指导。

本次分享将展现AgentLoop 自进化闭环的方案，结合多个 Benchmark，解构经验注入前后在准确率、Token 用量和执行稳定性上的变化，分析这种方法快速接入、低训练成本的工程价值。以及应用算法、利用历史轨迹中已经验证过的经验，减少无效探索和重复试错，使同类任务的性能方差逐步收敛，并逼近该任务范围内可观测到的较优执行水平。为Coding场景中减少token消耗、优化任务质量、工具调用和失败风险等，让与会者掌握一种无需训练模型权重的 Agent 全新优化范式。

〇 分享收益 〇

目标：

1、结合用户场景、游戏场景、coding场景的案例，帮助听众掌握一种无需训练模型权重的 Agent 优化范式：从真实运行轨迹中学习“任务状态到行动策略”的外部经验层，并以任务质量、Token、工具调用和失败风险作为联合优化目标。

2、了解Coding场景中减少token消耗；以及一些客服场景，提升客户响应效率的方案的效果。

3、了解如何从历史轨迹中沉淀出有价值的可复用经验资产。

成功要点：

1、积累真实、完整的运行轨迹：不只记录 Agent 最终回答，还要保留执行过程中的决策、工具调用、环境反馈和任务结果，才能判断问题究竟发生在哪一步。

2、从多次执行中提炼稳定规律：经验不能只是对单条成功案例的总结，而要比较同类任务的多次运行，找出反复有效的执行方法、常见错误和修复路径，过滤偶然结果和无效信息。

3、只在合适的任务中使用经验：经验需要有明确的适用范围。系统应根据当前任务、使用工具和执行阶段召回少量相关经验，避免经验过多、经验错配或过度干预模型推理。

4、先验证，再进入生产环境：经验注入可能带来收益，也可能造成性能回退。应先在隔离、可重复的仿真环境中进行对比测试，观察准确率、Token、工具调用和退化案例，验证有效后再灰度应用，并保留回退能力。

启示：

1、Agent 的海量历史轨迹中，通过无监督算法挖掘可复用经验，并将其沉淀为模型外部的长期记忆。算法以准确率和 Token 用量为两大北极星指标，可在不修改模型权重的情况下，使用历史运行数据优化 Agent 后续任务的执行效果与成本为核心目标。

2、经验并不一定始终产生正向效果：不适用、过时或过度泛化的经验，也可能造成性能回退，全新AgentLoop 自进化闭环为验证挖掘出的经验是否有效提供了保障。

3、企业级Agent需要持续性的优化。而大多数企业并不具备训练模型的条件。因而基于历史轨迹的经验总结就是一条可落地的最优路线。

4、AgentLoop 基于仿真环境的对比测试方案，在隔离、可重复的环境中复现任务和工具状态，分别运行未注入经验与注入经验的 Agent，对比准确率、Token、工具调用、性能分布和回退案例。以此既能验证经验的真实收益与适用边界，也能避免直接在生产环境试验对外部系统造成不可逆修改。

〇 分享亮点 〇

1、企业 Agent 从 Demo 走向生产的核心挑战
2、基于运行轨迹的 Agent 自进化算法与端到端技术方案
3、AgentLoop 轨迹挖掘与在线经验注入最佳实践
4、仿真评测、Benchmark 验证与性能回退分析
5、长远思考：让 Agent 在行动前预演——从轨迹经验到可执行世界模型
6、QA

〇 分享简介 〇

具身智能正成为人工智能从数字世界走向物理世界的关键方向。当前，产业竞争正从单点机器人能力加速转向具身基础模型与通用智能体体系建设。随着视觉—语言—动作模型（VLA）、世界模型、仿真平台和机器人本体快速发展，具身智能已具备从环境感知、任务理解到动作生成的端到端能力。然而，真实世界数据采集成本高、有效轨迹稀缺、长尾场景覆盖不足，以及仿真与真机之间存在差异，仍然制约着具身智能的规模化落地。如何构建覆盖数据生产、模型训练、仿真评测和真机反馈的完整闭环，已经成为行业实现持续突破的核心方向。

打通从数据到真机的自进化闭环，是具身基础模型持续提升能力的必由之路。该体系以高质量、多来源数据为基础，融合互联网数据、仿真数据、遥操作数据，构建自动化的数据采集、清洗、标注与筛选机制；依托具身多模态大模型与世界模型，实现对环境状态、任务目标和动作结果的联合建模；通过仿真训练、真机评测、失败案例挖掘和困难样本回流，不断发现模型能力边界并推动迭代优化。由此形成“数据生产—模型训练—仿真验证—真机部署—反馈回流”的自进化链路，重点解决数据利用效率低、仿真到现实迁移困难、复杂任务泛化不足及真机执行稳定性不高等共性难题。

本次分享将围绕具身智能从数据到真机的自进化闭环展开深入解析。内容涵盖具身数据体系建设、基础模型预训练、VLA 与世界模型协同、仿真和真机评测，以及真机反馈驱动的持续迭代机制。通过对关键技术路径与实践经验的系统梳理，帮助参会者理解具身智能模型如何从海量数据中学习，在仿真环境中训练验证，并通过真实机器人运行数据持续发现问题、优化能力，最终形成可扩展、可迭代、可落地的具身智能研发体系，推动机器人从完成单一任务向跨场景泛化和自主进化持续演进。

〇 分享收益 〇

目标：

1、围绕具身智能从数据生产、基础模型预训练、仿真验证到真机部署和反馈回流的完整链路，提炼可复用的技术逻辑与落地方法论，为企业建设具身基础模型、数据引擎及机器人研发平台提供实践参考。

2、帮助行业规避数据质量不高、训练与部署割裂、仿真到现实迁移困难、真机试错成本高及模型迭代效率低等共性问题。

成功要点：

1、构建覆盖人类数据、仿真数据、遥操作数据和真机数据的统一数据体系。

2、协同具身VLA 与世界模型，增强机器人对环境、任务和动作结果的联合建模能力。

3、打通仿真训练、真机评测、失败案例挖掘和困难样本回流链路，以真实任务反馈持续发现模型能力边界。

4、建立统一的评测指标与安全验证机制，保障模型在复杂场景中的泛化能力、执行稳定性和部署可靠性。

启示：

1、数据不是模型训练的一次性投入，而是具身智能持续进化的核心资产。只有形成数据生产、模型训练与真机反馈相互驱动的闭环，才能不断提升模型能力上限。

2、仿真与真机不是彼此独立的研发阶段。以仿真降低训练和试错成本，以真机数据校正仿真偏差，能够有效缓解从仿真到现实的迁移难题。

3、具身智能的规模化落地不能只依赖模型参数增长，还需要数据引擎、模型架构、评测体系、机器人本体和部署工程协同优化。

〇 分享亮点 〇

1、面向具身基础模型的多源数据体系构建

2、具身基础模型预训练的关键方法与技术

3、仿真与真机一体化评测体系

4、QA

〇 分享简介 〇

Agent 正从以单次 Prompt 为中心的交互工具，走向以 Loop 为核心的软件工程闭环。一次回答、一次代码生成或一次任务执行不再是终点，Agent 需要围绕目标持续经历理解、计划、执行、验证、反馈、修正和交付。衡量 Agent 的标准也在从单次生成质量，转向任务完成率、长程稳定性、结果可验证性和失败可恢复性。

真实的软件交付本质上是一个持续演进的有状态过程，无法依靠更长的 Prompt 或更强的一次推理自然完成。要让 Agent 真正进入团队工程流程，需要用 Harness 把目标、任务、上下文、Agent、代码、测试、证据和人的反馈组织进同一个循环：Loop Engineering 让执行、反馈和恢复持续运转，Long-Horizon 保证跨阶段、跨会话的状态不断线，Agent Harness 则承载多 Agent、多 Provider 的协作、治理与可观测性。

本次分享会结合 ZaoFu 的实践，从 Loop Engineering、Long-Horizon 和 Agent Harness 三个方向，讨论如何把 AI Agent 从单次对话工具，组织成可观测、可验证、可恢复、可协同的软件交付系统。重点不是“怎么让 Agent 写代码”，而是：Agent 写完代码之后，系统如何持续追踪状态、接收反馈、触发验证、处理失败，并进入下一轮执行。

〇 分享收益 〇

目标：

1、理解 Coding Agent 从“会写代码”到“能参与软件交付”之间缺的系统能力。

2、了解 Long-Horizon Agent 系统中状态、上下文、验证和恢复的设计方法。

3、看到 Multi-Agent / 多 provider 协同时，为什么需要统一任务契约和证据协议。

4、获得一套 Agent Harness 的工程化参考：EventLog、Task State、Trace、Evidence Gate、Recovery Loop

5、了解真实落地中常见问题：返工膨胀、上下文断裂、假完成、重复执行、不可观测失败

成功要点：

1、Loop Engineering让 Agent 的执行、反馈、验证和恢复形成持续闭环，而不是停留在一次调用。

2、Long-Horizon让跨多阶段、多角色、多轮上下文的软件任务保持状态连续、证据连续和责任连续 。

3、Agent Harness把 Codex、Claude、OpenCode等不同 Agent 接进统一目标、任务契约和团队协作流程中 。 

启示：

企业不应再把 Agent 的失败简单归因于模型能力，而是能够从目标、上下文、状态、验证、反馈和恢复等环节定位系统缺口，并把一次性的 Prompt 交互升级为可持续交付的软件工程闭环。

〇 分享亮点 〇

1、Coding Agent 会写代码之后最新的瓶颈

    单次 prompt 不等于软件交付，真实任务需要持续状态、验证和协作。

2、Loop Engineering：Agent 系统为什么必须有闭环

    分享 state、event、trace、feedback、recovery 如何构成执行闭环。

3、Long-Horizon：长程任务为什么容易失败

    分享上下文丢失、任务漂移、重复返工、假完成、卡住无法恢复等问题。

4、Agent Harness：将 Agent 接进工程流程

    囊括：目标契约、任务拆解、多 Agent 协同、工具边界、证据门禁和人机分工。

5、ZaoFu 实践：从任务执行到交付闭环展示

    涵盖： Web、Feishu、Kanban、Trace、Loop、Run Manager 如何协同

6、经验教训：哪些能力必须系统化

    涵盖： event log、attempt ledger、workflow spine、evidence gate、recovery policy、observability。

7、未来判断：AI 原生软件工程会走向哪里？

    从单 Agent 工具，走向可治理的 Agent Harness 和团队级 AI 交付系统。

8、QA

〇 分享简介 〇

大模型正在重塑软件研发，AI Coding 已显著提升个人编码效率，但需求澄清、方案评审、环境准备、测试发布仍依赖多人串联，个人提效尚未转化为组织提效。

基于字节内部大规模研发实践，我们持续研究 Spec 驱动、多 Agent 协作、沙箱执行、质量门禁、可观测与评测等 Agentic机制，打通企业身份、权限、VPC、代码仓库和生产环境，并将其沉淀为基于 AgentKit 的 DeliveryAI。

本次分享将剖析个人提效与组织提效之间的效率鸿沟，以需求为中心、以 Spec 为人机共同合约，让 Agent 持续推进从澄清、开发、测试到发布的全链路，人只在风险、异常和关键决策点介入，与此同时，总结研讨企业从监督自治迈向高度自治的渐进式落地路径。

〇 分享收益 〇

目标：

1、帮助听众理解研发智能化的竞争焦点为何正在从“单点代码生成”转向“端到端自主交付”

2、获得一套可用于评估和规划企业 Agentic需求流程建设的框架和最佳实践。

成功要点：

1、以 Spec 和项目上下文作为人机共同合约，先解决目标、边界、依赖和验收标准不清的问题。

2、把需求、人工节点与 Agent 节点编排在同一流程中，明确每个节点的输入、工具、输出、证据、责任人和停靠条件。

3、依托 AgentKit 的身份权限、沙箱运行、Skills/MCP、观测与评测能力，使 Agent 的执行可控、可审计、可复现。

4、不追求一步到位的无人化，而是从小场景和关键门禁起步，以交付周期、一次通过率、人工介入率和缺陷等证据逐步提升自治等级。

启示：

企业引入 AI 的核心，不是多采购一个 Coding 工具，而是重构协作与交付方式。只有基于AI驱动的流程提效，才是真正的组织提效。通过“一条需求、一份 Spec、一条证据链”，将流程、规范、知识、Agent 与成功经验沉淀为团队资产，才能把个人提效稳定转化为组织吞吐、交付质量与持续进化能力。

〇 分享亮点 〇

1、效率鸿沟：为什么 AI 已经会写代码，需求交付仍然受阻——编码之外的对齐、评审、环境、测试与发布成为新瓶颈。

2、范式迁移：从 AI Coding 到 Agentic Delivery；从工具辅助、单 Agent 协作，走向多 Agent 编排与监督自治。

3、组织提效方案：DeliveryAI 如何成为面向产研团队的 Agent 原生需求自动化交付平台，并与企业现有需求系统、代码仓库和协作工具协同。

4、核心方法：以 Spec 为人机共同合约，以项目上下文保证一致理解，以流程节点定义输入、输出、证据和责任。

5、技术底座：AgentKit 如何提供模型与 MCP 网关、身份权限、沙箱运行、Skills、可观测和评测等生产级能力。

6、全链路实践demo：需求澄清 → Spec 生成与确认 → Agent 编码与测试 → 环境与部署 → 验收与结果回写；人只在关键节点决策。

7、落地建议：选择边界清晰、验收标准明确的高频场景先跑通，再沉淀流程模板、Agent、Skill、知识与失败经验，逐步推广至团队。

8、QA

〇 分享简介 〇

随着LLM大模型能力不断增强以及Agent技术逐步成熟，在软件研发领域，AI能带来极大研发效率提升已经成为行业共识。当下，轻量化、简单场景下的 AI 编码辅助已实现规模化落地，但行业普遍面临核心痛点：当研发场景从简单需求迭代走向大型、复杂、长链路的 PRD 需求交付时，AI 智能体无法适配企业级复杂研发场景的稳定性、规范性、可控性等要求。

CodeWave作为一款软件智能研发平台产品，在交付客户过程中发现，用户侧随着PRD规模逐步增大，AI幻觉越发明显，AI Agent产出软件的质量越发下降与不可控，时间和费用消耗越发上升；平台侧用户PRD场景多样、对话形式多样，AI Agent在不同场景下能力参差不齐，能力边界难以界定，测试也较为困难，对于上线后AI agent能力迭代难以建立稳定快速的支撑体系，造成AI agent能力迭代效率低下；同时，由于缺乏稳定的知识体系，会造成AI Agent业务理解不足、企业内规范难遵守，一些问题持续犯错等。

本次分享将以客户侧交付实际情况，融合网易CodeWave AI编码智能体在的技术落地应用实践，帮助与会者学习企业侧落地AI编码智能体的经验、能力。

〇 分享收益 〇

目标：

1、了解CodeWave云端一站式智能研发平台的完整实践

2、了解大型PRD场景下的SDD Harness建设实践，包含需求工程、技术设计、编码与测试验证等部分，旨在以最小的成本与时间消耗基础上获得最大的准确率

3、了解数据驱动的智能体能力评测与迭代体系建设实践。包含benchmark评测体系构建、标准制定、链路监控、线上数据回流、问题聚类、问题智能分析与修复推荐等技术，旨在帮助企业最大化提升Coding Agent迭代效率与稳定性

4、了解知识工程建设实践，包含知识的沉淀、存储与检索等技术，旨在通过稳定可靠的知识底座建设，提升Coding Agent性能与准确性

5、了解AI编码智能体隔离运行环境Sandbox建设实践，旨在隔离AI编码的不确定性带来的潜在安全隐患

成功要点：

1、依托 CodeWave 云端一站式智能研发平台，通过SDD Harness 全流程治理体系、数据驱动评测迭代、结构化知识工程、安全沙箱隔离环境的多层架构落地，系统性解决了大型复杂PRD场景下AI编码智能体幻觉频发、输出不可控、迭代低效、规范不统一、运行不安全的行业痛点，实现研发质量、交付效率与工程稳定性的全方位可控提升。

2、通过覆盖需求、设计、编码、测试的全链路标准化治理与数据闭环迭代机制，企业能够以更低的试错成本与时间损耗，持续放大AI编码智能体的落地价值，真正实现大模型研发能力从“可用试跑”向“稳定可量产”的工程化跃迁。

启示：

1、Agentic 时代下的智能化研发落地，并非单纯依赖大模型能力堆叠，而是需要依托流程约束、数据评测、知识底座、安全隔离的体系化建设，才能有效消解大模型的不确定性，支撑复杂企业级研发场景的规模化落地。

2、AI Coding Agent 的长效迭代能力，核心来源于标准化的数据闭环与结构化的知识沉淀，企业唯有搭建可持续回流、可量化评测、可智能修复的工程体系，才能持续提升智能体的准确率与稳定性，构建长期的智能研发核心竞争力。

〇 分享亮点 〇

1、为什么我们要做高码 + SDD

2、一站式云端智能研发平台介绍

3、大型PRD场景下的SDD Harness建设实践

4、数据驱动的智能体能力评测与迭代体系建设实践

5、知识工程体系建设实践

6、智能体运行隔离环境sandbox建设实践

7、总结与展望

〇 分享简介 〇

随着大模型能力从代码补全、问答辅助进入任务规划、代码修改、验证执行和跨系统协同，研发场景中的AI协同方式正在发生变化。开发者开始把更多完整任务交给Agent处理，自己更多参与目标和结果决策。各个Agent工具的关注点也从单次生成效果，逐步扩展到任务过程可追踪、结果可验证、异常可恢复，以及经验是否能够在团队内复用。

在生产级研发任务中，Agent面对的环境远比Demo场景复杂。需求描述可能不完整，代码库上下文分散，执行链路涉及多个系统，权限、安全、质量和协作流程都需要纳入考虑。如果缺少任务规划、执行约束和验证机制，Agent很容易停留在个人经验和单点工具层面，难以稳定支撑团队级研发活动。复杂任务托管后的稳定性、可控性和可复制性，已经成为企业落地Agentic研发体系时需要优先解决的问题。

本次分享将结合百度在Coding Agent与泛工作智能体方向的实践，拆解Plan/Spec/Goal模式的驱动开发、Harness验证闭环、Skill能力沉淀、长程任务编排、多系统工具接入等方面的经验。分享在工程方法和落地过程，包括提升Agent执行复杂任务的稳定性，把个人经验、业务流程和私域知识沉淀为团队可复用能力，以及将Coding Agent中验证过的方法迁移到文档、会议、运维、协同等泛工作场景，为企业构建更可控、更易复用的智能体研发能力提供参考，推动研发效能从个体提效走向组织级规模化提升。

〇 分享收益 〇

目标：

1、学习Coding Agent在生产级研发任务中的主要挑战，包括需求理解偏差、上下文缺失、执行过程不可追踪、验证不足和异常恢复困难等问题

2、了解Plan/Spec/Goal驱动机制在复杂任务拆解、方案确认和阶段执行中的使用方式，帮助开发者从逐行编码转向任务设计、过程判断和结果验收

3、 了解Harness验证闭环把测试、Lint、CI/CD、独立评估和阶段检查纳入 Agent 执行流程，提升任务过程的可检查性和稳定性

4、 了解Skill体系沉淀业务流程、工具调用方式、私域知识和优秀个人经验，让分散经验变成团队可复用、可维护、可传播的能力

5、了解长程任务编排和跨系统工具接入的实践方式，支撑Agent处理需求管理、代码托管、知识库、会议、运维、CI/CD、即时通讯等多系统协同任务

6、 了解Coding Agent中验证过的工程方法，迁移到泛工作场景实践，为企业推进研发智能化、流程自动化和知识资产沉淀提供参考

7、了解Agentic时代个人效率与组织能力之间的关系变化，思考超级个体经验如何被发现、沉淀和放大。

成功要点： 

结合复杂任务从“交给Agent做”到“可稳定托管”的关键环节，可以看到Skill、Harness、长程编排等机制，这些是降低智能体落地过程中的不确定性的关键。百度在Coding Agent、智能体工具接入和泛工作场景中的实践，给出了，有效重点输出企业落地Agentic研发中，可参考的工程方法和组织经验。

启示：

企业解决智能体落地过程中任务不可控、上下文不足、验证缺失、流程割裂、能力难复用和组织协同效率不足的问题，是推进研发智能化、流程自动化和知识资产化的必经之路。

〇 分享亮点〇

1. 复杂研发任务中的Agent工程化治理体系、Skill体系与组织能力沉淀

2. 研发场景外使用AI的探索

3. 超级个体如何为组织贡献更大收益，组织如何发现更多超级个体，组织需要适应这一变化的转变

4. Q&A

〇 分享简介 〇

当下软件研发正从User Experience迈向Agent Experience，代码智能体从辅助编码工具演变为自主主体，深度介入需求、编码、验证、运维全生命周期。但在意图传递、上下文工程、验证体系上仍存在巨大鸿沟，Agent在错误方向上越跑越远的失败案例屡见不鲜。

本分享基于华为云码道内部数百位重度Agent用户深度访谈与跨行业实践，系统提出“从UX到AX”范式跃迁框架，围绕代码仓理解、Spec-Driven Development、Skill沉淀、多智能体协同四个工程抓手，提炼L1到L4能力演进路径，并融入Agentic Software Engineering规模化验证与能力公式。内容既面向开发者的日常Coding实践，也覆盖平台工程与研发效能体系化建设，为团队提供可落地的转型路径。

〇 分享收益 〇

目标：

1、为研发团队提供Agent时代软件研发组织转型和能力升级的可落地路径。

2、帮助团队在从DX到AX的范式跃迁中找到清晰方向。

成功要点：

Coding Agent的工程化落地拥有四个工程抓手（代码仓理解/SDD/Skill沉淀/多智能体协同）的实战经验与落地方法，其意图传递鸿沟导致的失败案例反思，以及L1到L4能力路径的梯队建设方法、能力公式揭示的体系化竞争逻辑，都是帮助平台工程赋能研发效能体系建设的关键。

启示：

从DX到AX不是工具升级而是范式跃迁，竞争重点从模型能力转向上下文、验证、安全、治理的体系能力。与此同时，工程师核心价值从写代码转向定义意图、设计约束、建立标准、承担责任，企业终局观是Intent定义万物，Agent实现万物，Software连接万物。

〇 分享亮点 〇

1、开场：从UX到AX——为什么不是工具升级，而是范式跃迁

1）DX到AX主线：开发者体验→智能体体验

2）核心论点：Coding从“人写代码”走向“人指挥Agent写代码”

2、模块一·四年四阶段：Coding智能体演进路线

1）行级续写→文件级辅助→跨文件Agent→Agent中心时代

2）单人单日10亿Token真实数据与AX概念引入

3、模块二·失败案例：为什么自然语言远远不够

1）“把首页加载时间从3秒降到1秒”的过度工程案例

2）“getUserList接口重构”的意图歧义案例工程化缺口：意图、上下文、验证

4、模块三·四个抓手：开发者如何“为Agent打工”
1）代码仓理解：AGENTS.md让Agent读懂代码与工程约束
2）Spec-Driven Development：把意图、边界与验收讲清楚
3） Skill沉淀：把团队经验变成可复用Agent能力
4） 多智能体协同：做“指挥家”，不要做“配音演员”

5、模块四·角色重塑：从Coder到指挥家，从DX到AX
1） 三个角色：设计者、指挥家、裁判
2）L1-L4能力演进路径

6、模块五·面向未来：短期、中期与未来

7、QA

〇 分享简介 〇

当前，AI Coding 领域正经历从“辅助编码”向“Agentic AI 全自动编程”的范式跃迁。随着 AI Native、Harness、Loop Engineering 等新概念的涌现，企业在享受代码产出效率指数级提升的同时，也面临着如何重构研发流程、最大化人机协作产能的深刻痛点。开发者亟需跳出传统思维，探索适应技术演进的新工作模式。

当下Agentic AI的种类和形态总多，从常见的CLI、IDE，到形如Codex的多功能工作台，还有被OpenClaw带火的“数字员工”型助手，如何正确的选择这些工具是许多企业开始向AI Coding转型遇到的第一道难题。

基于对 Qoder 团队内部实战经验的复盘，本次分享将打破理论空谈，从“用 Qoder 创造 Qoder”的独特视角出发，深入剖析 AI Agent 在真实研发场景中的落地路径。我们将展示 AI 如何重塑需求分析、代码生成及测试验证的全链路，揭示提升研发效能的关键杠杆。旨在为行业提供一套可复制的 AI 原生开发方法论，帮助团队在智能化浪潮中找准定位，实现从“工具使用者”到“智能架构师”的思维转型与能力升级。

〇 分享收益 〇

目标：

1、学习从传统研发向 AI Native 研发转型的企业和团队提供实战借鉴。

2、认识 Agentic AI 工具的种类和在实战中的选型思路。

3、构建以 AI Agent 为核心的新型研发工作流，实现研发效能的指数级跃升。

成功要点：

1. 成功完成工具与流程的融合，不仅在于引入了先进的AI工具，更在于将AI Agent无缝嵌入到需求拆解、代码生成、自动化测试及 Code Review 的全生命周期中，形成闭环。 

2. 企业理解不同 Agent（如 Qoder IDE、Qoder CLI、Qoder CloudAgent、QoderWake）的适用场景，熟悉Agent 工具的各种形态，方便灵活运用Agentic 来解决实际问题。

3. 开发者心智模型的转变，有助于企业开发人员从“代码编写者”转型为“AI代码审查者与架构设计者”，建立良好的人机协同信任机制与工作流程。

启示： 

深刻理解 AI Native 时代的开发者能力模型变化，有助于提前布局个人与团队的技术栈升级，避免在技术浪潮中掉队。

〇 分享亮点 〇

1、趋势观察：从 Copilot 到 Agentic AI 的演进

2、实战揭秘：Qoder 开发者的“作战装备”和工作方式

3、方法论探讨：正确的工具，正确的时机，做正确的事

4、开发者进化：AI 时代的开发者能力模型与未来展望

5、问答环节

〇 分享简介 〇

金融软件研发行业普遍存在痛点问题，采用AI代码补全工具，代码片段采纳率看似可观，但因缺少统一设计约束，生成代码与业务、合规要求偏差较大，代码入库落地率偏低；同时各类AI辅助工具零散，缺少统一规范约束，标准建设与智能工具相互割裂，无法从源头解决研发低效、安全合规等风险问题。

现阶段多数企业主要研究单独落地AI代码工具或技术编码规范，缺少二者互补协同的落地思路，少有机构通过规约资产联动轻量化Skill技能，实现代码生成质量长效提升的完整实践案例。

本次分享深度结合SDD与Skill互补双轮增效模式，涵盖SDD沉淀标准化详细设计规约模板，从上游统一业务设计逻辑，大幅提升AI生成代码合规度与可用性，切实拉高代码入库率；轻量化Skill承接SDD标准，实现规范自动校验、文档总结、逻辑隐患自查等轻量化辅助能力，推动研发办公场景减负，为金融同业以及关注效能升级的与会者，提供参考路径。

〇 分享收益 〇

目标：

1、通过沉淀金融专属详细设计规约、通用编码模板资产，从上游统一业务设计标准，减少AI生成代码偏差及幻觉问题。

2、落地一批轻量化实用Skill，实现技术规范自动校验等，以低成本、可落地的方式完成研发体系升级。

成功要点：

传统的智能代码补全（氛围编程）无法适配金融严苛合规与业务逻辑，本次分享旨在提供行业可复用的新思路，打破规范体系与智能工具割裂的现状，为同业解决AI编码范式落地、代码质量提升的共性难题思路参考。

启示：

规格驱动编码可显著提升AI代码可用性与入库转化率，保障研发质量；轻量化Skill能够降低重复工作量。二者互补落地，实现金融研发质量提优、效率提速、人员减负的三重价值，是适配金融研发、可规模化推广的智能研发新路径。

〇 分享亮点 〇

1、分析行业核心痛点

    1）通用代码补全采纳率高、入库率低，缺少业务与规格约束，生成代码可用性差

    2）金融研发合规严、设计不统一，缺乏标准化设计资产

    3）智能工具零散、不成体系，质量与效率无法同时兼顾

2、核心理念：SDD与轻量化Skill互补双轮模式

    1）SDD规格驱动：管源头、管质量、管标准，沉淀详细设计规约模板资产

    2）轻量化Skill：管效率、管辅助、管落地

    3）两者非强依赖、互补增效，适配规模化落地

3、关键落地实践经验

    1）沉淀通用设计规约、编码模板资产

    2）通过SDD规范约束，大幅提升AI生成代码准确性、入库率

    3）建设轻量化Skill生态，实现规范自动检查、逻辑隐患识别、工作总结提效等

4、洞察落地效果与启示，为行业软件研发提供「规格筑基+轻量智能增效」可复制落地范式

    1）质量提升：从源头减少不规范设计与缺陷代码

    2）效能提升：AI代码入库转化率显著提高

    3）体验提升：轻量化技能降低重复评审检查工作量

5、QA

〇 分享简介 〇

AI 正在经历从数字世界走向物理世界的四级跳：2023 年的 Chat 交付回答，2024–2025 年的 Code 交付代码，2026 年的 Work 开始交付可直接使用的成果，下一站 Physical，则要交付能在现实世界稳定运行的产品。

这条跃迁路径在硬件上遇到了真实鸿沟：生成一段单片机代码只约占五分之一的工作量，其余五分之四是设备联网、产品模  型、多端状态同步、设备身份、全球 OTA 等工程底座。硬件又天然不可回滚、烧录的是实物、错误会随量产扩散。因此，AI 硬件的瓶颈多数不是模型问题，而是工程问题。

本次分享将以涂鸦沉淀十年积累的设备、云运行时、OTA、产品模型与全球接入能力，变成 AI 可复用的工程底座，并拆解 Tuya Cobuilder 与硬件 Harness 如何通过 Tools、Hooks、Skills、Prompt 四层架构，把物理事实、工程规则和领域经验沉淀为平台资产，促进 AI 从生成代码走向可运行、可验证、可交付的真实设备，最终推动单品智能走向生活方式智能。让 AI 产出能够完整落到物理世界。

〇 分享收益 〇

目标：

1、建立 AI 从 Chat、Code、Work 到 Physical 的产业演进框架，理解 AI 硬件的真实鸿沟。

2、看清 AI 硬件的工程本质：模型产出只占少部分工作量，设备、云、OTA、身份与状态同步才是完整交付链路。

3、学习涂鸦十年工程底座与 Cobuilder 的价值：让 AI 产出能够完整落到物理世界。

4、掌握硬件 Harness 的四层架构、落地规矩、工程闭环与跨行业迁移方法。

成功要点：

1、Physical AI 的关键不是更会生成，而是更可靠地交付。 现实世界不可回滚、错误会随硬件扩散，AI 必须接入确定性事实源与工程闸门。

2、从代码到硬件产品，依赖成熟的工程基础设施。 设备联网、产品模型、多端状态同步、设备身份、全球 OTA 等能力，应沉淀为可复用底座，而不是每次重建。

3、Harness 是 AI 进入硬件研发的控制面。 Tools 负责原子执行，Hooks 负责工程拦截，Skills 沉淀领域工作流，Prompt 聚焦意图理解与任务分发。

4、真正值得复用的是这套 Harness 路径。 企业可以先找到业务里的确定性事实源，再把专家动作沉淀成 Skills，把高风险规则前置成 Hooks；这套方法不一定依赖涂鸦平台，各行业都能用来搭建自己的可靠 AI 工程体系。

启示：

未来 AI 硬件的核心壁垒不再是通用模型参数，而是事实、约束、场景与生态。庞大的 IoT 资产是 AI 进入真实世界的跳板；谁能把工程复杂度封装成平台能力，谁就能让 AI 穿过 Demo，持续交付可运行、可量产、可复制的物理世界产品。

〇 分享亮点 〇

1、产业跃迁：AI 硬件的真实鸿沟

    1）演进四级跳：Chat（2023，ChatGPT，交付回答）→ Code（2024-25，Copilot / Cursor / Claude Code，交付代码）→ Work（2026，豆包工作 / 千问办公 / WorkBuddy）→ Physical（下一站，交付能在现实世界运行的产品）

    2）真实鸿沟：生成一段硬件代码只占约 1/5 工作量；其余 4/5 是工程底座——设备联网、产品模型、多端状态同步、设备身份、全球 OTA

    3）硬件三特性：不可回滚、烧的是实物、错误随硬件扩散（一万台=一万份）

    4）落点：这些没有一项是模型问题，全部是工程问题

2、涂鸦十年底座与 Cobuilder 全貌

    1）底座价值：过去靠大量工程师手动搭建的全球工程基建（设备/云运行时、OTA、模型标准、全球接入），如今成为 AI 稳定运行的现成底座

    2）定调：这个赛道比的不是谁的模型强，是谁能把 AI 的产出完整落到物理世界

    3）Cobuilder 全貌：一站式接管「产品定义 → 硬件开发 → App 面板 → 小程序 → 智能体编排 → 量产流程」

    4）下钻切入：今天先看最硬核的一环——硬件开发与 Harness 架构

3、Cobuilder 与智能硬件 Harness

    1）破题：AI 为什么总停在 Demo——缺真实物理约束与确定性事实源

    2）四层架构职责边界：Tools 原子执行能力（接线、编译、烧录）；Hooks 工程闸门与约束拦截（强校验、生成前核对）；Skills 领域工作流沉淀（品类标准动作编排）；Prompt 意图理解与任务分发。不展开具体引脚、命令与实现细节

    3）落地实例·给 AI 立的规矩：唯一事实源（接线记录）、写入必校验（协议/电气/冲突）、生成前闸门（首周实测拦截 138 次）、产物绑定快照

    4）我们踩过的坑：预检失败占全部失败 67%、9 人平均失败 10 次的重试形态。

    5）工程闭环：从创意到可运行设备；跨行业迁移与工程验收方法

4、从单品智能到生活方式智能

    1）三大演进（工程化表达）：场景沉淀为可复用资产、能力解耦封装为组件、依托生态网络低门槛复制

    2）跨界打通：跨品类、跨区域、跨行业的规模化落地

5、展望：AI 与物理世界的融合

6、Q&A

〇 分享简介 〇

大模型能力的跃迁正在重塑人机协作的形态：AI 不再只是问答工具，而是开始以数字同事的身份进入组织的日常协作流。行业共识逐渐清晰——单点模型能力已不是瓶颈，智能体能否在真实协作环境中长期可靠地工作，取决于模型之外的Harness工程体系。

数字员工落地企业 IM，挑战本质上是工程问题：语境感知缺失、信息噪声干扰、记忆难以沉淀、复用与隔离矛盾。

本次分享提出面向 IM 的 Agent Harness 方法论，围绕上下文供给、任务编排、记忆管理、边界治理四个工程平面，阐释一个身份、跨群工作的系统设计思想，以及从个人助手走向长期可信数字员工的演进路径。

〇 分享收益 〇

目标：

1、建立智能体落地的系统认知：理解 IM 场景下智能体面临的工程挑战谱系，识别模型问题与工程问题的边界，知道为什么模型变强了但数字员工依然水土不服。

2、掌握 Harness 架构方法论：学习模型之外的工程体系设计——上下文供给、任务编排、记忆生命周期与权限治理的架构思想，理解编排层的可靠性决定了智能体的可用性。

3、学习三平面解耦的治理哲学：能力共享、配置挂载、记忆隔离，让多群复用与信息隔离从矛盾走向统一，实现一个身份跨群工作。

4、理解在线轻、离线重的分工架构：在线层保证响应时效，离线层保证知识质量，兼顾交互体验与长期记忆深度。

5、获得从能用到可信的工程化路径：以确定性、可见性、规则化为设计原则，构建可解释、可审计、不越界的生产级数字员工。

成功要点：

数字员工进入 IM 群是行业共同趋势，但如何在群里长期可靠地工作缺少系统性方法论。大多数团队把模型 API 接进群里，能回答单轮问题，却无法感知语境、沉淀记忆、守住边界；遇到问题只能归因于模型不够聪明，无法度量、排查、改进智能体的群内行为——这正是缺少方法论的痛点：没有工程体系，就没有可观测、可演进、可信赖的数字员工。

启示：

数字员工得以从能回答的演示态，走向长期可信的生产态。工程体系让智能体的能力可持续演进：能力以引用方式挂载，一处升级全群生效；记忆通过全量记录与离线巩固持续沉淀；确定性、可见性与规则化保障，让记忆召回可解释、可审计、不越界。

〇 分享亮点 〇

1、趋势与认知：数字员工进入 IM 的必然性

知识点：AI 从个人助手到数字员工的形态跃迁；进群与在群里可靠工作的本质差异。

2、问题空间：IM 场景的四重工程挑战

知识点：语境感知、信息噪声、记忆断层、复用与隔离——模型能力之外的工程瓶颈。

3、Harness 方法论：模型之外的工程体系

知识点：三平面解耦（能力共享、配置挂载、记忆隔离）；上下文供给与任务编排的架构思想。

4、记忆工程：从记录到巩固

知识点：全量记录与离线巩固的分工哲学；记忆生命周期与可召回性设计。

5、边界治理：确定性可见性模型

知识点：信息边界的确定性保障；不依赖模型推断的权限治理思想。

6、协同架构：多 Agent 分工与协作

知识点：职责化路由与平级执行者；交回式重路由；路由质量作为核心可观测指标。

7、演进路径：从 MVP 到生产态

知识点：单群验证到记忆与隔离完善，再到多渠道团队化的三阶段演进。

8、QA

〇 分享简介 〇

办公智能体正在从单点问答和内容生成，进入能够理解工作上下文、调用数据与工具、连续执行任务并交付成果的新阶段。企业对 AI 的关注，也正从“有没有 Agent”转向“Agent 能否进入生产”：竞争焦点不再只是模型能力和 POC 效果，而是任务可靠性、系统连接、权限治理、成果验收、能力复用和投入产出。

许多办公 Agent 项目在 POC 阶段表现出色，进入真实企业后却遭遇任务边界不清、数据与系统难接入、执行链路不稳定、权限责任难界定、结果无人验收等问题。根本矛盾往往不是 AI “能不能做”，而是企业“敢不敢把真实任务交给它，并把结果纳入正式业务流程”。ToC 产品可以让用户主动适应 AI，ToB 产品则必须让 AI 适应企业的数据、系统、流程与责任体系。

本次分享将从 ToC 与 ToB 的差异出发，拆解办公 Agent 从能力验证走向生产运行、再走向规模复制的关键断点，并结合商汤小浣熊在产品设计与企业落地方面的实践，梳理从真实任务选择、工作流设计、系统接入、权限治理、过程控制、成果验收到能力复用的完整路径，帮助企业判断哪些办公场景真正适合 Agent 化，以及如何让一次成功的 POC 转化为可持续运行的业务能力。

〇 分享收益 〇

目标：

1、学习从真实任务选择、工作流设计、系统接入、权限治理、过程控制、成果验收到能力复用的完整路径。

2、了解办公场景Agent 化转化为企业可持续运行的业务能力。

成功要点：

1、看清办公 Agent 从 POC 走向生产的关键障碍： 理解真实任务定义、数据与系统接入、链路可靠性、权限治理、责任与成果验收、投入产出等核心问题，避免项目长期停留在演示和试点阶段。

2、掌握 ToB Agent 落地的完整方法： 建立从场景选择、任务链设计、数据和工具接入，到过程控制、人工接管、结果验收和规模复用的完整路径，判断哪些办公任务适合交给 Agent。

3、获得产业级办公智能体建设的实践参考： 结合商汤小浣熊的产品设计与项目落地经验，理解如何将通用 Agent 能力转化为可交付、可治理、可运营、可复用的企业级解决方案。

启示： 

对企业管理者和一线员工而言，AI 桌面与办公智能体的核心价值，不是增加一个新的聊天入口，而是让 AI 进入现有工作环境，获取真实上下文、调用日常工具、持续推进任务，并交付可编辑、可追踪、可复用的工作成果。员工因此可以减少信息搬运和重复操作，把更多时间用于判断、决策与创造；企业则可以将优秀个人的工作方法沉淀为可复制的组织能力。

〇 分享亮点 〇

1. 一个“成功”的 POC，为什么后来没人用了？

2. ToC 与 ToB：同样是 Agent，却面对两套落地逻辑

3. 从 POC 到规模化，必须跨过六个断点

4. 商汤小浣熊实践：如何建立一条完整的 AI 应用业务线

5. 生态第二曲线：让 Agent 更快、更深地进入百业千企

6.QA

〇 分享简介 〇

大模型已经能写代码、操作网页和调用工具，Agent 也开始进入用户的真实工作环境。但模型能完成一次操作，不等于它能完成一件工作。到了桌面端，真正影响体验的往往是模型之外的问题：任务上下文散落在多个应用里，操作结果缺少反馈，长任务会被切页、断网和重启打断，用户无法随时接管，最终结果也缺少可靠的验收证据。

这正是桌面 Agent 的"最后一公里"。模型决定 Agent 有没有能力执行任务，桌面产品决定它能不能进入工作现场，持续运行，接受人的控制，并交付可以验证的结果。桌面 Agent 从"能用"走到"好用"，靠的不是一次更漂亮的模型回答，而是四个闭环都能稳定运行。

1、上下文闭环让 Agent 获得当前任务真正需要的信息，同时，隔离无关内容。

2、行动与观察闭环让 Agent 根据页面、日志、控制台和网络请求判断下一步，而不是把工具调用成功当成业务成功。

3、控制与恢复闭环让用户可以授权、介入、停止和回退，也让长任务在切页、断线和重启后继续。

4、验证与交付闭环把验收清单、截图、GIF、测试结果、代码 diff 和 PR 连接起来，使完成状态有据可查。

这套方法也恰恰帮助团队改进 Agent 的方式。问题不再统一归因于"模型不够聪明"，而是可以定位到具体环节。上下文不完整就修供给链路，操作后没有反馈就补观察信号，状态无法恢复就修任务运行时，结果无法确认就补验收契约。系统因此能够被度量、排查和持续改进。

本次分享基于 WeaveFox Desktop 的产品与工程实践，提出面向桌面 Agent 的四个闭环：上下文闭环、行动与观察闭环、控制与恢复闭环、验证与交付闭环。通篇围绕任务而不是消息的产品设计，讲解项目、工作区、记忆和能力的作用域划分，多种 Agent 引擎的统一运行体验，长任务的状态连续性，以及 Harness 验证如何把一句"完成了"变成可回查的交付证据。

〇 分享收益 〇

目标：

1、建立桌面 Agent 的系统认知：理解模型能力与产品工程的边界，知道为什么 Agent 已经会调用工具，用户仍然需要补完大量工作。

2、掌握四闭环设计方法：学习上下文供给、行动与观察、控制与恢复、验证与交付的系统设计，判断一条任务链在哪个位置断开。

3、理解以任务为中心的运行架构：认识任务、会话、项目、工作区和记忆的不同作用域，理解多种 Agent 引擎如何共享一致的任务状态和交互规则。

4、学习人在回路中的控制设计：把权限审批、补充信息、停止、重试、撤销和恢复做成明确机制，让用户不必盯着 Agent，也不会失去控制。

5、获得从演示到生产的落地路径：通过验收清单、运行证据、代码评审、PR 和事项回写，让 Agent 的结果可解释、可复查，也能进入团队已有的研发流程。

成功要点

1、 Harness 不是某个测试工具，而是模型之外的一整套工程约束。它让 Agent 知道去哪里工作，如何观察结果，什么时候请求用户介入，失败后怎样恢复，以及用什么证据证明任务已经完成。

2、桌面 Agent 已经能修改文件、执行命令和操作页面，但这类能力很容易制造一种错觉：只要继续增加工具，Agent 就会自然变得好用。真实情况恰好相反。工具越多，任务链越长，状态丢失、权限越界、误操作和结果不可验证的问题就越明显。

启示

1、多数产品仍以聊天消息组织 Agent。它们能展示模型输出，却很难回答更关键的问题：任务现在运行到哪里，刚才的操作是否成功，用户能否中途接管，应用重启后如何继续，Agent 凭什么宣布完成。问题发生后，团队往往只能调整 Prompt 或更换模型，无法定位到底是上下文、执行环境、状态管理还是验收链路出了问题。

2、 WeaveFox Desktop 通过一条真实研发任务，拆解 Agent 接收事项、进入隔离工作区、修改代码、启动应用、观察页面、根据失败信号继续修复、执行验收、提交 PR，并把结果写回事项。这将被看到每个产品能力在任务链中的位置，也能理解背后的工程取舍。

〇 分享亮点 〇

1. 趋势与认知：Agent 正在从回答问题走向完成任务

1）大模型能力提升带来的产品形态变化；聊天助手与工作 Agent 的区别；2）为什么桌面端会成为 Agent 进入真实工作环境的重要入口。

3）核心判断：模型决定能力上限，桌面产品决定任务完成率。

2. 问题空间：从"能用"到"好用"的四处断点

1）上下文进不来、行动后看不到结果、长任务无法持续、完成状态缺少证据；工具调用成功与业务任务完成的差异。

2）典型问题：Agent 已经修改代码，用户仍要启动应用、复现问题、检查日志、截图、提交 PR 和回写事项。

3. 上下文闭环：让 Agent 进入正确的工作现场

1）任务上下文、项目知识、历史会话和个人记忆的分层；任务、项目、工作区的作用域；Skill、MCP 和 Plugin 的能力挂载；为什么上下文管理首先是边界设计。

2）工程原则：稳定信息复用，临时信息隔离，大内容按需读取，能力按任务类型挂载。

4. 行动与观察闭环：工具调用之后发生了什么

1）文件、终端、浏览器和原生应用的协同；页面结构、截图、控制台、网络请求和运行日志如何构成观察信号；结构化工具与 Computer Use 的使用边界。

2）工程原则：每次行动之后都重新读取环境状态，根据真实结果决定下一步。

5. 控制与恢复闭环：让长任务持续，但不失控

1）以任务而不是消息组织运行状态；后台执行、重连和启动恢复；权限审批、用户问答、停止和重试；文件撤销、代码 Rewind、Git 快照和 worktree 隔离。

2）工程原则：自主执行降低人的操作频率，可逆性降低人的接管成本。

6. 验证与交付闭环：Agent 凭什么说"完成了"

1）开发前生成验收清单；Harness 按验证点执行并保存截图、GIF、日志和结果文件；失败后修复并复验；Code Review、PR、事项回写与发布流程的连接。

2）工程原则：自然语言总结不是验收证据，完成状态必须由可观察信号支持。

7. WeaveFox 实践：一条任务如何走完整个交付链

1）从 Studio 或 Dima 事项进入项目，在隔离工作区修改代码，启动 WeaveFox Desktop，操作页面复现问题，根据失败信号继续修复，执行验收，生成证据，提交 PR 并回写结果。

2）案例重点：展示 Agent 如何发现第一次修改不完整，以及系统如何支持继续修复，而不是只展示一次成功结果。

8. 工程总结：怎样判断一个桌面 Agent 是否真正好用

9、QA

〇 分享简介 〇

Agent正从“对话问答”迈向能够理解业务目标、规划任务、调用系统并交付结果的企业级智能体。供应链业务横跨计划、采购、订单、仓储、运输和履约等多个环节，数据分散在不同系统，业务规则隐藏在流程和人员经验中，异常处理又依赖多岗位协同。传统业务系统擅长记录和执行固定流程，但难以理解动态任务；通用大模型虽然能够理解自然语言，却缺少企业业务语义、实时数据、操作权限和责任边界。因此，许多智能体项目仍停留在知识问答或局部提效阶段，尚未真正进入供应链执行链路。

供应链智能体建设的关键，不只是选择更强的模型，而是建立一套能够理解业务、连接系统、编排任务并控制风险的工程体系。我们将其概括为“AgentOS＋本体＋数字员工”：AgentOS 提供智能体注册、意图识别、任务编排、模型调度、记忆管理、工具调用、运行观测与安全治理等公共能力；本体描述订单、商品、库存、仓库、运力等业务对象，以及对象之间的关系、状态、规则和可执行动作；数字员工则面向具体岗位和场景，将业务目标、本体知识、标准流程、Skill、MCP 工具、记忆空间和权限边界装配为可以承担实际任务的业务角色。

本次分享将围绕企业级供应链智能体的建设路径，深入研讨供应链价值链和岗位任务中识别高价值场景，通过本体把业务语言转化为智能体可理解、可判断、可执行的语义模型，以及依托 AgentOS 组织订单、仓储、运输等领域智能体和岗位数字员工。与此同时，以订单履约异常为例，拆解数字员工从理解问题、查询数据、判断影响、跨域协同到人工确认、系统执行和结果回执的完整过程，并讨论权限分级、工具白名单、敏感操作确认、审计追溯和运行评估等生产级治理问题。

〇 分享收益 〇

目标：

1. 重新认识企业级供应链智能体：它不仅是一个自然语言交互入口，更是能够理解业务目标、连接供应链系统并推动任务闭环的新型执行系统。

2. 理解 AgentOS、本体、业务域智能体与岗位数字员工之间的关系，建立完整的供应链智能体架构认知。

3. 掌握从供应链价值链、岗位职责和业务异常中筛选高价值智能体场景的方法。

4. 了解如何利用本体描述业务对象、关系、状态、规则和动作，使智能体能够在统一业务语义下进行判断与执行。

5. 掌握数字员工的装配方法，理解业务角色、Skill、记忆、MCP 工具、权限和评估机制如何组合。

6. 获得一套从场景定义、业务建模、能力接入到灰度发布和持续运营的企业级智能体建设路径。

 成功要点：

1、供应链数字员工能否进入核心业务，取决于业务、数据、系统和治理能否形成闭环。建设时应优先选择完成标准明确、重复频率较高、信息分散且协同成本较高的任务，将专家经验和业务规则沉淀为本体与 Skill，通过 MCP 接入可信的实时数据和系统操作，再利用 AgentOS 统一管理智能体的身份、任务、记忆、工具和运行状态。

2、数字员工的职责边界必须与岗位责任边界保持一致。查询、分析、建议、写入和不可逆操作应采用不同的风险等级；关键业务动作由人员确认，系统记录完整的判断依据、工具调用和执行结果。只有同时做到任务可完成、结果可核验、调用可控制、过程可审计，智能体才具备从演示走向生产的基础。

启示：

1、企业建设智能体，真正需要沉淀的不是一组孤立的 Prompt，而是可以持续复用的业务资产，包括本体模型、业务规则、标准流程、Skill、MCP 工具、权限策略、评测用例和运行数据。

2、本体的价值不只是构建知识关系，更重要的是为人、智能体和业务系统建立共同的业务语言，让数字员工知道业务对象是什么、当前处于什么状态、应遵守哪些规则以及可以执行哪些动作。

3、数字员工的价值不能只用回答准确率或节省工时衡量，还应考察任务成功率、结果可靠性、业务风险、异常恢复能力和单位任务成本。

4、企业智能体的长期竞争力来自“人＋数字员工”的协同体系。AI 可以承担信息收集、规则校验、初步判断和流程执行，业务人员负责目标设定、例外处理、关键决策与责任确认。

〇 分享亮点 〇

1、企业级 AI 的演进：从知识问答走向业务执行

    知识点：分析企业 AI 从“能对话”“能调用工具”到“能够承担岗位任务”的演进过程，以及供应链为什么是智能体进入核心业务的重要验证场景。

2、供应链智能体面临的现实难题

    知识点：供应链计划、采购、订单、仓储、运输和履约环节中的系统割裂、数据分散、规则复杂、异常频繁与跨岗位协同问题。

3、企业级供应链智能体的整体架构

    知识点：统一交互入口、AgentOS、业务域智能体、岗位数字员工、MCP 服务与供应链业务系统之间的分层关系和职责边界。

4、AgentOS：支撑数字员工运行的企业级底座

    知识点：智能体注册、意图识别、任务规划、智能体路由、模型调度、上下文管理、记忆管理、工具编排、运行观测、评估与安全治理。

5、本体：让智能体真正理解供应链业务

    知识点：如何描述订单、商品、库存、仓库、供应商、承运商和运力等业务对象，以及对象之间的关系、状态、规则、事件和可执行动作。

6、数字员工：从通用助手走向岗位化业务角色

    知识点：数字员工的业务目标、岗位职责、任务范围、知识与记忆、Skill、MCP 工具、权限边界和任务完成标准。

7、 能力装配：连接知识、流程与业务系统

    知识点：使用 Skill 沉淀专家经验和标准作业流程，通过 MCP 将 OMS、WMS、TMS 等系统能力转化为可发现、可授权、可调用、可审计的工具。

8、 场景实践：订单履约异常的跨域协同闭环

    知识点：数字员工如何完成意图理解、订单查询、库存核验、仓内作业分析、运输状态判断、异常定位、处理建议、人工确认、系统操作与结果回执。

9、安全治理：让数字员工能够执行且不越界

    知识点：身份继承、最小权限、工具白名单、读写风险分级、参数校验、敏感操作确认、结果过滤、异常恢复和全链路审计。

10、从单场景验证到规模化建设

    知识点：如何按照“选场景、建本体、定角色、接能力、沉流程、设边界、做评测、灰度发布、持续运营”的路径，逐步沉淀可复用的供应链智能体资产。

11、实践总结与交流

    知识点：供应链数字员工建设中的关键判断、适用边界、常见误区与后续演进方向。

12、QA

〇 分享简介 〇

2026年，“智能体”从概念走向现实。Gartner预测当年40%的企业应用将内置AI Agent。然而MIT报告显示，约95%的企业级生成式AI试点未产生可衡量收益；毕马威数据表明，88%的企业已部署Agentic AI，仅24%能在多用例中实现回报。企业面临的  早已不是“要不要用AI”，而是“AI进了组织，却没能融入组织”。

AI瓶颈不在模型能力，而在于“组织兼容性”。大多数Agent至今未真正进入企业核心业务流，根本原因是企业没有为Agent准备好“工位”。真正需要解决的是：把高度依赖人工的工作流门槛降下来，让AI从“个人助手”升级为“可托付的数字同事”。

本次分享将从组织、业务、场景、数据四个维度，系统阐述Agent Native组织级AIGC落地的完整框架与实践路径。全部内容源自真实的企业落地经验与客户验证，为正在推进AIGC规模化的团队提供可参照的路径。

〇 分享收益 〇

目标：

1、建立“Agent Native组织”的系统认知——AIGC落地不是技术项目，而是组织能力升级。

2、提供从单点提效到组织智能的完整路径：战略判断→场景选择→架构设计→数据治理→规模化部署。

3、面对“知道要做AI，却不知做成什么形态、如何规模化”的困境，提供真实验证的四维框架。

成功要点：

1、部署Agent前先完成组织AI就绪度评估。小步快跑，从2-3个价值明确、数据基础好的场景切入，快速验证迭代，是一种极其有效的先诊断后开方策略。

2、Agent能否长期可靠工作，取决于模型之外的上下文供给、任务编排、记忆管理、边界治理四重工程体系，这是工程体系成败的根因。

启示：

1、Agent Native不是在传统业务中补AI，而是在AI逻辑下重构产品、流程与组织本身。

2、组织治理必须走在规模之前，同步构建“评测-防护-审计”三位一体闭环治理体系，方能助力组织级Agent Native 转型能力。

3、“Agent工位”（身份、权限、工具、记忆、责任）是管理命题而非技术命题。

4、组织上下文供给是规模化落地的“最后一公里”，没有高质量的组织上下文，再强的模型也无法做出正确决策。

〇 分享亮点 〇

1、认知重构：从Copilot到Agent Native

    1）AI进化的三个台阶：Chatbot（会对话）→ Copilot（辅助工作）→ Agent（自主执行）

    2）Agent Native组织：不是在传统业务中补AI，而是在AI逻辑下重构一切

    3）行业真相：88%部署率 vs 24%回报率

2、IT组织落地框架

    1）组织级视角——为Agent准备“工位”

      * “Agent工位”五层次：身份、权限、工具、记忆、责任

      * 360“All in Agent”：每位干部必须推动AI重构核心流程

      *组织就绪度评估：流程、数据、权限、文化四维诊断

    2）业务口径视角——从“工具预算”到“业务增长预算”

      * 价值锚点三级跃迁：工具预算→人力预算→业务增长预算

      * 场景选择三原则：高数字化基础、低合规门槛、ROI可量化

      *实例：某头部家电品牌AI导购打通线上线下营销链路

    3）具象场景视角——从Demo到生产级落地

      *场景化Agent设计要点：价值明确、流程成熟、数据基础好

      *多Agent协同架构：主从路由、共享工作记忆、分层加速

      *实例：美的荆州工厂获全球首个“智能体工厂”认证，14个Agent覆盖38个核心场景

      * 实例：企业1万+Agent与13万+员工协同，财报差旅申请及报销流程从30分钟缩至3分钟

    4）数据治理视角——AI就绪的数据底座

      *三大挑战：上下文缺失、知识断层、治理缺位

      *AI就绪数据底座：知识治理+上下文工程+分层知识体系

      *实例： “数据治理平台+AI大模型平台”双平台底座

    5）规模化路径与治理体系

      * 三阶段演进：单点验证→能力沉淀→规模化部署

      *治理三大支柱：技术护栏、商业护栏、治理护栏

      * 从“能用到可信”：确定性、可见性、规则化

3、QA

〇 分享简介 〇

AI Native转型不仅是技术升级，更是对业务、流程、组织乃至商业模式的根本性重塑。这场变革的核心，在于将AI从“附加工具”转变为驱动一切的核心“操作系统”。AI 研发能力的演进大致经历三个核心阶段：Prompt Engineering（人写提示词驱动模型）、Context Engineering（人为模型准备上下文）、Agentic Engineering（把研发流程做成可重复、可验证、可回退的闭环系统）。前两个阶段难以单独解决金融级、全行业性交付问题。

金融业AI应用当前正经历着从单点智能到AI编码平台，再到可独立承担交付任务的Agent的形态跃迁。当前多数银行仍停留在个人效率工具阶段，面临两个核心痛点：

（1）能力边界不稳定：大模型输出质量存在波动，在边界条件、异常分支或特定业务规则上容易出错，难以直接满足金融级交付要求。

（2）效果依赖个人：同样的工具在不同工程师手中差异显著，模型波动与个人经验波动相互叠加，导致组织级输出不可预期。

这与金融行业合规可控、质量可验证、责任可追溯的硬约束形成张力。不单单是银行，金融业引入AI编码，不能止步于个人提效，必须回答：如何让AI从个人工具进化为可依赖的组织级交付能力。

本分享基于金融业"单点工具 - AI 编码平台 - Harness Agent"路径上的真实实践，分享将 AI 嵌入组织研发流程，构建金融业研发端到端 Agent 智能交付平台，让 AI 在可验证、可回退、可追溯的流程中承担交付执行，让人聚焦于判断、设计与责任承担，整体帮助企业推动组织交付能力向 AI Native 形态演进。

〇 分享收益 〇

目标：

1、为金融业 AI 工程化提供可参照的演进路径：从单点工具、AI 编码平台到 Harness Agent，展示一条从"个人提效"到"组织级交付"的可行跃迁路线。

2、构建一套 Agent 智能交付平台框架：不仅是技术选型，更是一套涵盖流程编排、能力封装、上下文供给、知识飞轮和人机协同的系统性工程方法。

3、回应 AI 落地金融行业的共性顾虑：围绕合规、可控、质量、责任等核心议题，提供将"不可控"装进可验证流程的思路与实践。

成功要点：

1、通过 Harness 三层体系，把 AI 纳入工程化体系，而非孤立使用，同时，将 AI 能力约束在组织可接受的安全区间内，使其成为可重复、可验证、可回退的交付流程的一部分。

2、建立分层知识库，让 Agent 理解银行业务与存量系统，将部门规范、产品业务、项目实现等知识结构化、显性化，解决 Agent"会写代码但不懂业务"的问题。

3、以流程闭环和失败回退机制应对模型波动，不追求消除 AI 输出波动，而是把波动限制在可发现、可修复的局部范围内，防止问题向后续环节扩散。

4、明确人机边界与责任机制：Harness Agent 承担执行层，人守住判断层与关键审批点，形成"AI 辅助、人负责任"的清晰治理结构。

5、从组织视角推动能力建设：把个人经验沉淀为可复用的 Skills 和组织知识资产，降低对个人技巧的依赖，形成组织能力复利。

启示：

1、AI 从辅助个人工具演进为可独立参与端到端交付的 Harness Agent，推动研发模式向 AI Native 形态转型，成为组织能力的升级。

2、通过可验证、可追溯、可回退的工程化机制，使 AI 生成代码满足金融级合规要求，合规不再是效率的对立面，完成合规与效率兼得。

3、沉淀知识资产与复用，把分层知识库与知识飞轮让组织经验从隐性走向显性，支持跨项目、跨团队的持续复用与自我增强。

4、重塑人机协同模式，让人员从重复性执行中释放，转向更高价值的问题定义、方案判断与质量监督，组织整体交付能力获得结构性提升。

5、建立Harness Agent 与 Skills 体系，为后续向更复杂业务场景、更广覆盖范围持续扩展奠定了基础，形成AI规模化能力。

〇 分享亮点 〇

1、问题的提出：单点智能为什么不够

2、跃迁的方向：从单点智能到组织交付级智能

3、解法：Agentic Engineering 与 Harness 工程化体系

4、知识飞轮：让 Agent 理解银行存量系统与业务规则

5、Harness Agent 与人机协同

6、实践与阶段性成果

7、结语与展望

8、QA

〇 分享简介 〇

当前全行业企业全面推进 AI Native 原生数字化转型，行业趋势已从单点 AI 工具应用，升级为业务全流程原生智能化重构。但，目前各行业企业普遍面临共性核心瓶颈：多数 AI 应用仅依赖大模型瞬时上下文能力，缺失长效企业记忆底座，无法持续沉淀、理解专属业务语义。由此衍生两大落地痛点，一是用户侧体验缺陷，无长效记忆导致每次交互需重复沟通，AI 无法形成企业业务认知；二是业务侧能力缺陷，复杂长周期任务执行极易遗忘前置流程与关键信息，任务断裂、执行失败率高。传统会话记忆、向量RAG 记忆方案存在严重的记忆漂移、语义失真、模型幻觉问题，无法支撑企业级 AI Native 规模化落地。

当前，行业 Agent 记忆技术历经三代迭代，原始对话记忆、纯向量RAG 记忆均存在天然工程短板，无法适配 AI Native 业务自治需求，结构化分层记忆成为下一代企业 AI 基础设施的核心研究方向。我们还看到行业普遍存在“重模型、轻记忆”的认知偏差，多数企业盲目堆叠大模型与 RAG 能力，忽视业务语义沉淀的核心价值，导致 AI 转型落地碎片化、无法沉淀数字化资产、难以形成长效业务价值。业界亟需一套标准化、可审计、可进化、全行业通用的企业记忆工程体系。中兴 FlexMem 聚焦 AI Native 转型核心痛点，深耕结构化分层记忆技术，牵头参与行业标准制定，完成多权威评测与多场景落地，形成了可辐射全行业的成熟技术范式。

本次分享以 Agent 记忆作为大模型理解企业业务语义的核心支点，以中兴 FlexMem 为行业标杆范例，全景梳理智能体记忆技术三代演进逻辑，深度拆解全行业企业 AI Native 转型的记忆类共性难题。结合信通院行业标准建设、顶级权威评测成果与多行业落地实践，跳出单一产品技术视角，提炼一套适配全行业、可复制、可落地的企业 AI Native 记忆工程建设方法论，为各行各业企业的 AI 原生转型提供标准化参考蓝图与工程范本。

〇 分享收益 〇

目标

1、面向全行业各类企业，破除“重模型、轻记忆”的 AI 落地误区，帮助企业清晰认知记忆体系在 AI Native 转型中的核心战略地位。

2、为各行各业提供标准化的企业级 Agent 记忆建设思路与工程落地路径，解决企业 AI 落地试错成本高、语义沉淀难、长任务不可控、无法规模化的行业共性问题，助力各行业低成本、高质量完成 AI 原生业务重构。

成功要点

1、记忆技术架构革新，摒弃传统单层记忆模式，采用结构化分层多维记忆架构，区分会话、事实、任务记忆，可帮助企业实现业务语义分类沉淀、精准复用。

2、升级算法体系，完成从单一语义检索、混合维度检索到 ReAct 智能推理检索的迭代，可彻底解决记忆漂移、语义失真问题。

3、建立记忆约束与自进化机制，杜绝模型虚构脑补，实现记忆自动纠错、迭代优化；四是标准化体系建设，依托信通院行业标准、4+顶级认证、多项业界顶尖评测，形成可通用、可验证、可审计的企业记忆工程范式，适配全行业企业落地需求。 

启示

1、无结构化企业记忆，便无真正的 AI Native 原生智能，记忆是大模型持续理解、适配、深耕企业业务的唯一核心支点；

2、传统向量 RAG、原始会话记忆无法支撑企业级 AI 转型，结构化分层记忆是全行业下一代 AI 基础设施的必然趋势。

3、企业AI 落地的核心成本不在于模型迭代，而在于记忆失真、业务断裂、数字资产无法沉淀；第四，标准化、可管控、可进化的记忆工程体系，是各行各业 AI Native 规模化、产业化落地的必经之路。

4、AI Native 转型的核心不是模型能力的堆叠，而是企业专属业务语义资产的长效沉淀与持续迭代。真正的 AI 原生应用，核心是具备“长期记忆、持续认知、自主进化、业务自治”的能力，记忆体系的成熟度，直接决定企业 AI 转型的上限与落地可靠性，是全行业 AI Native 转型的核心底层工程底座。

〇 分享亮点 〇

1、行业战略对齐——全行业 AI Native 转型的核心瓶颈

1）AI Native 转型核心逻辑：从外挂式 AI 赋能，到企业业务原生智能化重构。

2）全行业通用痛点：大模型无长效业务语义记忆，交互重复、长任务失效、业务资产无法沉淀。

3）核心核心结论：Agent 结构化记忆是企业 AI Native 转型的核心工程底座与关键支点。

2、行业技术演进——三代记忆架构定义 AI Native 能力边界

1）第一代原始对话记忆：纯日志存储，无业务沉淀，仅适配简单临时对话，不支持 AI 原生转型。

2）第二代纯向量 RAG 记忆：实现语义召回，但存在语义断裂、记忆漂移、模型幻觉，无法支撑复杂企业业务。

3）第三代结构化分层记忆：可约束、可审计、可沉淀、可进化，适配全行业企业 AI Native 长效自治需求，成为行业新标准。

3、行业标杆范例——FlexMem 全链路可复用记忆工程体系

1） 核心架构：三层多维记忆体系设计，适配全行业对话交互、业务任务、知识沉淀多元场景。

2）存储优化：标准化业务记忆存储结构，解决全行业脏记忆、无效记忆、语义混乱共性问题。

3）算法迭代：检索体系三级升级，ReAct 推理式智能检索提升企业业务语义理解精准度。

4）差异化设计：对话记忆与任务记忆分离建设，适配服务、办公、生产等全行业场景。

5）智能进化：记忆自动纠错、去重、迭代，实现企业 AI 业务认知持续升级。

6）工程优化：Token 轻量化、记忆可视化运营、全链路监控、容灾权限安全体系，适配企业规模化落地。

4、行业权威验证——标准化范式的通用性与先进性

1）场景落地验证：智能客服、智能助手、复杂任务 Agent 多场景落地，适配全行业业务需求。

2）行业标准引领：联合中国信通院牵头制定智能体记忆行业标准，确立 AI Native 记忆建设行业规范。

3） 权威资质认证：国内首批测评、首个信通院 4+最高等级记忆系统认证。

4）业界技术佐证：Locomo、LongMemEval、Beam 三大权威评测集斩获业界顶尖水平。

5）行业价值沉淀：从单一产品能力，升级为全行业 AI Native 记忆建设通用标杆范本。

5、全行业通用——AI Native 记忆转型落地方法论

1） 企业 AI 转型核心顺序：先搭建结构化记忆底座，再落地模型应用与业务场景。

2）全行业通用记忆建设标准：分层化、结构化、可约束、可审计、可自进化。

3）落地核心思路：依托记忆体系固化企业业务语义，实现大模型长效、精准理解业务。

4）行业避坑指南：规避记忆幻觉、语义漂移、任务断裂、资产流失四大落地难题。

6、行业未来趋势——下一代 AI Native 记忆演进方向

1）专项记忆进化：任务记忆、编程记忆深度迭代，支撑企业复杂业务全流程自治。

2）架构形态升级：端云协同记忆架构，适配多终端、全场景 AINative 部署。

3）成本体验优化：极致轻量化 Token 演进，推动全行业 AI Native 低成本规模化普及。

7、QA

〇 分享简介 〇

以意图为中心的交互革新正将AI、AR、VR设备从需要用户刻意“学习操作”的工具，转变为能理解意图、主动服务的智能伙伴。核心变化是从“人控制机器”走向“意图驱动、情境感知、主动协同”。

尤其是随着 AI 技术的普及，传统以 GUI（图形界面）为中心、寻找 App 能力的交互范式面临流程繁琐的痛点，行业亟需向以“意图”为中心的新体验转型。围绕“AI + AR”的硬件融合，深入研究了第一视角数据输入、非结构化口语意图解析及多模态协同机制。

本次分享旨在阐述 AI 眼镜在日常场景中的体验设计策略，探讨如何从单纯的“文本转录”走向“意图保真”，建立高效、低打扰的人机交互范式。

〇 分享收益 〇

目标：

1、为智能硬件与空间计算行业提供从“界面中心”向“意图中心”跨越的交互设计范式，示范如何通过第一视角情景感知实现全天候无感服务。 

 2、明确“AI 负责意图感知，AR 负责意图交互”的工分模式，重塑“用户要结果而非界面”的交互起点。

成功要点：

1、意图保真： 融合语音请求、视觉流及地理位置等情景上下文，实现精准意图解析。

2、渐进式置信度策略： 按理解置信度分层干预（低追问、中确认、高执行），兼顾效率与安全。

3、声画同步与最小打扰： 追求状态同步而非逐字播报，按任务类型分流音视频输出，保持低打扰。

4、手势辅助感知： 引入快捷指令与手势触发，补足非结构化口语表达的短板。

启示：

意图为中心的交互革新的核心在于将交互的主动权交还给用户，让人能以最自然的方式与数字世界互动。这不仅是技术进步，更是人机关系迈向更自然、高效未来的关键一步。

〇 分享亮点 〇

1、 AI 时代的交互范式变迁

    1）CLI 到 GUI 再到 NUI 的演进 

    2）从“打开 App 找能力”到“AI 直达结果” 

2、AI 眼镜作为最佳载体的核心价值

    1）AI（感知）与 AR（输出）的分工 

    2）第一视角传感器的数据优势与全场景适配

3、意图输入：语音与情景多模态解析

    1）从“文本转录”走向“意图保真”（融合上下文与历史对话） 2）手势+视觉触发的 AI 快捷指令 

4、意图处理与控制策略

    1）低/中/高置信度下的分级交互（追问、确认、执行） 

    2）最小打扰原则应用

5、意图输出：AIUI 与低打扰多模态协同

    1）声画状态同步与不同任务类型的分流策略

    2）多任务并行下的无缝协同

6、QA

〇 分享简介 〇

随着生成式 AI 快速进入智能硬件，耳机、眼镜、机器人等产品正在从“能连接、能控制”走向“能理解、会交互”。但企业在实际落地中普遍面临模型部署成本高、端侧算力有限、云端响应延迟、数据隐私和体验难以兼顾等问题，AI 能力与硬件成本之间的平衡成为关键。

本次分享将结合智能硬件的发展趋势与实际研发经验，分析端侧与云侧在模型推理、数据处理、任务协同和持续升级方面的优势，探讨通过合理的端云分工，提升系统效率与用户体验。同时，以产品目标为导向，在体验、成本、实时性和隐私之间找到最优解。端云协同不是简单地将能力分配到两端，打造AI产品智能硬件交互的最佳“智价比”，才是 AI 产品规模化落地最好的借鉴思路。

〇 分享收益 〇

目标：

帮助行业理解端云协同在智能硬件中的应用价值，为企业在模型部署、产品设计和技术选型方面提供可借鉴的思路，推动 AI 能力从“可用”走向“好用、用得起”。

成功要点：

智能硬件 AI 项目的成功，关键不在于单纯追求更大的模型，而在于根据场景合理分配端侧与云侧能力，并做好模型效率、响应速度、数据隐私和成本之间的平衡。同时，技术方案需要从真实用户需求出发，持续通过数据和反馈优化产品体验。

启示：

端云协同是一种面向实际落地的系统方法。通过合理的架构设计，企业可以在有限硬件资源下提升交互体验、降低综合成本，并增强产品的持续升级能力，为智能硬件规模化应用提供参考。

〇 分享亮点 〇

1、智能硬件交互面临的现实挑战  

    1）语音对话、视觉识别和设备控制中的响应速度、弱网、隐私与稳定性问题

    2）从技术 Demo 到日常产品，在功耗、成本和持续运营方面面临的挑战

2、端侧与云端的能力分工  

    1） 端侧模型在低延迟、弱网可用、隐私保护和本地实时交互中的作用

    2）云端模型在复杂理解、长上下文、知识调用和模型持续进化中的作用

3、AutoArk 端云协同与 EVA 平台实践  

    1）通过统一的模型接入和任务路由，实现端侧模型与云端模型的协同工作

    2） EVA OS 与 EVA 语音交互 SDK 如何连接语音唤醒、语音识别、对话理解和设备控制能力

4、智能耳机案例：从语音入口到自然交互  

    1）智能耳机在实时对话、信息查询、设备控制和连续交互中的产品需求

    2）结合端侧模型、云端模型与 EVA SDK，分析智能耳机在响应速度、交互连续性和使用体验上的优化

5、从模型能力到智能硬件规模化落地  

    1）在 AI 眼镜、智能耳机、AI 玩具和机器人等设备中，平衡模型效果、功耗、成本与体验

    2）从体验质量、响应延迟、设备资源、使用成本和运维效率等维度衡量智能硬件的“智价比”，推动产品从单点 Demo 走向规模化部署

6、QA

〇 分享简介 〇

随着AI产品从内容生成走向自主执行，企业 AI 正经历从辅助问答向人机协同的范式转移。竞争焦点也开始从单一问答准确性，转向如何构建一套能够长期运行、稳定执行且受人控制的Agent系统：在运行层，需要解决调度、沙箱、记忆、权限与资源管理；在执行层，需要通过 Agent Harness 将规划、工具、技能、状态和反馈组织成任务闭环；在交互层，则需要重新定义人与 Agent 的分工，让人从逐步操作转向目标设定、关键决策、异常介入和结果验收。

企业智能体需要把人的意图可靠地转化为行动，并在长程任务中做到过程可观测、权限可控制、异常可打断、结果可追溯。兴小助的演进正发生在这一背景下。早期产品以 Agentic RAG 等固定工作流构建智能问答底座，但随着企业需求向复杂任务延伸，逐渐暴露出流程固化、多轮理解不足以及“能答不能做”等问题。团队因此沿着“AIOS 化运行底座 + Agent Harness 执行框架 + 人机协同交互”的方向重构产品，将核心能力提前工具化、技能化，并借鉴 OpenClaw 的架构与设计思想，仅用 1 天完成兴小助集成、1 周上线云端自研版本，实现从知识问答向自主执行和协同作业的升级，兼顾企业场景下的安全与资源可控。

本次分享围绕兴小助从"问答"到"执行"的升级之路，以兴小助为统一触点，重塑低门槛、安全、稳定、低消耗的企业智能体新范式，面向复杂任务的确定性交付中，展现一条企业级智能体协同工作平台持续演进之路供与会者借鉴，给行业提供一条可复制的产品自主升级路线图。

〇 分享收益 〇

目标：

为企业智能体从"知识问答"到"自主执行"的转型，提供了一条可复制的升级路线图；

以借鉴开源 OpenClaw 架构，结合 Agent Harness 设计思想可以低成本、快速构建企业级 Agent 底座，显著降低智能体落地门槛；并沉淀出"能力提前工具化、技能化"的储备策略，为企业在 AI 快速迭代期抢占技术窗口提供方法论参考。

成功要点：

1、提前布局能力资产，缩短 Agent 化升级周期：团队将搜索、知识、办公等核心能力持续工具化、技能化，在新的 Agent 架构出现后快速复用既有能力，实现 1 天完成兴小助集成、1 周完成云端自研版本上线，将技术积累快速转化为产品能力。

2、借助Agent Harness 成熟架构重构执行链路：团队基于 OpenClaw 与 Agent Harness 设计思想，围绕“规划—执行—反馈”构建任务闭环，并结合阶段摘要、状态管理、并行控制等上下文工程手段，使 Agent 能够在长程任务中持续理解任务状态、调用技能并稳定推进执行。

3、聚焦企业差异化：团队通过用户级独立沙箱、权限治理、执行审计以及资源优化，对 Agent 的能力边界和资源消耗进行约束，token 消耗较原生 OpenClaw 降低 70%+，在保证自主性的同时兼顾企业场景所要求的安全、稳定与成本可控。

4、以统一入口连接企业能力生态，推动产品向协同工作平台演进：兴小助作为统一的人机交互入口，将安全能力、端侧能力和技能生态持续接入，使用户能够围绕同一目标完成任务发起、Agent 执行、过程干预和结果交付，并逐步形成覆盖开发态、管理态和用户态的完整协同闭环。

启示：

1、企业级 Agent 的落地竞争已经从单纯追求问答更准确，转向对运行底座、执行框架和人机责任边界的系统工程能力建设。通过 Harness 化的任务执行、可控的权限与沙箱机制以及持续的资源优化，可以同时兼顾长程任务稳定性、交付效率与使用成本，使智能体真正从 Demo 进入可规模运营的生产环境。

2、AIOS 化底座 + Agent Harness + 人机协同，不仅是一种技术架构，也可以成为企业智能体规模化落地和产品化复制的方法。

〇 分享亮点 〇

1、范式转移与痛点识别 

AI 产品正从"对话时代"迈向"行动时代"；2025 年基于 Agentic RAG + DeepResearch 的智能问答底座，暴露出"能回答、缺执行"的关键痛点，为后续升级埋下伏笔。

2、架构升级路径 

从"固定工作流"转向"规划—执行"的企业智能体范式，基于 OpenClaw 架构与 Agent Harness 设计思想，将核心能力提前工具化、技能化，实现 1 天集成、1 周云端上线。

3、核心能力落地 

围绕企业场景打造安全沙箱（用户级隔离、UAC 鉴权）、记忆管理（主动+被动记忆、热度权重）、定时任务（被动响应→主动执行）、云地协同（云端编排 + 本地执行）等能力，token 消耗较原生 OpenClaw 降低 70%+。

4、行业落地实例：选取典型TOC/TOB场景

5、 产品演进方向 

向企业级 AI 工作台、智能体协同工作平台升级，构建"端云协同、一人团队、安全可控"的下一代智能协同作业平台，实现从"人操作智能体"到"多智能体协同作业"的跨越。

6、QA

〇 分享简介 〇

工作智能体的商业化竞争，正在围绕交付一项合格结果的总成本展开。更大的增量机会，是让过去因专业服务和协作成本过高而未被满足的需求，第一次成为客户买得起、供给方能持续经营的业务。

模型创新继续影响能力边界与成本。随着能力扩散，产品需要把这些进步转化为组织可采用、结果可验收、经验可复用的持续服务。

本次分享将结合商汤小浣熊的产品演进与行业实践，剖析工作智能体与生活型智能体的价值差异，以及个人办公、OPC 与企业场景各自的需求和付费逻辑；探讨如何找到与场景匹配的客户，推动真实使用，并通过平台工程实现能力复用、系统连接与持续运行；进一步讨论从工具订阅到结果服务的商业模式选择，探索将个人专业经验转化为可复用的服务能力，打开企业专业服务的增量市场。

〇 分享收益 〇

目标：

1、阐述以客户需求、真实使用和业务价值评估工作智能体的基本框架。

2、分享通过平台工程连接数据、工具与业务流程，支撑智能体快速落地和持续运行的方法。

3、了解个人办公、OPC 与企业专业服务的商业化路径及增量机会。

成功要点：

1、找准场景与客户，降低采用门槛，以持续使用和业务改善验证智能体价值。

2、将行业经验与平台工程结合，沉淀可复用能力，让个性化服务具备规模化经营的条件。

启示：

1、智能体的竞争优势，需要从通用能力进一步深入到客户采用、业务适配与专业经验积累。

2、AI 的更大机会，是让过去未被满足的需求，成为客户买得起、供给方能持续经营的新服务。

〇 分享亮点 〇

1、最新变化与讨论边界

    1）工作智能体应该创造什么增量

    2）完整工作链正在成为竞争对象

    3）按工作目标区分生活智能体与工作智能体手

2、 中国工作市场的三种需求

    1）三类用户购买的是三种不同的能力

    2）组织适配需要进入中国企业的实际工作方式

3、新需求成立的经济条件

    1）长尾需求成为市场需要全链路成本下降

    2）用合格结果总成本衡量工作智能体

4、小浣熊的产品与交付积累

    1） 从代码执行到办公成果的连续产品判断

    2） 把小浣熊优势转化为客户可感知的价值

5、经典案例

    1）“总工之眼”说明行业经验可以成为可交付能力

6、持续交付与商业模式

    1）把售前交付与客户成功做成持续运行体系

    2）结果导向对应的收费方式

7、壁垒与专业服务新市场

    1）壁垒在于每次交付都能改善下一次结果

8、用三个问题结束分享

9、QA

〇 分享简介 〇

当前，AI 智能硬件和 IoT 平台正面临从“被动指令执行”向“主动情感陪伴”转型的关键阵痛期。行业最大的痛点在于，受限于端侧算力与隐私合规，绝大多数设备缺乏真正的“上下文感知”与长期记忆体系，导致交互体验严重割裂，用户留存率遭遇瓶颈。 

在 AI 硬件与 Agent 平台的研发实践中，解决这一问题的核心在于构建一套模拟人脑机制的“多维记忆矩阵”。通过端云协同（Edge AI）处理架构，我们能够在保障极低延迟与数据隐私的前提下，实现动态记忆的精准提取与权重路由。

本次分享将从产品架构视角出发，深度拆解如何在算力受限的智能硬件场景中，为 Agent 打造具备“海马体”功能的长期记忆系统，实现从“冷冰冰的机器”到“懂你的专属伴侣”的体验跃迁。为 AI 硬件、智能家居、以及对产品AI Agent记忆有需求的从业者，给出最有价值的借鉴思路。

〇 分享收益 〇

目标：

1、掌握一套可落地的 Agent 记忆系统设计方法论

2、了解通过记忆分层与边界设计，打破传统 IoT 设备的交互壁垒。 

成功要点：

1、引入“记忆衰减与动态权重路由”机制。当长期习惯与短期意图冲突时，赋予短期上下文更高优先级，并通过 AI 主动反问刷新记忆图谱，有效解决了 Agent “决策打架”的边缘场景。

2、早期发现过度收集记忆会引发用户的隐私恐慌。后续通过设计“记忆白盒化（Memory Dashboard）”面板与赋予用户“遗忘权”（如一键擦除特定场景记忆），成功守住了信任底线。

启示：

多端智能产品的终极护城河是“数据资产”。随着时间推移，这套记忆系统沉淀下来的不是系统日志，而是用户不可迁移的“专属情感资产”。当 AI 完全掌握了家庭的运行规律，用户切换竞品产品的成本将变得无限大。

〇 分享亮点 〇

1、认知重塑：智能家居 2.0 的记忆跃迁

    1）对比“无状态”与“有状态” Agent 在 IoT 场景下的体验鸿沟。

2、 核心架构：Agent 多维记忆矩阵设计与流转

    1）时间维度（生命周期）：短/临时/长期记忆在端云协同下的分配与调度。

    2）业务维度（场景标签）：构建设备环境、生活习惯与社交图谱的混合记忆。例如，系统如何精确记住特定植物（如重瓣长寿花）的温湿度偏好并联动全屋家电。

    3）空间维度（数据边界）：拆解“公知空间”、“用户私密沙盒”与“AI 角色人设”的分发策略，实现家庭场景的千人千面。

3、实战案例剖析：受限硬件下的记忆交互

    1）行业实例：以小屏 AI 互动设备为例。

    2）拆解在小屏幕和有限交互维度内，记忆系统如何流转，让设备自适应用户的日常作息，营造极具粘性的陪伴感。

4、 商业与生态展望

从“卖硬件”到“经营记忆资产”的商业模式升级。

〇 分享简介 〇

你的Agent演示惊艳、上线翻车？不是模型不行，是系统听不懂产品、业务的话。同一家券商里，"高净值客户"有三个口径、"总资产"有四种算法——Agent答得越快，错得越硬；而产品、业务每多问一个新问题，就得排队等一轮新开发。

一家典型券商的真实生产场景：经营、考核、营销三大系统各自为战多年，使用本体给业务语言上了户口，每个业务词有唯一身份、唯一口径、唯一算法，答案自带来源、经得起审计，知识质量靠用户反馈越用越准。跑出来的结果是一本能对账的价值账：3400多个指标语义一口径、顺手挖出四类存量数据质量问题、试点引入资产超2000万、上线15天37位全层级用户问了225个真问题。

本次分享将让与会者获得一套"让Agent听懂业务、产品语言"的完整打法，从口径治理、规则沉淀到知识运营，每一步都能对出业务收益，不再停留在PPT架构图。全面让Agent落地。

〇 分享收益 〇

目标：

1、获得一套"让Agent听懂业务、产品语言"的完整打法，从口径治理、规则沉淀到知识运营，每一步都能对出业务收益，不再停留在PPT架构图。

2、获得一张避坑地图和一套可复制的打法，从演示到生产之间，让大家发展AI时代，真正卡住你的从来不是模型。

成功要点：

1. 确定性优先，以架构驯服不确定性——数据计算与取数交给规则引擎与知识库，大模型专注业务理解与表达；幻觉的治理之道在架构、不在提示词，与业界从提示词工程走向 AI 工程化的路径一致。

2. 为业务语言建立统一语义层——每个指标、每个术语唯一身份、唯一口径、血缘可溯，AI 的答案与经营报表同源对齐，回应数据治理从“管表”到“管语义”的行业升级。

3. 以数据飞轮实现“用中改”——置信度分级＋用户审计回流，知识越用越准；摒弃“一次建成”的静态知识库幻想，让知识体系成为持续运营的可信资产。

启示：

Agent竞争的分水岭不在模型能力，在业务语言的治理水平上。谁先让系统听懂产品、业务的话，谁的Agent先上岗，将率先创造价值。

〇 分享亮点 〇

1、Agent落地翻车的三个真实现场与根因诊断

    知识点：答案打架、同名异义、每个新问题都要排队开发（实例：同一家券商里“高净值客户”有三个口径，Agent答得越快、错得越硬）

2、主流Agent开发路线的能力边界

    知识点：RAG、DataAgent、工作流各自“管什么、不管什么”（实例：RAG检索到了报表，却不知道两个“资产”不是一个意思）

3、用本体给业务语言“上户口”

    知识点：每个业务词唯一身份、唯一口径、唯一算法（实例：3400余项证券经营指标的语义标准化）

4、知识质量的三个产品机制

    知识点：发布双门槛、置信度分级、用户审计回流（实例：AI生成的语义与业务确认的语义分级呈现，知识越用越准）

5、跨域打通的业务价值

    知识点：经营、考核、营销三域联动推理（实例：系统自己“长”出新发现——60-65岁客户的服务性价比全司最高，而指标体系里原本没有这个指标）

6、一本能对账的价值账

    知识点：本体建设的收益怎么算（实例：语义铺底过程顺手暴露四类存量数据质量问题，系统还没上线就赚了第一笔）

7、判断框架：什么场景该上本体、什么场景别上

    知识点：什么时候该上本体/知识库？看三个信号——同一业务概念在多个系统里口径分裂、业务规则密集、监管要求可审计，符合两条就值得上。反过来，如果只是单一系统里的快速验证（POC），别急着上——重资产会拖垮验证节奏，等场景坐实再上。

〇 分享简介 〇

对话式 Agent 正从回答问题走向执行任务，企业对它的要求也随之改变：不仅要接得快、答得对，还要把业务办完，并能说明结果如何验收、行动由谁负责。

单轮回答正确不等于整段任务完成，离线评测通过也不等于上线可靠。信任要靠持续可验证的交付来积累，授权则要与能力证据和风险相匹配。

本次分享结合对话式 AI 产品实践，沿“被托付、双向奔赴、共事”展开，介绍如何从真实失败构建评测，用统一的结果定义连接产品打磨、上线验收与价值计量；再通过分级授权、人工审批和撤回机制明确行动边界，并讨论产研走进客户现场、组织让权限与责任相匹配的工作方式。

〇 分享收益 〇

目标：

1、建立对话式 Agent 从能力展示到结果交付的判断框架。

2、理解从真实失败构建评测、依据证据分级授权的方法。

3、明确产研团队如何利用客户反馈改进交付，让权限与责任相匹配。

成功要点：

先以整段任务是否完成定义验收标准，再把真实失败转成回归用例，并用人工复核校准 AI 裁判。每次扩大权限，都要有对应的能力证据、人工介入条件和收权路径。

启示：