长按二维码,关注官方公众号
使用微信扫一扫分享到朋友圈
使用微信扫一扫进入小程序分享活动
2 天沉浸式学习交流 ｜ 15+前沿分论坛 ｜ 60+真实应用案例
Agentic AI Summit一直在跟着Agent的技术和应用演化。
7月·深圳站：我们用15个分论坛把Agent技术栈完整铺开——从模型底座、开发工具链，到记忆知识、治理协作，再到行业落地。回答了"Agent是什么、怎么构建"。
这5个月：Agent技术快速演进，模型更强了，工具链更成熟了。但企业真正卡住的地方变了——不是搭不起来，是跑不下去。78%的企业有Agent试点，只有14%走到生产。
12月·上海站：我们决定往前走一步，从"怎么构建"转向"怎么跑在企业里"。大会按Agent落地的完整路径分4个Track——前沿技术进展→生产工程部署→应用场景验证→组织与商业化变革，15个分论坛覆盖Agent从Demo到企业级生产力的每一步。
石建平先生曾任美国甲骨文全球产品研发负责人、A8音乐CTO，联合创办多米音乐并发展为独角兽企业，投资了PPIO、即时设计等多家高速成长的早期技术公司。
胡云华，西安交通大学和微软亚洲研究院联合培养博士，先后担任微软亚洲研究院副研究员、阿里巴巴达摩院资深算法专家、支付宝中国首席数据官、智谱华章副总裁，在搜索、广告、推荐、大模型研发、用户产品创新方面拥有丰富经验。
邓亚峰，毕业于清华大学，正高级工程师，拥有二十余年人工智能算法及产品研发经验。现任EverMind CEO 兼 盛大集团副总裁。曾任360集团副总裁、人工智能研究院院长兼搜索事业部总经理，科创板首家AI上市公司格灵深瞳CTO。荣获2021年中国人工智能年度十大风云人物，教育部技术发明奖二等奖。长期致力于大语言模型、计算机视觉及AI for Science等领域的研究与应用，带领团队多次在国际国内主流AI评测中获得佳绩；累计申请发明专利160余项（已授权98项），发表论文50余篇（含10篇Nature子刊）。
负责领导知鸟的技术产品创新与落地，打造了覆盖“学、练、问、考、管”五大培训场景的AI产品矩阵，构建知鸟的AI核心竞争力，推动AI技术在人才培养领域全面应用与深化。深耕于AI+SaaS领域10多年，在ToB行业的AI应用上有着丰富的产品研发和落地经验，曾发布过营销行业领域大模型MeetGPT，教育行业AI+SaaS的多模态一站式智慧课堂产品溢慧云等。历任飞书深诺集团CTO、溢米教育集团合伙人&CTO、爱奇艺技术总监等。
电子科技大学信息安全硕士，专注于人工智能与运筹优化技术在物流供应链领域的落地。
加入顺丰科技以来，先后负责集团智能决策体系与智慧供应链商业化产品体系的构建与管理工作。主导研发物流决策大模型"丰知"、智慧供应链控制塔"丰智云塔"及决策平台"丰智云策"等核心产品，服务数百个SKA客户，实现千万级营收。在运筹优化领域，构建大规模网络规划、路径规划、资源调度等核心算法体系，助力集团累计降本超十亿元。
曾获中国物流与采购联合会科技进步奖二等奖、物流技术创新奖、CCF BDCI最具商业价值奖等多项荣誉，产品入选Gartner SCP亚太榜单。
淘天集团，1688 数据中心负责人、数据委员会主席，兼享造AI技术负责人（AI定制创新业务）。
主要负责数据智能、数据平台、AI评测与实验、AI商机、生意参谋、业务数据等方向，依托AI大数据做到更懂买家、更信供给、更会匹配、数据飞轮。
毕业于华东师范大学数学系国家理科基地班，16年软件研发与技术管理经验。曾任无界AI联合创始人兼CTO、矩池云CEO；历任字节跳动和小红书技术总监，技术委员会和晋升委员会委员，主要负责抖音电商上海研发中心，以及抖音电商独立版、抖音音乐、创意生态、小红书等产品的研发与管理工作。
兼任复旦大学管理学院AI特聘专家与科创导师、华东师范大学浙江校友会副会长。
医疗大模型 · AI Agent · 金融 AI · 运筹优化
个人简介
长期从事人工智能、大模型与运筹优化的研究及产业落地，具备供应链、金融与医疗领域的技术研发、产品建设和团队管理经验。现负责京东健康智能算法部与医疗大模型，推动京医千询、MedCode、MedWiki 与 MedWork 等模型、技术及产品建设。此前担任蚂蚁金服金融 AI 与金融大模型负责人、菜鸟网络 AI 负责人。
在 ICML、NeurIPS、Management Science 等国际学术会议与期刊发表论文数十篇，担任 SIGKDD 高级领域主席及 Applied Data Science Track 领域主席，兼任高校研究与教学职务。
工作经历
京东健康
AI 副总裁｜智能算法部 & 医疗大模型负责人**
负责医疗大模型、智能算法与 Agent 技术体系建设，推动模型研发、医学知识、评测体系及产品应用协同发展，服务用户健康管理、医生工作与医院临床流程。
大模型与核心技术
- 京医千询 3.0：推动面向复杂医学任务的执行级模型建设，融合医学知识、多模态理解、工具调用与长程任务能力。
- MedCode：建设医疗可执行推理能力，将指南规则、适用条件、计算与工具操作转化为可运行、可测试、可审计的执行步骤，通过执行反馈提升推理与任务质量。
- MedWiki：建设结构化医学知识体系，结合 Agentic Search 组织指南、医学概念、证据等级与版本信息，支持主动查证和证据追溯。
- 原生 3D 与多模态理解：围绕 CT、MRI 等场景，结合医生阅片操作轨迹、影像位置和诊断依据，推进影像理解与交互式阅片能力。
- 长程任务执行：贯通检索、分析、工具调用与文档生成，建设任务检查点、错误定位和恢复机制。
- 医学评测：推动 MedEviBench、MedRealMM、Med3DVQA 等联合评测与研究，结合医生审核标准、专业反馈和失败案例，持续优化模型及产品质量。
产品与应用
推动统一模型能力在用户、医生和医院场景中的应用，支撑京东健康 AI 产品体系：
产品 定位
| 大为医生 | 面向用户的问诊与健康管理服务 |
| 京东知医 | 面向医生的医学循证检索与专业知识查证 |
| 小康 | 面向用户的体重管理与健康服务 |
| MedWork | 面向医生及专业团队的通用 Agent 工作台 |
| 京东卓医 | 面向医院的工作流辅助 |
MedWork 平台建设
- 建设统一 Agent 执行底座、医疗通用能力与场景工作流，组织任务目标、输入资料、工具执行、人工审核及交付物。
- 覆盖循证检索、病历归纳、门诊辅助、录音辅诊、AI-MDT、临床营养、用药辅助、影像及科研任务。
- 提供文件与语音输入、云端与本机工作空间、多工具执行、任务沙盒、权限管理与审计能力，支持文档、报告、图表、代码和数据文件交付。
- 推动医生个体使用与院内工作流落地，将专业能力沉淀为可复用的 Skill、连接器和标准工作流。
蚂蚁金服
金融 AI & 金融大模型负责人｜财富保险事业群大模型委员会主席
- 负责金融 AI 与大模型技术及业务应用建设，推动金融专业能力与财富、保险场景结合。
- 建设 Finix 金融大模型，支撑蚂小财、蚂蚁财富等产品应用。
- 支持蚂小财达到 3,000 万月活跃用户、蚂蚁财富达到 200 万日活跃用户。
菜鸟网络 / 阿里巴巴
菜鸟网络 AI 负责人｜阿里巴巴供应链与运筹优化小组副组长
- 负责 AI 与运筹优化技术在仓储、运输、履行和供应链场景中的应用。
- 打造 Greed Solver，打破数十项世界纪录，创造十余亿元业务价值，相关工作入围 INFORMS Franz Edelman Award。
- 获得 2015 年阿里巴巴 CEO 特别贡献奖，参与推动阿里巴巴个性化技术发展。
学术任职与服务
- 浙江大学客座研究员。
- 上海财经大学硕士生导师。
- 浙江工业大学客座教授。
- SIGKDD 高级领域主席。
- SIGKDD Applied Data Science Track 领域主席。
学术成果与研究方向
在 ICML、NeurIPS、Management Science 等国际学术会议与期刊发表论文数十篇，研究与应用方向包括：
- 医疗与金融领域大模型。
- 可执行推理、代码大模型与执行反馈学习。
- Agent 任务编排、工具调用与长程任务执行。
- 医学知识组织、主动检索与循证评测。
- 多模态理解、三维医学影像与医生操作轨迹。
- 供应链优化、运筹求解与业务决策。
荣誉与奖项
- INFORMS Franz Edelman Award Finalist。
- INFORMS Daniel H. Wagner 奖。
- 2024 年吴文俊人工智能科学技术二等奖。
- 2015 年阿里巴巴 CEO 特别贡献奖。
- 蚂蚁金服 T-Star 技术大奖。
模型能力前沿——从后训练到强化学习 | 上下文工程与记忆编排——让Agent真正理解任务与环境 | 从Jev到Agent——决策模型的技术演进与产业实践 |
● 掌握基模能力、后训练、Agentic RL在2026进展及2027年展望 ● 推理能力演进：规划、函数调用、长上下文的最新突破 ● 理解模型能力与工程补偿的最新分工框架 | ● 掌握Context Engineering 2026最新进展 ● 获得企业级记忆架构的最新设计方案 ● 理解上下文质量对Agent稳定性的决定性影响 | ● 品类解构：LLM 生成、决策模型判断、经典 ML 专训选型逻辑 ● Agent 决策点识别与改造 ● 一套工程方法和产业实践案例 |
语义层与本体——让Agent读懂企业 | Harness与多Agent协作 | 评测、可观测与安全护栏——从上线评估到持续优化飞轮 |
● 掌握企业语义层2026最新设计方法与治理体系 ● 获得从静态本体到动态语义资产的演进路径 ● 理解语义层作为Agent企业落地关键基础设施的价值 | ● 建立Agent安全执行的护栏体系 ● 掌握MCP/A2A协议在生产环境的落地实践 ● 获得多Agent协作的控制逻辑与架构方案 | ● 掌握Agent评测体系设计方法（从可观测到评测闭环） ● 获得安全护栏的工程实现方案 ● 理解评测作为Agent迭代基础设施的价值 |
Agent-ready数据架构——数据开发、治理与消费的一体化 | 自进化Agent——在线学习、反馈闭环与持续优化 | 客服与体验Agent——从回答到行动的闭环 |
● 获得AI Native数据平台完整方案 ● 掌握Data Agent数据底座的架构设计 ● 理解数据架构作为Agent落地基础设施的价值 | ● 掌握自进化Agent的架构设计 ● 获得反馈闭环与持续优化的工程方案 ● 理解自进化系统的安全边界与风险控制 | ● 掌握客服Agent从回答到行动的闭环设计 ● 获得客服Agent评估与治理方案 ● 理解客服Agent规模化的关键挑战 |
销售与增长Agent——从营销到用户运营的智能闭环 | 研发效能Agent——从写代码到重构研发组织 | 智能决策Agent——从问数到行动闭环 |
● 获得营销增长Agent的完整方案 ● 掌握AIGC内容+个性化+用户运营的协同设计 ● 理解从单点营销到全链路增长的Agent化路径 | ● 掌握编码Agent企业级落地的工程方案 ● 获得研发组织重构的实践路径 ● 理解从个人提效到团队提效的关键转变 | ● 理解Data Agent从问数向行动的技术路径 ● 掌握决策Agent的确定性工程与模型分工 ● Agent参与经营决策的安全边界 |
运营与合规Agent——从识别到决策的确定性闭环 | 企业内部FDE实践：研发团队如何当好业务团队的Agent落地搭档 | 知识工程——决定Agent上限的关键上下文 |
● 获得财务/法务/HR/风控场景的Agent落地方案 ● 掌握降损即利润的Agent ROI量化方法 ● 理解高确定性场景的Agent设计原则 | ● 内部FDE的角色定义与边界 ● 从需求排期到业务共建的流程重构 ● 从共建到平台与组织能力沉淀的闭环反馈 | ● 知识萃取：从文档、专家、流程中萃出知识，隐性知识显性化 ● 完备性检验：覆盖度、正确性、时效性的检验方法与量化指标 ● 知识与表达的分层：知识工程是本体与语义层的上游，知识资产怎么交给表达层 |
去哪儿网 AI Lab负责人
期间孵化出Qunar AI 行程助手，端外比价助手等多款端内端外工具。
我们选择以数据知识本体打通多源业务语义，把字段/指标翻译为"用户""产品""行为"等业务对象，让系统理解数据在"说什么"。最大挑战是各业务线对"活跃用户"各说各话——我们不强行统一，让本体保留差异、Agent按需取用，并用LangGraph管线自动化完成本体合成与校验，并采用同步检索三类知识——KG_cs（业务视角，如花呗“活跃用户”的定义规则）、KG_fr（实体关系图，如“用户A-持有-借呗额度5万”）、RC（原始文档证据），三层结果经融合/去重/排序后打包为KnowledgePackage。
效果：交叉机会识别缩至小时级，异动归因准确率超85%，策略落地效率显著提升。本体不是字典，是让系统"懂业务"的教材。
现任得物大数据基建负责人；此前在阿里云深度参与 Hadoop、ODPS、EMR 等大数据平台的架构设计与研发。
腾讯广告实验科学总监。从事广告算法研发工作十余年，先后负责过大规模机器学习模型、oCPA、智能出价/定向/创意、机制设计、用户挖掘、行业技术服务等工作，主导承办过KDDCUP和腾讯广告算法大赛。
毕业于清华大学，正高级工程师，拥有二十余年人工智能算法及产品研发经验。现任EverMind CEO 兼 盛大集团副总裁。曾任360集团副总裁、人工智能研究院院长兼搜索事业部总经理，科创板首家AI上市公司格灵深瞳CTO。荣获2021年中国人工智能年度十大风云人物，教育部技术发明奖二等奖。长期致力于大语言模型、计算机视觉及AI for Science等领域的研究与应用，带领团队多次在国际国内主流AI评测中获得佳绩；累计申请发明专利160余项（已授权98项），发表论文50余篇（含10篇Nature子刊）。
现任传音控股财务 AI 负责人。曾任职小红书技术战略bp、得物财务 AI 负责人，长期深耕"AI × 业务"落地，兼具技术战略视野与财务场景实战，擅长以产品化思维推动财务智能化转型。
2009获数学博士学位。曾在阿里巴巴，微软，平安，太平洋保险等公司任职，在大规模数据处理、机器学习等方面有丰富的经验。自2016年加入携程以来，在深耕携程数据的同时，对旅游业大数据有深入的研究，并不断推进大数据技术在全行业的应用。
中科大硕士，曾服务于百度腾讯等互联网大厂，在大数据人工智能领域有十多年经验
芝麻企业信用技术负责人，负责整体技术工作。之前就职于网商银行，Uber美国以及PayPal，在综合金融系统，Uber增长平台，基础架构有多年经验。获得加州大学默塞德分校硕士，从事计算机视觉相关研究。
用户增值部应用研究团队负责人。多年大模型研究与实践经验，当前焦于AI应用落地，Agent架构、模型推理等AI Infra。负责的产品有游戏百科助手、多智能体智能客服，智能NPC、AI语音、AI陪伴产品等等。
Apache GeaFlow PPMC Member，Chat2Graph/DB-GPT Maintainer，《自己动手构造编译系统——编译、汇编与链接》作者。先后任职于腾讯、阿里云、蚂蚁集团，长期深耕大数据、数据库、图计算、知识图谱与大模型 Agent 工程。曾任蚂蚁图计算开源负责人、蚂蚁基础模型评测架构师，主导 Graph+AI 开源生态建设，牵头编写行业白皮书《Graph+AI：大模型浪潮下的图计算》。现重点研究智能体自进化与蜂群协同，探索大规模智能体蜂群的演化机制、协作范式与群体智能的能力边界。
蚂蚁集团 资深算法专家，毕业于中国科学技术大学，获得计算机科学博士学位。随后加入理光研究院，并在亚利桑那州立大学（ASU）担任博士后研究员。14年回国，加入阿里巴巴，现在蚂蚁集团数字科技事业群任数据智能负责人
城市
公司级资深架构师、敏捷与 AI 教练。十余年敏捷研发、工程效能与架构经验，现任公司业务语义底座产品“璇玑”的设计与研发负责人。研发侧，围绕领域知识建模、语义资产沉淀与 AI 辅助研发流程，建立数据与 AI 双向反馈的提效机制；业务侧，将同一语义能力拓展至供应链，面向订货业绩达成与经营分析等场景，为经营决策提供支持。
现任传音控股财务 AI 负责人。曾任职小红书技术战略bp、得物财务 AI 负责人，长期深耕"AI × 业务"落地，兼具技术战略视野与财务场景实战，擅长以产品化思维推动财务智能化转型。
深耕大数据10年，2019年加入京东，主要负责AI Native生产和消费、OLAP优化、大数据传输工具生态、流批一体、SRE建设
8年财务BP经验，曾任得物多条业务线BP负责人
满帮集团AI算法专家，AI应用团队负责人。本科毕业于南京大学计算机系，并在港科大获取大数据科技硕士学位，深耕搜推算法领域，曾先后任职于腾讯、拼多多、满帮，亲历海量用户场景下的技术挑战与架构演进。现负责满帮AI算法在核心业务场景的落地，推动Agent技术在智慧物流领域的实践应用。
用户增值部应用研究团队负责人。多年大模型研究与实践经验，当前焦于AI应用落地，Agent架构、模型推理等AI Infra。负责的产品有游戏百科助手、多智能体智能客服，智能NPC、AI语音、AI陪伴产品等等。
复旦大学光学博士，理学学士。现任上海天天基金销售有限公司研究部负责人。带领团队长期从事AI应用研发、公募基金研究、金融大数据研发等方面工作，主持研发“小天2.0”基金聊天问答机器人、Everyclaw基金理财投资Agent等大型项目，任中基协公募基金业绩比较基准要素库专家工作组成员。曾任职于汇丰金融科技和携程旅行网，负责数据算法、金融建模等工作。
纷享销客技术 VP，曾就职于腾讯、搜狗，⻓期负责企业级 CRM、平台⼯程和研发体系建设。近年来，他在纷享销客推动 AI 从个⼈⼯具使⽤进⼊组织级应⽤，建设内部模型平台、诸葛智能诊断系统、Multica ⼈机协作平台和企业知识资产，探索让 Agent 参与需求分析、代码开发、故障定位、测试发布和业务交付，推动研发组织从岗位分⼯和⼈⼯交接转向
Agent 持续执⾏、⼈负责判断与验收。
负责阿里云服务领域 Agent 架构设计、自进化等技术。曾负责阿里云服务领域Agent平台、多智能体协同等AI大模型技术在客户服务领域的落地。在阿里云服务领域深耕多年，曾负责服务领域大模型的训练调优、对话机器人链路体系的构建，逐步建设起了阿里云服务领域的算法技术体系和各类基础设施，也曾主导构建了阿里云服务领域大模型、知识库问答、知识图谱、推荐系统等。
曾获得中国客服“金音奖”产业杰出贡献奖、阿里云智能集团“凌云奖”；多次在阿里云开发者、阿里技术公众号发表AI技术文章，累计阅读量破20w+；多次在AICon、SECon等行业大会上发表AI技术主题演讲；曾以第一发明人发表发明专利多项。
有线研究院编码专家组（C语言）组长、敏捷教练、AI应用教练，近年从事AI辅助方案设计提效工作，参与方案设计域知识规范制定、智能体构建推广等工作。
深耕算法领域十余年，用大数据与算法驱动业务增长、效率与体验升级，实战横跨电商、金融、电信等行业。近三年专注大模型在数据领域落地，聚焦于规模化产生业务价值。
深耕互联网算法领十年，先后负责过腾讯广告合约广告系统，多创意广告策略及模型，召回策略及模型、行业技术模型等工作，当前主要带领团队专注于用大模型和智能体重构广告推荐引擎迭代优化的全生命周期衡量体系。
数据与AI平台技术负责人，10余年任职携程、腾讯、AWS等。擅长云原生架构与流程再造，推动数据平台智能化、自助化。主导高可用可扩展系统，以及成本治理。近三年从0到1落地LLM SQL生成、AI Data Copilot及AI-driven数据开发治理平台，带领跨功能的数据/后端/算法团队。
中国科学技术大学博士，2020 年加入叮咚买菜担任技术副总裁，负责数据、算法及供应链产品团队，推动生鲜零售全链路的数字化与智能化。拥有二十多年技术研发与管理经验，曾任职于阿里巴巴、百度以及创业公司CTO。
专注多模态与大模型研究及后训练技术，涵盖图文与视频理解，探索高效推理与稀疏化机制，积累丰富科研与应用经验。
Tarot Pixel 核心作者之一。专注 AI Native 研发范式与营销场景落地，主导设计稿视觉上下文（上下文工程）与 AI 反馈循环（循环工程）体系，方案已在淘天、阿里云、蚂蚁集团等多个团队的真实业务中落地，并在 Qoder 插件市场上线。
擅长数仓建模、SQL 性能优化与数据治理，专注 AI 数据研发的全流程交付和工程化落地
Co-Sight Harness 工程化体系首席架构师。专注于把 AI Agent 从 Demo 推进到生产——通过Harness运行时控制结构管理目标、状态、上下文、工具、权限、评测与证据。
专注于大数据技术与AI应用实践，关注数据平台建设、研发智能化与工程效率提升。持续探索大模型和Agent在数据领域的应用，注重技术方案的实际落地与可复用工程经验的积累。
计算机硕士，现任碧桂园服务集团创新研发总监兼大数据总监，负责智慧社区、物联网、大数据及AI智能体研发，兼任上海海洋大学信息学院行业导师。
曾长期担任世界500强企业霍尼韦尔全球软件研发中心部门经理，主导智能家居、智慧楼宇、车联网及工业物联网平台研发。
累计取得多项国内外专利、学术成果与软著，具备丰富的全球化项目交付与技术创新经验。现聚焦 AI + Data 技术在智慧社区场景的落地变革，探索数智技术赋能行业发展的新路径。
快手电商生产力研发团队负责人，Mybricks通用无代码引擎及技术社区创建者。
2021年加入快手，此前在阿里巴巴、招商银行等公司工作，对于可视化编程、组件化、复杂系统、生长网络等方向有长期关注与思考，致力于生产力赋能、通过体系化的手段实现效率提升。
长期投入云计算与可观测等领域的架构设计与落地实践，并积极投身各项基础设施开源项目的维护工作。
拥有近13年计算机视觉、自然语言处理和大模型研发经验，推动大模型技术在企业核心生产环节的落地，聚焦本体知识增强、异常处理、智能决策等方向。
得数数据平台数据架构专家，负责得物数据产品研发团队，主导企业级数据产品迭代与平台体系落地。先后任职唯品会、平安支付大数据部门，深耕大规模数据应用底座建设，拥有复杂业务场景下数据架构演进、治理与效能优化实战经验，持续探索智能数据与 Agent 技术融合实践。
专注于生成式 AI 与智能体系统的 AI 工程师与技术负责人。作为 CAMEL、OWL（NeurIPS 2025, GAIA 榜首）及 Eigent 等开源项目（累计超 50k Stars）的核心维护者与主要贡献者，他参与构建了自主智能体协作的基础范式。
他的研发工作主要聚焦于智能体系统的框架架构、数据与环境等核心维度：除了参与多智能体协作框架的迭代研发，他在数据端构建了基于验证器的规模化合成数据流水线（如 Loong 项目）用于探索解决智能体训练的数据瓶颈；在环境端，他参与开发了基于容器化沙盒的大规模智能体环境（如 SETA、Toolathlon-Gym），为复杂任务的执行、评测以及 SFT 和强化学习（RL）的闭环训练提供支持。他致力于推动智能体技术从开源生态建设、前沿学术研究到真实场景落地的全链路发展。
盛大 EverMind 大模型算法工程师。主导开源记忆系统 EverOS 研发，在多个主流记忆基准上领先；负责记忆抽取与多轮检索模型后训练，以小模型达到大模型效果并大幅降本。发表 CCF-A 论文 7 篇，一作 5 篇。
长期从事大数据领域技术研发工作，目前负责小米大数据开发平台建设。主导大规模湖仓数据集成、数据检索及数据开发工具链能力建设经验。
15年大数据平台与团队管理经验。曾负责超大规模集群软硬件协同优化、数据平台、上云及湖仓建设、ChatBI与Context Memory、数据智能体落地，现聚焦数据平台与企业级数据智能体研发。
北京大学计算机应用技术专业研究生毕业，曾在华为2012实验室、腾讯微信、360智脑任职，现从事蚂蚁数科基础模型研发，LingDT-Decision 1.0核心模型训练与原生多选架构研发。数篇NeurIPS、EMNLP等一作顶会论文；开源Tiny-R1大模型累计下载数万次。
现任微软亚洲研究院首席研究工程经理，负责领导上海系统组，专注于大模型系统与智能体系统的研究工作。他的研究兴趣包括大规模语言模型的高效计算与推理，尤其关注长上下文模型的推理加速；以及智能体的系统设计与优化，包括面向智能体的系统调度优化、多轮强化学习系统与算法等。他的相关研究成果已多次发表在OSDI、SOSP、EuroSys、ATC、CVPR、ICCV、NeurIPS、AAAI等国际顶级学术会议上。杨玉庆博士于2006年和2011年分别获得复旦大学学士与博士学位。
毕业于新加坡国立大学，曾就职于腾讯、蚂蚁，现任1688数据产品负责人，专注于构建智能、易用、安全的数据产品矩阵，具备多年电商与金融领域落地经验， 推动AI技术在数据平台的深度融合。
复旦大学计算机学院人工智能方向博士，上海证券交易所资本市场研究所博士后研究员，罗格斯-新泽西州立大学访问学者，CCF数字金融分会执委。现任恒生聚源首席科学家，负责数智金融实验室AI前沿创新方向。
小米智能制造部工业智能总监、高级工程师，在制造领域、工业大数据领域有11年的研发和团队管理经验，拥有多项智能制造、人工智能相关的发明专利。
OPPO研究院AI系统专家。主要研究方向为Agent系统，大模型推理优化、分布式计算等。主导多个AI系统研发落地。在机器学习、系统领域发表多篇顶会论文。
复旦大学知识工场实验室技术负责人，上海市数据科学重点实验室大模型研究室主任。研究方向为自进化智能体、大模型推理增强与知识图谱。发表CCF A/B类论文90余篇，Google Scholar引用2400余次，h-index 26，获ACL 2025杰出论文奖、吴文俊人工智能科技进步奖、华为火花奖等。作为技术负责人建设CN-DBpedia/知识工场平台，API累计调用超18亿次；主导研发的自进化智能体GenericAgent开源后获14k+ GitHub星标
医疗大模型 · AI Agent · 金融 AI · 运筹优化
个人简介
长期从事人工智能、大模型与运筹优化的研究及产业落地，具备供应链、金融与医疗领域的技术研发、产品建设和团队管理经验。现负责京东健康智能算法部与医疗大模型，推动京医千询、MedCode、MedWiki 与 MedWork 等模型、技术及产品建设。此前担任蚂蚁金服金融 AI 与金融大模型负责人、菜鸟网络 AI 负责人。
在 ICML、NeurIPS、Management Science 等国际学术会议与期刊发表论文数十篇，担任 SIGKDD 高级领域主席及 Applied Data Science Track 领域主席，兼任高校研究与教学职务。
工作经历
京东健康
AI 副总裁｜智能算法部 & 医疗大模型负责人**
负责医疗大模型、智能算法与 Agent 技术体系建设，推动模型研发、医学知识、评测体系及产品应用协同发展，服务用户健康管理、医生工作与医院临床流程。
大模型与核心技术
- 京医千询 3.0：推动面向复杂医学任务的执行级模型建设，融合医学知识、多模态理解、工具调用与长程任务能力。
- MedCode：建设医疗可执行推理能力，将指南规则、适用条件、计算与工具操作转化为可运行、可测试、可审计的执行步骤，通过执行反馈提升推理与任务质量。
- MedWiki：建设结构化医学知识体系，结合 Agentic Search 组织指南、医学概念、证据等级与版本信息，支持主动查证和证据追溯。
- 原生 3D 与多模态理解：围绕 CT、MRI 等场景，结合医生阅片操作轨迹、影像位置和诊断依据，推进影像理解与交互式阅片能力。
- 长程任务执行：贯通检索、分析、工具调用与文档生成，建设任务检查点、错误定位和恢复机制。
- 医学评测：推动 MedEviBench、MedRealMM、Med3DVQA 等联合评测与研究，结合医生审核标准、专业反馈和失败案例，持续优化模型及产品质量。
产品与应用
推动统一模型能力在用户、医生和医院场景中的应用，支撑京东健康 AI 产品体系：
产品 定位
| 大为医生 | 面向用户的问诊与健康管理服务 |
| 京东知医 | 面向医生的医学循证检索与专业知识查证 |
| 小康 | 面向用户的体重管理与健康服务 |
| MedWork | 面向医生及专业团队的通用 Agent 工作台 |
| 京东卓医 | 面向医院的工作流辅助 |
MedWork 平台建设
- 建设统一 Agent 执行底座、医疗通用能力与场景工作流，组织任务目标、输入资料、工具执行、人工审核及交付物。
- 覆盖循证检索、病历归纳、门诊辅助、录音辅诊、AI-MDT、临床营养、用药辅助、影像及科研任务。
- 提供文件与语音输入、云端与本机工作空间、多工具执行、任务沙盒、权限管理与审计能力，支持文档、报告、图表、代码和数据文件交付。
- 推动医生个体使用与院内工作流落地，将专业能力沉淀为可复用的 Skill、连接器和标准工作流。
蚂蚁金服
金融 AI & 金融大模型负责人｜财富保险事业群大模型委员会主席
- 负责金融 AI 与大模型技术及业务应用建设，推动金融专业能力与财富、保险场景结合。
- 建设 Finix 金融大模型，支撑蚂小财、蚂蚁财富等产品应用。
- 支持蚂小财达到 3,000 万月活跃用户、蚂蚁财富达到 200 万日活跃用户。
菜鸟网络 / 阿里巴巴
菜鸟网络 AI 负责人｜阿里巴巴供应链与运筹优化小组副组长
- 负责 AI 与运筹优化技术在仓储、运输、履行和供应链场景中的应用。
- 打造 Greed Solver，打破数十项世界纪录，创造十余亿元业务价值，相关工作入围 INFORMS Franz Edelman Award。
- 获得 2015 年阿里巴巴 CEO 特别贡献奖，参与推动阿里巴巴个性化技术发展。
学术任职与服务
- 浙江大学客座研究员。
- 上海财经大学硕士生导师。
- 浙江工业大学客座教授。
- SIGKDD 高级领域主席。
- SIGKDD Applied Data Science Track 领域主席。
学术成果与研究方向
在 ICML、NeurIPS、Management Science 等国际学术会议与期刊发表论文数十篇，研究与应用方向包括：
- 医疗与金融领域大模型。
- 可执行推理、代码大模型与执行反馈学习。
- Agent 任务编排、工具调用与长程任务执行。
- 医学知识组织、主动检索与循证评测。
- 多模态理解、三维医学影像与医生操作轨迹。
- 供应链优化、运筹求解与业务决策。
荣誉与奖项
- INFORMS Franz Edelman Award Finalist。
- INFORMS Daniel H. Wagner 奖。
- 2024 年吴文俊人工智能科学技术二等奖。
- 2015 年阿里巴巴 CEO 特别贡献奖。
- 蚂蚁金服 T-Star 技术大奖。
1、主导公司级南天门产品的设计与开发，构建AI网关层模型汇聚与智能路由能力，基于任务难度与成本单价动态调度多厂商模型，实现模型使用效率与成本的双优化，支撑 N 条业务线的 AI 接入
2、负责公司级服务领域智能问答产品的设计与开发，服务在线与热线两大场景，通过知识库治理与模型效果优化持续提升问答准确率，助力客服降本增效
3、主导智能编码模型在xx场景的领域微调，基于内部代码与 Review 数据构建训练集，代码采纳率大幅度提升，显著提升研发效率。
4、端到端构建大模型数据、训练、评测三大体系：标准化数据流水线、覆盖 SFT/RLHF 的全流程训练框架、自动化+人工结合的多维评测机制，形成模型迭代闭环
毕业于大连理工大学，研究兴趣包括知识抽取、文本生成、多模态学习、预训练语言模型。在游戏智能创编、信息流内容质量业务场景有丰富的算法实践经验。当前负责游戏短视频AI创作的算法开发和项目落地。
圆桌讨论：不等模型——2027年，应用企业把Agent带进生产，投什么？
从账务核算到资金管理 —— 传音控股财务 AI 落地之路
演讲介绍
传音控股的财务 AI 建设，覆盖账务核算、税务合规、资金管理三大场景。业务痛点明确：多法人、多币种、多税制下，核算靠人海、合规靠事后、资金靠经验。方案上坚持 "企业级知识引擎打底、agent+大模型补位"： 确定性场景用skills + 规则知识，非结构化场景（发票识别、合同审阅、政策解读）用agent+大模型+RAG，避免为 AI 而 AI。最大挑战是财务对准确率零容忍：通过 "机器初审 + 人工复核 + 置信度分流" 的人机协同机制，把幻觉风险关进loop流程里。成效：月结周期明显压缩，发票处理自动化率显著提高，税务申报差错率不断下降，资金预测准确率显著提升。
演讲提纲
财务 AI 建设的实践与思考
一、开场：介绍（1 分钟）
个人经历：小红书技术战略 → 得物财务 AI 负责人 → 传音控股财务 AI 负责人
核心定位：长期深耕 "AI × 业务" 落地，兼具技术战略视野与财务场景实战
二、业务背景：为什么财务需要 AI（3 分钟）
传音的财务复杂度：多法人、多币种、多税制
三大痛点：
核算靠人海 —— 效率瓶颈
合规靠事后 —— 风险后置
资金靠经验 —— 决策失准
观点 1：
财务 AI 不是选择题，是生存题 —— 复杂度已超过人力边界
三、
方案选型：知识引擎打底、agent大模型补位（5 分钟）
选型原则：场景决定技术，而非技术找场景
确定性场景（对账、凭证、结账）→ skills + 知识引擎
非结构化场景（发票识别、合同审阅、政策解读）→ agent + VLM大模型 + RAG
观点 2：
避免 "为 AI 而 AI"—— 大模型不是万能锤，准确率决定技术路线
三大项目举例：账务核算自动化 / 税务合规智能化 / 资金预测模型
四、落地挑战与解决思路（5 分钟）
最大挑战：财务对准确率零容忍
解决思路：把幻觉风险关进流程里
机器初审 + 人工复核 + 置信度分流的人机协同机制
高置信自动过、低置信人工审，效率与质量兼得
其他挑战（可选展开）：数据质量、跨系统打通、团队能力转型
五、成效：用数据说话（2 分钟）
月结周期：明显压缩
发票处理自动化率:显著提高
税务申报差错率：不断下降
资金预测准确率：显著提升
六、未来规划（2 分钟）
从 "单点自动化" 走向 "全链路智能"：核算 — 合规 — 资金 — 经营分析闭环
从 "人机协同" 走向 "AI 主导、人管例外"
探索方向：财务 Agent、业财一体的智能决策支持
七、总结（1 分钟）
三句话收尾：
场景决定技术，不为 AI 而 AI
准确率是财务 AI 的生命线，靠流程设计兜底
AI 替代的是重复劳动，放大的是财务的决策价值
听众收益
1.一套可复用的技术选型方法论
"场景决定技术，而非技术找场景"—— 确定性场景用规则引擎，非结构化场景用大模型 + RAG。听众能学会如何为自己的业务画 "AI 适用性地图"，避开 "为上大模型而上大模型" 的常见误区。
2. 一套经实战验证的风险控制框架
财务对准确率零容忍，大模型却天然有幻觉 ——"机器初审 + 人工复核 + 置信度分流" 的人机协同机制，是把 AI 风险关进流程里的具体做法。这套框架同样适用于法务、风控、医疗等任何高精度要求的场景。
3. 对财务智能化终局的判断视角
从 "单点自动化" 到 "全链路智能"、从 "人机协同" 到 "AI 主导、人管例外"—— 听众能看清财务 AI 演进的路线图，理解财务人员的价值正在从 "处理数据" 向 "经营决策" 迁移，提前规划自己和团队的转型方向。
落地挑战和方案重点
痛点 1：大模型的 "长尾准确率" 问题仍无解
头部场景（标准化发票、常规合同）准确率已到可用水平，但财务的真实世界是长尾分布的 —— 非常规条款、新兴业务、跨境特殊税制，样本少、无先例，大模型在这些场景的错误恰恰发生在最不该出错的地方。目前只能靠 "人工兜底" 硬扛，本质是把不确定性转嫁给了人。这不是工程问题，是模型能力边界问题，期待与同行交流各自的处理经验。
痛点 2：AI 建设与财务组织能力的错配
工具上线快，组织转身慢。财务人员从 "做账的人" 变成 "审机器的人"，需要的数据素养和判断力是完全不同的能力模型 —— 现有团队转型速度跟不上 AI 落地速度，导致部分系统 "建好了、用不深"。技术能采购，组织能力只能靠时间养，这是当前最大的隐性瓶颈。
从个人提效到组织积累——电商跨境企业的财务 Agent 实践
演讲介绍
Agent从Demo走向生产，关键不只是能力更强，而是建立一套可管理、可验证、可追溯、可恢复的运行机制。
演讲提纲
一、为什么Demo不能直接上线
Agent会理解需求、调用工具、生成结果；
但数据可能不可靠、规则可能漂移、重试可能重复执行；
生产化的难点不是"能不能做"，而是"凭什么做、错了怎么办"。
二、业务Agent的五道闸门
证据闸门：每个结论都能追溯到数据来源、指标版本和业务规则。
确定性闸门：LLM负责理解与解释；代码负责SQL、公式、阈值和状态判断。
状态闸门：区分候选、影子、认证、降级和阻断，不能把"跑过一次"当成生产可用。
运行闸门：具备幂等、重试、回读校验、异常监控和回滚能力。
责任闸门：Agent推进流程，人保留口径确认、重大例外和最终审批权。
三、影子验收
影子运行使用真实数据和真实业务节奏，但不产生真实业务后果。重点验证：
结果是否正确；
证据是否完整；
异常时是否停止；
重跑是否产生重复动作；
出错后能否恢复和回滚。
影子验收不是证明Agent有多聪明，而是证明它犯错时不会悄悄产生业务后果。
四、案例：一个主动停止的Agent
Agent收到一笔业务测算申请；
代码完成数据查询和计算；
Agent发现申请可能与历史活动重合；
系统没有直接出表，而是暂停、解释风险并请求确认；
人确认后，流程才继续进入审批。
可靠的Agent不是什么都做，而是知道什么情况下不应该继续做。
五、总结
上线前回答五个问题：
结论有证据吗？
确定性计算代码化了吗？
当前能力通过影子验收了吗？
失败后能恢复和回滚吗？
最终由谁负责？
结束语：真正进入生产的Agent，必须知道何时行动、何时降级、何时停止，以及何时把决定交还给人。
听众收益
1.生产级 Agent 不是一个更聪明的模型，而是一个可被管理的系统：有证据、受约束、可恢复，并且知道什么时候必须停止，把决定交还给人。
2.不要让LLM包办一切：LLM负责理解和解释，代码负责确定性执行，人负责重大决策。
3.跑通不等于上线：能力必须经历"候选—影子—认证"，并具备降级和阻断机制。
4.停止也是一种生产能力：当证据不足、规则冲突、权限不够或风险过高时，Agent主动停止，比生成一个看似完整的错误答案更有价值。
落地挑战和方案重点
执行层：如何把"一次做对"变成"长期稳定做对"。
组织层：如何重新定义谁制定规则、谁处理异常、谁批准、谁负责。
如果原来的流程是：业务提需求 → 财务取数 → 人工测算 → 反复沟通 → 审批，不能只在最前面增加一个聊天机器人。
新的流程应该是：Agent理解需求 → 代码完成确定性处理 → Agent识别异常 → 人处理例外 → 系统推进审批和复盘。
Data Agent驱动业务管理闭环：碧桂园服务“问数-洞察-行动”全链路实践
演讲介绍
本次演讲介绍碧桂园服务Data Agent实践。面向数据驱动管理决策的高标准，确立查数错误零容忍、权限管控零越界、问数回答高精准的底线，坚守“宁可不回答，绝不错回答”的原则。方案选型以数据可信优先：Text2Metric、指标平台与数据质量治理保查数准确；统一权限系统保用数合规；领域小模型与Ontology保问数智能。现已打通查数问数、归因分析、行动闭环，为管理层打造7×24小时智能体助理，推动大数据团队从幕后支撑走向价值前台。
演讲提纲
一、业务背景：超大规模离散组织，数智化是天然刚需
碧桂园服务的组织形态，决定了数字化不是锦上添花，而是管理生存的必选项。
几十万员工、近万个在管项目，项目遍布全球，地理位置极度离散。总部不可能靠跑现场获知真相，分散管理天然需要数字化支撑。业务管理对数据报表需求极高，且对数据准确性要求极高。数据团队因此陷入大量数据整理、报表制作和反复核对工作中，难以抽身做更高价值的事。数据智能体建设成为必然：既解决繁重报表工作，又推动管理降本增效。
二、方案选型：先解决“可信”，再解决“智能”
没有可信数据，就没有可信智能体；没有权限隔离，就没有企业级落地。
可信数据底座 + 统一权限 + 领域模型 + 管理闭环 = 企业级数据智能体落地。
企业级数据智能体，首先要过“数据准、权限严、回答准”三道关。
数据准确性
早期走过 Text2SQL 路线：Demo 惊艳，但一进入实用就翻车。转向 Text2Metric 方案：业务口径由指标平台保证，准确率上限由数据平台决定。
做好数据质量治理，保障数据源准确性。
构建指标平台，拉齐集团数据指标定义和业务认知。
权限合规性
构建企业级统一权限管控系统。拉齐所有业务系统的数据权限，确保权限边界一致、可控、可审计。
回答准确性
采用意图识别小模型，把公司特有领域知识训练进小模型。保持模型自学习能力，持续提升对业务语言和模糊提问的理解准确率。
构建Ontology语义层，提高智能体度对属于语义的理解。
三、落地挑战：业务直接拿数据做决策，容错空间几乎为零
业务对 AI 的耐心，取决于数据答案的可信度。
数据智能体不是报表工具，而是管理决策入口，因此准确性、安全性和稳定性高于一切。
业务直接基于数据做管理决策，带来三个强诉求：
数据错误零容忍：不允许出现错误数据，错误数据会直接误导管理决策。
权限越界零容忍：不允许跨越权限看到敏感数据，权限管控必须严格。
模糊提问要精准回答：用户输入大量口语化、模糊化问题，但要求数据智能体给出精准答案。
本质挑战：
这不是一个技术 Demo，而是一个要嵌入真实管理流程的生产系统。
业务不会为“AI 很酷”买单，只会为“数据可信、决策可用”买单。
四、解决思路：宁可“不会回答”，绝不“胡乱回答”
确定性优先，是企业级数据智能体必须坚持的设计原则。
设计原则
只回答确定的答案，不回答不确定的答案。
宁可业务指责数据智能体“不会回答”，也不能让业务指责它“胡乱回答”。
技术支撑
数据可信：Text2Metric + 指标平台 + 数据质量治理。
权限可信：企业级统一权限管控系统。
回答可信：领域意图识别小模型 + 持续自学习。
管理闭环
在可信基础上，逐步跑通完整链路：
查数据：数据智能体基本能力，替代大量人工取数和报表工作。
做归因：从“是什么”走向“为什么”，实现高阶归因分析。
创待办：将归因结论自动转化为销项待办，推动责任到人、跟踪关闭。
成闭环：实现“查数—归因—销项”的管理闭环。
五、未来规划：让每个管理者都有一个数据智能体助理
数据智能体的分水岭，不是能不能查数，而是能不能驱动行动。数据智能体的终局，是成为企业所有管理者的数字助理。
持续深化“问数 → 洞察 → 行动”的闭环能力。
让数据智能体成为所有管理者的 7×24 小时数字助理。
从“辅助看数”升级为“主动预警、归因、派单、跟踪销项”。
真正打造成企业的数字员工，嵌入经营管理的日常流程。
六、总结：数据智能体让大数据团队从幕后走向价值前台
碧桂园服务基于数据智能体，实现了数据驱动业务管理决策的闭环，也抓住了 AI 时代给大数据团队的新机遇。
过去，大数据团队多在幕后做支撑，价值难以被直接感知。
现在，数据智能体让数据直接进入管理决策和行动闭环，直接产生业务价值。
听众收益
1.掌握高准确率数据智能体的技术选型思路
从业务需求出发，理解为什么 Text2SQL 容易“Demo 惊艳、生产翻车”，以及如何通过 Text2Metric、指标平台、数据质量治理、统一权限和领域意图识别小模型，构建“数据准、权限严、回答准”的企业级方案。
2. 看清企业级数据智能体真正落地时的挑战与应对方法
数据智能体不是技术 Demo，而是要嵌入真实管理流程的生产系统。听众将了解如何面对数据错误零容忍、权限越界零容忍、模糊提问精准回答三大挑战，并以“确定性优先、宁可不会答绝不胡乱答”为原则，逐步跑通“查数—归因—销项”闭环。
3. 理解 AI 时代大数据团队的价值跃迁路径
数据智能体让大数据团队从幕后报表支撑走向管理决策前台，从“辅助看数”升级为“主动预警、归因、派单、跟踪销项”，真正成为管理者的 7×24 小时数字助理，直接产生业务价值。
落地挑战和方案重点
1、数据质量治理与指标口径统一
超大规模离散组织，数据源多、系统多、口径多，业务对数据准确性要求极高。痛点在于历史数据质量参差、指标定义不统一、业务语言与数据语言存在鸿沟。
方案重点：以指标平台统一业务口径，以数据质量治理保障源头可信，把准确率上限交给数据平台和指标平台，而不是完全依赖大模型。
2、集团级数据权限管控
集团组织庞大、项目遍布全球、角色复杂，跨系统权限边界不一致，敏感数据多，既要保证可用，又要确保可控、可审计。
方案重点：建设企业级统一权限管控系统，拉齐各业务系统数据权限，确保权限边界一致、可控、可审计；在智能体链路中前置权限校验，权限不足时明确拒答或降级回答，坚持“权限越界零容忍”。
这两个问题没有一劳永逸的方案，需要“技术平台 + 数据治理 + 组织协同 + 机制建设”双轮驱动，也是企业级数据智能体最值得现场交流的痛点。
医疗长程决策模型，突破复杂任务精度与效率瓶颈
从生成到决策：LingDT-Decision 1.0 的原生多选与 DAG 实践
演讲介绍
在企业业务中，大量模型调用最终需要的并非长篇生成，而是快速、可靠的选择与行动决策。传统生成式方案在多选集合预测、复杂任务依赖和大规模服务上存在准确率与成本难题。
本次分享 LingDT-Decision 1.0 的技术路径：在 4B/27B 双规格基座上，以原生多选架构、数据与训练设计、DAG 决策编排实现能力与效率协同，并介绍 MaaS 上线中的关键工程取舍。
模型单模型最高日调用量约 40 亿 Token；在 LingDT-Decision-Index 评测中，27B 领先全部参评模型，4B 超过参评的 4B 和 9B 模型。最后探讨多模态决策与推理系统的演进方向。
演讲提纲
1.业务背景：为什么需要专门的决策模型？
● 从自然语言生成到结构化决策的业务需求变化
● 单选、多选、无正确选项及多步骤决策的典型场景
● 决策准确率、推理延迟与服务成本的核心矛盾
2. 方案选型：LingDT-Decision 1.0 的整体架构
● 4B/27B 双规格基座的选型思路
● 从自回归生成到原生多选的架构设计
● DAG 决策编排与复杂任务的结构化建模
3. 核心挑战与解决思路
● 多选决策中的答案数量不确定性、空集识别与集合预测
● 多任务训练数据构建、模型泛化与性能平衡
● 多步骤决策中的依赖一致性、重复计算与推理开销
4. 训练优化与工程落地
● 决策数据构建、训练策略与关键技术迭代
● 推理加速、上下文复用与服务系统优化
● MaaS 平台部署、稳定性验证与线上服务实践
5. 实验效果与业务成果
● LingDT-Decision-Index 评测体系及核心指标
● 4B/27B 双规格模型的性能领先表现
● 原生多选与 DAG 决策的技术价值及线上应用成果
6. 未来规划与总结
● 多模态决策、复杂 DAG 决策能力的持续演进
● 模型轻量化、高效推理与更广泛业务场景探索
● 从通用大模型走向专业决策模型的技术思考
听众收益
1.理解决策模型的架构设计思路： 了解决策任务与传统生成任务的本质差异，掌握原生多选、结构化输出及 DAG 决策编排的设计方法。
2.获得决策模型训练与优化的实践经验： 学习多任务训练数据构建、多选集合建模、训练策略与评测方法，理解模型效果与效率之间的权衡。
3.了解大模型规模化落地的关键路径： 从模型选型、推理优化到 MaaS 服务部署，借鉴决策模型从实验验证走向大规模线上应用的工程经验。
落地挑战和方案重点
挑战一：如何突破传统生成式模型在多选决策中的效率与精度瓶颈？
传统生成式模型往往需要通过文本生成或逐项判断完成多选任务，不仅增加推理开销，还面临正确选项数量不确定、无正确选项识别困难等问题。重点介绍原生多选架构、集合预测机制及针对性的训练优化方法。
挑战二：如何高效处理具有复杂依赖关系的多步骤决策？
实际业务中的多个决策问题往往存在前后依赖，传统独立调用方式容易造成上下文重复计算、推理成本增加和结果不一致。重点介绍 DAG 决策编排、依赖关系建模及共享计算优化思路。
从买菜到 AI 饮食管家：叮小咚的消费级 Agent 探索
演讲介绍
购物平台如何从满足购买需求，走向持续参与用户的日常生活？叮咚买菜以“叮小咚”AI饮食管家，探索连接饮食建议、食材购买与家庭食材管理。本次分享结合商品、交易与履约场景，介绍用户记忆、业务工具接入与主动服务的设计取舍，拆解需求模糊、家庭状态难感知、建议难执行等挑战，并讨论如何通过问题归因、评测与用户反馈持续改进。核心观点是：消费级Agent的价值，需要在具体生活任务中验证，并通过可靠服务逐步赢得用户喜欢。
演讲提纲
一、从购物平台向生活管家：为什么值得探索
1.从承接明确的购买需求，到理解尚未明确的生活需求。
2.购物平台的基础能力：商品理解、用户行为、交易与履约。
3.叮小咚的探索方向与当前边界。
二、从“买什么”到“怎么吃”：寻找真正有价值的任务
1.饮食建议、食材搭配、临期管理与周期服务的场景选择。
2.为什么“今天吃什么”仍然难以解决：需求模糊、家庭偏好多样、现实约束复杂。
3.如何通过用户反馈与实验，判断哪些方向值得继续投入。
三、从理解到执行：消费级 Agent 的构建取舍
1.用户记忆：区分长期偏好、家庭需求与即时意图。
2.业务接入：连接菜谱、食材、可售商品与履约能力。
3.状态与授权：处理信息缺失、需求变化、执行失败及行动确认。
四、从一次使用到持续信任：主动服务与迭代闭环
1.何时主动提醒，如何控制打扰与行动边界。
2.从运行轨迹和用户反馈发现问题，推动工具、记忆与模型改进。
3.从功能上线走向价值验证：任务效果、持续使用与业务增量。
听众收益
建立从功能上线到价值验证的迭代方法：学习如何结合运行轨迹、问题归因、评测与用户反馈改进 Agent，并从任务效果、持续使用和业务增量判断产品是否真正有用。
落地挑战和方案重点
1.“今天吃什么”：从给出合理建议，到真正帮用户做决定，仍有距离。 用户往往说不清想吃什么，还要兼顾家人口味、现有食材、做饭时间和预算。Agent 可以生成很多菜谱，但如何减少用户的选择负担，让建议被采纳并执行，仍需持续探索。
2.“家里还有什么”：真实生活状态难以准确、持续地获取。 购买记录不等于冰箱库存，更不等于实际饮食；食材可能来自其他渠道，也可能已消耗或丢弃。如何在不增加用户记录负担的前提下，让临期提醒、补货建议和饮食分析足够可靠，是从购物助手走向生活管家的关键难题。
懂上下文、有记忆、会主动：OPPO企业级工作助手Agent实践
演讲提纲
1. 整体背景与技术架构
2. 安全skill运行系统
3. 双通道上下文系统
4. 基于记忆与信息流的主动服务系统
跨会话记忆如何又准又省：EverOS 2.0 的记忆抽取与多轮检索实践
演讲介绍
Agent 跨会话记忆要在成本、稳定性和准确性之间取舍：调用通用大模型做抽取和检索，成本高；取少了漏证据，取多了污染上下文。EverOS 2.0 把这两步换成自研模型：一个抽取模型覆盖聊天、智能体轨迹、文档，直接读图；检索先由 Mem-∞ 召回，再由 TopUp 决策器多轮挑选。4B 决策器在 LoCoMo 上证据找全率 98.7%（27B 基座 95.6%），答题准确率与 27B 基座持平。并分享决策器"少选、早停"的坑。
演讲提纲
1.问题：跨会话记忆在成本、稳定性、准确性之间的取舍。EverOS 1.x 依赖通用大模型，瓶颈有三：调用成本高；图片要先转成文字；记忆取少了漏证据，取多了污染上下文。
2.方案选型：写入和读取分开；存储以 Markdown 为准，SQLite 记状态，LanceDB 做向量和关键词索引；为什么换成自研模型。
3.架构：
写入侧：chat、working（含 coding）、knowledge 三条抽取链路由一个模型完成，直接读图；
读取侧：Mem-∞ 向量召回，TopUp 多轮挑选，按需放进上下文。
4.指标：证据找全率、答题准确率、成本与时延；与 27B 基座、通用大模型对比。
5.踩坑：
示范数据让决策器"少选、早停"；
只读摘要不读全文，准确率低约 9 个点；
只看答题准确率会掩盖漏召回。
6.未来规划：分链路 RL 和多专家合版、视频和智能眼镜、小模型蒸馏。
7.总结。
听众收益
1.一套可落地的 Agent 记忆架构：写入（抽取）和读取（召回加多轮决策）分开；存储以 Markdown 为准，SQLite 记状态，LanceDB 做向量和关键词检索。
2.跨会话记忆怎么平衡成本和准确性：用自研小模型替代通用大模型做抽取和检索决策，4B 决策器的答题准确率与 27B 基座持平。
3.训练记忆模型的踩坑经验：
示范数据只保留"恰好选对"的，模型会学成少选、早停；
决策器只看摘要、不读全文，LoCoMo 准确率低约 9 个点；
用证据找全率可以提前发现这些问题。
落地挑战和方案重点
1."找全"和"精简"难以兼顾。多选能把证据找全，但上下文会变长、噪声变多，答题成本也会上去。怎么让决策器既不漏选也不多选，还在用 RL 优化。
2.多模态记忆缺训练数据。聊天里的照片、截图，缺少有规模、带跨会话标注的公开训练集；今年新出的评测集大多只能评测，不能拿来训练。目前用官方训练集加老师示范来补。
从 NL2SQL 到业务闭环：本体如何成为 Agent 的业务认知底座
演讲介绍
数据治理做了二十年，BI 和 Agent 却仍然"听不懂业务"：指标口径不一、实体对不齐、AI 幻觉频发。根源在于，数据集成解决了"通"，没有解决"懂"。我们对这一问题的诊断是：语义互操作存在四层系统性缺失，即语义标注缺失、跨系统概念异构、业务规则非形式化、操作语义未定义。
本次分享介绍我们的解决思路与实践：以 O-R-R-A 框架（对象、关系、规则、行动）定义机器可执行的业务认知契约，以增量式本体工程推动企业认知持续生长。目前已在 10 多个主流系统完成分钟级异构字段对齐，指标口径统一率从 62% 提升至 95%，风险路径识别时间从 3 天缩短至分钟级。相关方案已在企业级数据智能项目中落地验证。
演讲提纲
1. 业务背景：为什么 Agentic AI 卡在"最后一公里"
· 企业数据资产现状：系统林立、口径割裂，AI 缺乏业务上下文
· 语义互操作的四层缺失：语义标注缺失、跨系统概念异构、业务规则非形式化、操作语义未定义
· 核心判断：Agent 的瓶颈不在模型能力，而在语义供给不足
2. 方案选型：为什么是本体，而不是更大的数据中台
· 六层语义使能阶梯：从词汇表到逻辑模型的语义建设路径及配套治理机制。四层缺失回答"哪里断了"，六层阶梯回答"该修到哪一层"
· O-R-R-A 本体框架：对象、关系、规则、行动，构成机器可理解、可推理、可执行的业务模型
· 本体与知识图谱的关系：知识图谱是实例层，本体是 Schema 层的业务认知模型，二者协同而非等同。本体不是画出来的知识图谱，而是能被 Agent 执行的认知契约
· 关键选型结论：以本体约束的语义解析替代直连 NL2SQL，解决幻觉与可解释性问题；以本体工程替代一次性知识图谱项目，解决建模周期与治理难题
3. 落地挑战与解决思路：璇玑 DataAgent 平台的架构设计
璇玑 DataAgent 将本体建模拆解为业务数据接入、本体设计、本体实现、本体消费四个步骤，通过人机协同完成建模闭环，对外提供 API/MCP 双通道语义服务，支持语义混合检索。其中，四个步骤构成每个迭代的执行闭环，回答"每一步做什么"；增量式本体工程的六阶段路径（场景牵引、识别对象、按需建模、连接数据、应用验证、持续沉淀）是迭代的推进节奏，回答"迭代多快、如何验收"。内环做事，外环控节奏。
· 挑战一：本体建模周期长、业务参与难。解决思路：用例驱动的增量式本体工程与人机协同建模。以 50 个核心概念为界构建最小可用本体，按六阶段路径推进、90 天完成迭代；业务人员在建模工作台参与本体设计，数据映射引擎自动探查 Schema、辅助异构字段对齐，将建模从专家独白转变为人机共创。
· 挑战二：语义资产"建而不用、用而不治"。解决思路：将本体做成运行时基础设施而非离线文档。能力层面，璇玑 DataAgent 提供六大组件：建模工作台（业务人员协同建模）、数据映射引擎（Schema 自动探查对齐）、语义查询引擎（本体约束生成、语义混合检索、结论可回溯）、统一指标服务（一次注册、全局消费）、Agent 接入网关（上下文注入与语义校验，经 API/MCP 双通道对外服务）、治理控制台（版本、血缘、质量）。治理层面，建立三方评审机制（业务专家定义语义、数据架构师建模、AI 工程师落地）与 SemVer 语义化版本控制，治理目标为跨场景复用率不低于 60%、对齐准确率不低于 95%。
· 挑战三：AI 输出不可解释、不敢采信。解决思路：以本体作为业务认知契约，约束 Agent 的查询生成与推理路径；语义混合检索使每条结论均可回溯到本体概念、关系与规则，实现可解释分析。
4. 企业实践
· 实践一：跨系统语义对齐与对话式分析。完成 ERP/CRM/MES 等系统的实体对齐与分钟级异构字段映射，统一指标语义；对话式分析能力从回答 What 升级为沿关系链下钻 Where、Who、Why、What Next
· 实践二：沿关系链的风险推理。以供应链风险传染路径为主案例，风险识别从单点阈值预警升级为关系链传播推理
· 实践三：场景驱动的精准数据治理。治理导向从资产完备率转向业务价值，从"几万张表都要治理"转向"优先治理支撑场景的关键数据"
5. 未来规划：从项目到认知资产运营
· 语义反馈闭环模型（SFLM）：让本体在使用中持续生长。以查询日志聚类、概念缺口识别、三方评审入库三项机制落地，评审通过的概念以 SemVer 新版本入库，进入下一个使用周期
· 五阶段认知能力跃迁路线图：数据可见、语义可查、关系可推、业务可问、决策可谋
6. 总结与建议
· 两条可复制的最小实践路径：增量式本体工程与 SFLM 反馈闭环
· 核心观点：企业的核心竞争力，正从"拥有数据"转向"拥有可被执行的业务认知"
听众收益
· 一套可诊断的框架：掌握四层语义互操作缺失的诊断方法与六层语义使能阶梯的评估工具，能够对照判断本企业智能建设所处阶段与短板。
· 一条低风险的落地路径：一张可带走的 90 天起步路线图，选定 1 个高价值用例、构建 50 个概念以内的 MVP 本体、接入 1 个 Agent 场景，配套三方评审与语义化版本治理，避开"大爆炸式建模"的失败陷阱。
· 三个可参照的实战样板：跨系统语义对齐与对话式分析、沿关系链风险推理、场景驱动精准数据治理的完整案例，含选型对比、治理机制与量化效果指标，可直接对标。
落地挑战和方案重点
核心落地挑战一：语义建模起步重、见效慢。传统本体工程动辄数月建模，业务方中途流失。方案重点：用例驱动的增量式本体工程，走六阶段路径，以 50 个核心概念为界构建最小可用本体，每个迭代绑定一个可量化的业务价值点，一个场景一个场景地把企业认知"长出来"。
核心落地挑战二：语义资产建而不用、用而不治。本体沦为文档资产，与数据、指标、AI 应用脱节。方案重点：璇玑 DataAgent 平台将本体做成运行时基础设施，以业务数据接入、本体设计、本体实现、本体消费四个步骤形成建模闭环，经 API/MCP 双通道对外提供语义服务；语义查询层统一对外服务，Agent 接入网关完成工具注册与业务上下文注入，治理控制台实现版本、血缘、质量的全链路管理；通过三方评审与 SemVer 语义化版本控制保障质量，通过 SFLM 反馈闭环让本体在使用中持续生长。检验标准只有一个：本体是否进入了 Agent 的运行时调用链。
核心落地挑战三：AI 输出不可解释、不敢采信。大模型直连数据仓库产生幻觉。方案重点：以本体作为业务认知契约约束查询生成与推理路径，语义混合检索使每条结论可回溯到本体概念、关系与规则，实现可解释分析。
方案重点总结：本体不是画出来的知识图谱，而是能被 Agent 执行的业务认知契约。落地成功的关键不在建模技术，而在增量建设、运行时供给、治理机制、反馈闭环四位一体的工程化体系。
本体驱动的业务语义理解与约束自治 Agent 决策执行框架
演讲介绍
针对大模型“懂语言不懂业务、能执行不可审计”的问题，介绍如何以本体承载“业务一张图”，构建本体与Agent双向协作机制，并通过业务原语、Harness约束执行与可观测Benchmark，实现“本体给语义与边界、Agent给规划与执行”的约束自治，结合物流场景分享落地路径。
演讲提纲
一、问题驱动 ：修改运单信息 可以交给Agent处理吗
二、问题的分析， 三个断裂：Agent 为什么「说得对、做得错」
三、什么是本体，五大支柱，相对知识图谱突破的区别
四、本体驱动的Agent决策执行
五、案例展示
听众收益
认知收益：理解Agent与本体不是“一个查、一个答”的单向关系，而是双向协作：本体为Agent提供业务语义、约束护栏、动作语义和评估依据；Agent反过来帮助本体补全实例、发现规则冲突、生成候选业务原语、回写执行经验。
方法收益：掌握Agent与本体协作的关键模式，包括语义解析、约束校验、工具/动作编排、推理验证、人在环审批、审计回滚与经验回写。
落地收益：理解如何避免大模型“懂语言但不懂业务、会生成但不受约束、能执行但不可审计”的问题，把本体作为Agent的“业务世界模型+约束护栏”。
一句话收益：听完能设计“本体给语义与边界、Agent给规划与执行”的协作机制，而不是把本体做成静态文档。
落地挑战和方案重点
业务知识都在文档，代码和人的经验里，本体是承载该业务知识的较好载体。 也是Agent工作的作战地图。
小米智能制造Ontology实践
AI Agent 驱动数据消费新范式 —— 得物公司级数据智能体落地实践
演讲介绍
依托 Deep Agent，搭建从自然语言意图理解到报告结论产出的端到端数据智能链路，创新打造 “数据消费” 新范式。依托自然语言取数、智能归因、自动报告三大能力，完成业务决策从 “人找数据” 向 “数据找人” 的模式跃迁。
方案攻克意图理解、资产召回、指标口径准确性、数据安全权限几大核心挑战，落地数据资产语义、ReAct 取数编排等关键能力。项目落地后，取数工单由 2~3 天缩短至秒级，异动归因由 1~2 天压缩至分钟级，周报产出效率提升 80%，自助取数率稳定≥80%。
数据与决策Agent——从问数到数据工程自动化
演讲介绍
随着企业的发展，数据体系愈发庞大，消费门槛越来越高，取数依赖排期，归因靠人工拆维度，周期常超一周，固化的是看板，可流动的是新问题。我们大模型和小模型搭配使用，通过后训练与推理加速增强可用，结合Harnness和Agent Loop等把结果引向可信赖。
演讲提纲
1.业务背景与痛点，数据很多vs决策很少
2.智能问数开始，依托于数据引擎，设计了分层的可信路由
3.分析Agent，从归因算法搭建到分析链路沉淀
4.自动化报告，自动化报表和分析报告
5.记忆和自迭代skill管理
6.功能模块 权限管理/红黄绿等提醒/质检
7.总结与规划
听众收益
1.能力演进路径
2.分层架构应用
落地挑战和方案重点
口径歧义/成本失控/准确率不可信
金融口径之战：天天基金Data Agent的语义层实践
演讲介绍
大模型时代，NL2SQL的技术门槛正在快速消失，ChatBI的胜负手已从"能不能生成 SQL"转向"能不能吃透业务语义层"。天天基金作为头部三方基金销售机构，业务中金融数据的特殊性让这一挑战被放大：指标口径复杂、时序前后强关联、业务生命周期超长，通用方案的取数准确率往往不足以投入生产。本次分享介绍我们的解题路径：以金融业务语义层为核心，构建传统报表到ChatBI知识库的自助转移，问答准确率达到96%；同时突破"被动问答"范式，通过个性化偏好学习、将用户的分析思路沉淀为可复用Workflow、支持结果分享协作，让ChatBI从取数工具进化为自动分析引擎。
演讲提纲
1.天天基金背景介绍、基金业务数据特点介绍
2. 知识系统建设、报表系统到ChatBI知识库自动迁移方案
3. NL2SQL优化实践：知识渐进检索、虚拟SQL、SQL Guard等
4. 用户体验优化：会话抽取workflow、个性化、自进化的设计与研发
5. 一个具体的分析例子
6. 未来方向展望
听众收益
1.可以了解实战中提升NL2SQL准确率的有效手段
2. 了解金融数据的一些典型特征和分析困难
3. 可以了解我们系统中自创设计的一些智能数据分析功能，获得一些灵感和借鉴
落地挑战和方案重点
如何提升用户的安全感？用户总存在“过分相信”和“过分怀疑”的使用情况，需要研发相关数据结果验证功能，帮助用户cross check
阿里云服务专家经验的 Agent 沉淀与可控自进化
演讲介绍
本次分享聚焦在阿里云智能服务 Agent Skill 方向的两道核心难题。第一道是"沉淀"：服务专家脑中有大量隐性经验，靠人写静态文档既慢又容易过时，我们会介绍一套自动化转换方法论“如何从真实服务中提取决构造面向 Agent 的可执行 Skill”，把经验沉淀从周级压缩到小时级自动。第二道是"进化"：AI 产品迭代快、活动规则频繁变更，已上线的 Skill 必须跟得上业务节奏，我们会分享在可控自进化方向的技术探索，包括 Skill 如何感知变化、如何触发更新、以及如何在“自动生长”与“人工审核”之间守住安全边界。整个演讲会从业务挑战讲起，覆盖专家能力放大、Skill 资产构建、自进化机制，最后给出生产环境中的落地效果与我们对 Agent Skill 生命周期管理的阶段性思考。
演讲提纲
1:阿里云智能服务的业务挑战与演进过程
2:阿里云智能服务的专家解题能力放大
3:如何把专家隐性经验沉淀为资产
4:阿里云智能服务 Agent 的可控自进化
5:阿里云服务领域的实践经验总结
听众收益
1.阿里云智能服务领域中，如何将专家的经验、业务流程沉淀为 Skill、知识，帮助其解题能力放大
2.阿里云智能服务如何实现 Agent 的可控自进化，让Agent跟上产品迭代速度的能力生长
3.阿里云服务领域的实践经验总结并做通用抽象，可以给其他业务带来哪些参考
落地挑战和方案重点
1.阿里云客户服务领域中，服务专家有大量的隐形经验需要沉淀，人撰写静态经验文档耗时耗力，如何自动生产 Agent、Skill、Knowledge 成为了一个重要的课题，本次分享会重点介绍自动化转换 Agent、Skill、Knowledge 的方法论
2.阿里云 AI 类产品迭代速度很快，产品活动规则更新频率较高，如何让 Agent 能力跟上产品迭代速度，实现可控的、自动化的能力生长非常重要。本次分享会重点介绍我们在可控自进化方向的技术探索。
自进化Agent系统的设计与实践
Ontology Wiki：企业级Agent友好的投研数据知识引擎
演讲介绍
企业级 Agent 落地最容易被低估的一条痛点——企业级上下文、企业级记忆应当如何建设。本文提出的Ontology wiki技术方案，围绕金融投研场景，基于本体化结构长期维护机构级Agent记忆，并给出以 Ontology 定义结构、以 Wiki 承载内容、以 Page 与 Link 表达关系、以 Agent友好（A2A）对外交付的建设路径。从"个体能干活"到"机构能进化"，而机构进化的前提是企业级Agent记忆的架构与沉淀。未来护城河不在模型强弱，而在机构匹配自身风格的知识、事件、框架、方法论沉淀了多厚。
演讲提纲
一、引言
1）企业级 Agent 的最后一公里：从"能聊天"到"能干活"，再到真正嵌入企业级工作流
2）四大痛点：数字无法逐级溯源、工具调用无法审计留痕、结论无法验证证伪、每次醒来从零开始、没有长期记忆
3）记忆的三条工程路线：OpenClaw 的文本记忆、Claude Code 的分层规则、Karpathy 的双向链接 wiki——共同指向"把记忆落到磁盘上长期累积"，但纯语义定义还够不到金融垂域，由此引出 Ontology Wiki
二、投研本体 Schema 设计
1）五层记忆 Schema：假设层记"我们对未来怎么看"，证据层记"已发生的事实"，溯源层保证每条判断都能回到原始依据，指标层挂可比数据，实体层打地基，底层实例层承接每天流入的真实数据
2）四类对象定义知识结构：实体、概念、属性、关系；属性用"实体 + 指标 + 时间 + 值"四元组表达，每条事实固定 12 个字段，来源、口径、时间都可追溯
3）双层纪律保本体不腐化：类型层冻结、新增类型要双签复评；实例层自由生长、新数据不用等评审；再配奥卡姆剃刀、贴合现有数据源、对齐国际标准三条铁律
三、应用场景
1）场景一 · 产业深度研究：把产业链上的公司、产品、事件连成一张网，政策或价格变动沿关系边做占比连乘，定量测算对下游各环节的成本影响，不再停留在定性判断
2）场景二 · 主题数据挖掘：从专利里捕捉比产品发布更早的技术信号，从舆情里捕捉比财务兑现更早的市场关注，两者挂到同一套实体与主题上
3）场景三 · 银行科创企业预期信用：用先行信号、可估时滞、可证伪条件三条纪律，覆盖传统财务信用够不到的"尚未兑现的成长"
四、总结与展望
- 机构进化的前提是机构记忆；3 年后护城河不在模型强弱，而在机构匹配自身风格的知识、事件、框架、方法论沉淀了多厚。
听众收益
1.建立从"数字、结论、假设"到"可验证、可追溯、可复算"的投研 Agent 设计框架，理解从本体 Schema 到知识组织到数据管道到交付闭环的工程栈设计思路。
2.理解假设层 / 证据层 / 溯源层 / 指标层的分工，掌握用 Ontology 定义结构、用 Wiki 承载内容、用 Page 与 Link 表达关系替代纯语义定义的记忆方法。
3.掌握围绕产业链拓扑做占比连乘传导测算、围绕预期台账做兑现对账的方法，理解快慢双尺度的更新闭环。
4.区分类型层冻结与实例层生长，理解 Schema 双层纪律如何防止本体腐化、保证跨期跨部门口径可比，获得高要求场景下建设 Agent 的方法与取舍参考。
落地挑战和方案重点
1.金融数据口径不一、跨期不容易可比，多步骤任务稳定性不足，以及"数字从哪来、结论能否证伪、谁在什么时点调了什么"的溯源与审计要求。在高要求场景下从"能演示"走向"能生产"的根本性工程挑战：概率性检索结果不可控、推理导向模型不擅长执行、通用工程框架无法满足领域确定性要求、企业级记忆无法长期累积。
2.以 Ontology 定义结构、以 Wiki 承载内容、以 Page 与 Link 表达关系的三层设计：Schema 层冻结与实例层生长保证本体稳定；三型页面+ 两种链接+「页面不搬数据」保证 Agent 友好且成本可控；溯源层保证每条判断可沿链回退；快慢双尺度闭环与三条护栏保证长程任务稳定交付。以任务及交付物明确验收条件，保留知识来源与执行记录，通过假设台账到期对账与历史兑现率沉淀迭代。
从业务反馈到能力迭代：Agent 后训练闭环的构建与探索
从内而外优化 Agent：模型训练、技能演化与人机协作
演讲提纲
一.开场：Agent 的优化对象
从软件走向 agentic 的变化切入，说明优化 Agent 不只是提升模型能力，还包括执行策略和人机协作。通过 Model、Harness / Skills、Interaction 三层结构图建立全场框架，System 作为支撑底座，随后从内向外展开。
二.模型训练：Harnessed Agentic RL
讨论如何让模型在真实 Agent 执行环境中学习，将工具使用和任务执行经验内化到模型参数中。以 Agent Lightning 为主线介绍训练与 harness 的连接，再结合代表性算法工作说明如何发现有效行为并将其转化为模型能力。
三.技能演化：Training-Free Agent Optimization
讨论在不修改模型权重的情况下，如何通过优化技能和外部策略改善 Agent。以 SkillOpt 和相关工作为例，介绍从执行反馈中积累经验、更新技能的思路，强调技能演化需要受控的优化与验证，而不是随意改写提示词。
四.人机协作：Interactive Harness
将优化视角从 Agent 独立执行任务扩展到人与 Agent 共同完成任务，讨论如何支持意图表达、进展理解、适时介入和纠偏。结合具体交互案例，说明 harness 不只是执行工具，也可以成为组织人机协作的机制。
五.总结：选择合适的优化层次
回到三层结构图，总结模型训练、技能演化和人机协作各自改变什么、适合解决什么问题，以及它们如何互补。强调优化 Agent 的关键不是始终采用某一种方法，而是找到合适的干预层次，并验证整体任务与协作效果。
听众收益
1.建立从模型、技能到人机协作的 Agent 优化框架，判断不同问题适合在哪一层解决。
2. 理解 Harnessed Agentic RL 与 training-free 技能优化的核心思路、适用条件和局限，为技术选型提供参考。
3. 从“提升自主执行能力”扩展到“改善人机协作”，获得设计可理解、可介入、可纠偏 Agent 的思路。
落地挑战和方案重点
1. 以 Agent-Lightning 为代表的 Harnessed Agentic RL 框架
2. 以 SkillOpt 为代表的 training-free agent optimization 框架
南天门智能路由等模型后训练实践分享
演讲介绍
本议题分享一套经过生产验证的后训练体系——以领域数据流水线为地基、SFT/RL为引擎、三层评测闭环构建体系，并通过三大场景验证其实战价值: 自研企业级 AI 网关的智能路由实现难度感知动态调度，单位任务成本下降25%；编码大模型适配xx开发场景，代码采纳率提升 X10个百分点；服务在线问答准确率达90%，落地过程直面幻觉治理、难度分级、缓存与路由协同等硬挑战，形成“数据-训练-评测”可复制的闭环方法论，为企业大模型从试点走向规模化提供实战参考。
演讲提纲
1、背景、痛点以及目标
2、大模型训练体系构建
3、南天门智能路由/智能编码/智能路由等实践
4、总结与展望
听众收益
1、获得一套可复制的智能路由落地方案——了解如何在企业级网关中构建难度感知的路由模型，实现模型使用效率与调用成本的双重优化，获得可直接借鉴的工程路径；
2、获得一套可复制的智能问答优化方案——了解热线/在线场景下问答准确率提升的算法优化与数据迭代实践
3、掌握成体系的企业级后训练方法论——覆盖“数据构建 → 训练策略 → 评测闭环”全链路，理解通用大模型适配企业场景的完整方法与关键决策点
落地挑战和方案重点
1、智能路由的难度感知：路由的“大脑”本身就是难题，任务复杂度、所需能力维度（推理/代码/多语言）、上下文长度……单一分类器很难覆盖
2、智能问答的挑战 70% 在模型之外：知识治理、意图理解、检索工程、评测兜底——模型只是冰山露出水面的部分，藏在水面下的工程体系才决定准确率能不能过业务红线
从超级个体到超级团队：纷享销客 AI 研发体系重构实践
演讲介绍
很多企业已经看到个⼈使⽤ AI 后的提效，但个⼈效率不会⾃动变成组织效率。真正的瓶颈往
往在需求、设计、开发、测试、发布和运维之间的等待、交接与验证。本次分享以纷享销客
的真实实践为例，讲述企业如何把 TAPD 中的需求、测试和 Bug，设计资产，代码仓库以及
⽇志、指标、配置和运⾏现场沉淀为 AI 可调⽤的知识环境；再通过诸葛把传统告警和定时巡
检推进到第⼀道根因诊断，通过 Multica 让 Agent 跨仓库、跨终端和跨微服务执⾏任务，最
终形成 Agent 持续推进、⼈负责关键判断和结果验收的组织闭环。
演讲提纲
1.个⼈提效与组织提效的差距
2.企业知识资产建设
3.诸葛跨环境根因诊断与 7×24 巡检
4.Multica 跨仓库全栈交付
5.产品体验需求的 Agent 闭环
6.如何⽤业务结果验证 AI 转型
听众收益
听众将理解为什么个⼈使⽤ AI 后，团队周期仍可能没有明显缩短；学会识别企业真正的瓶颈是在编码、协作、验证还是发布；了解需求、设计、Bug、代码和运⾏现场如何沉淀成 AI 可调⽤资产；看到 Agent 如何处理传统告警、定时巡检、⼯单、责任团队沟通和 IM 群聊应答；掌握把⼤需求拆成可独⽴验收切⽚的方法；理解产品体验类需求同样可以进⼊ Agent 驱动的交付闭环；并建⽴不只看 Token、使⽤率和任务数量，⽽是看问题解决时间、交付周期、质量和业务结果的评价⽅式。
落地挑战和方案重点
1.只提⾼写代码速度，⽆法解决组织交付中的等待和交接。
2.需求、设计、Bug、代码和运⾏现场，才是企业 AI 能持续复⽤的知识资产。
3.传统告警和定时巡检都可以交给 Agent，先形成带证据的第⼀道诊断，再通知责任团队。
4.复杂问题必须允许 Agent 继续追问；“弱⽹”只是表象，客开传参才可能是根因。
5.跨仓库任务要按可独⽴验收的价值拆分，不能把所有责任塞进⼀张⼤单。
6.⼈负责⽬标、边界、体验、Review 和最终责任，Agent 负责持续执⾏、同步和复查。
AI Native 是一种相处方式 —— 从 Tarot Pixel 看「设计稿到代码」的人机协作
演讲介绍
AI Native 是什么？我们的答案是一个词：相处。本次分享把 Tarot Pixel 六个月的实践讲成一份「关系记录」：从「直接让模型看设计稿」（理解 80%，缺精准数值），到「缺什么补什么」的四类视觉上下文；从劣质视觉稿击穿 200K的暗礁，到降噪流水线；从 diff 图的盲区，到 render tree 反馈；直至布局审计（layout-audit）驯服「过拟合」——在「补位与边界」的反复校准中，学会与模型共事。方案支持多技术栈，并在多个 BU 落地，且成本可接受。
演讲提纲
1.业务背景与起点：算法困局的宿命——无限的视觉稿变种 vs 有限的启发式规则，人始终在链路里；验证「大模型能否替代人的视觉 + 思考」：直接给截图还原，理解达 80%，但缺精准数值（间距爱猜 24/20/16）。
2. 方案选型与整体设计：
设计思路：Tarot Pixel 不负责写代码，而是让 Coding Agent 看懂视觉稿，理解环境，获得反馈。
核心思想：模型缺什么就补什么
整体架构（上下文链路 + 反馈闭环）：
① 上下文链路：MasterGo 插件（尽量原样导出）→ HTTP 四类视觉上下文（整体预览结构 / 标注图 / 视觉上下文 / 切图）→ tarot-pixel Skill（给 AI 看的接口说明书）→ Coding Agent 自主实现
② 反馈闭环：实现 → 验证（截图 / render tree diff）→ 定向修复 → 再验证，循环至视觉收敛
3. 落地挑战：
① 劣质视觉稿三类病（无用覆盖节点 / 冗余层级 / 异常层级）击穿 200KB 上下文
② 模型「会自己造工具」，但每次造不稳定、私域造不了——反馈能力需要工程预置化
4. 解决思路：
① 降噪流水线（深度 8-12 → 3-5 层等数据）
② 循环工程「做 → 看 → 改」+ 像素 diff + render tree diff 反馈（文本 / 图片 / 背景审计）
③ 布局审计：治「过拟合」（12 条反模式 + 评分）
④ 私域技术栈（Weex / DX / Muise）+ 真机环境 + TaoDesign 组件知识库
5. 未来规划：真机双端大规模评测、验证器持续打磨、评测体系扩展；目标「一次接近完成、逼近 0 次人工干预」。
6. 总结：AI Native 是一种「相处方式」——补位（AI 能做好的让 AI 做、做不好的工程补）与边界（随模型能力移动）+ 三个反面教训（图片黑洞 / 信息诱导 / 工程过度丢语义）
听众收益
1.一条可复用的 AI Native 路径：从「缺什么补什么」到「上下文工程 + 循环工程 + 三层验证器」的完整演进史，含失败与回撤的决策细节。
2. 工程与 AI 的边界判断：哪些必须工程解决（脏数据治理）、哪些应信任模型（布局推断）、哪些随模型能力有条件启用——含三个反面案例（图片黑洞 / 信息诱导 / 工程过度丢语义）
3. 可借鉴的评测与降本数据：如何用评测驱动迭代，让中低端模型也达到高还原度、把复杂场景成本压到 2 元以内。
落地挑战和方案重点
1. 脏数据不可控：劣质视觉稿让 Agent「越努力越错」，并把上下文击穿 200KB 阈值——工程层前置降噪治理是唯一解。
2. 模型缺「发现问题的能力」：能做对，但不知道自己哪里没做对——如何用三层验证器（像素 diff / render tree diff / 布局审计）把「发现问题」交还给系统，同时防止为追高分牺牲代码质量。
基于驾驭工程的设计方案还原与演进智能体
演讲介绍
原先采用敏捷迭代开发模型，产品在立项阶段输出系统方案，在迭代开发过程中，为实现新需求可能编写实现方案，该实现方案主要描述为实现该需求现有设计要做哪些变更，该方案是为人编写的、上下游人员达成共识即可。但这样的方案有太多的知识被隐藏了、粒度较粗、描述口语化、不全面、不精确。AI大模型很难准确理解这些实现方案，更关键的是这样的方案是临时的、不保活的，以后新需求导致软件设计变更时历史的方案不再修正，如果直接利用这样的方案让AI对新需求进行方案设计，效果很差。
今天介绍构建基于驾驭工程的方案设计智能体，借助大模型对历史的、零散的方案进行挖掘、提炼、整理，还原出完整的子系统方案设计的实践。
演讲提纲
（1）背景与挑战：大模型时代下的软件方案设计
大模型时代的软件方案设计痛点，敏捷、AI prompt、copilot、workflow、Agent阶段的痛点
大模型时代的软件方案设计诉求，方便、易用、准确、完备、智能、稳定
（2）核心方法论：方案设计域知识体系
方案设计域知识体系，活动流、知识流、知识库
知识关联关系，问题域与实现域、全量与增量、持久与临时、上游与下游、相关与相似、规范与指导
（3）解决方案
解决思路：总控与多智能体的一体化方案、基于历史知识还原设计方案、新需求触发的方案设计变更、驾驭工程
实现方案：整体框架、基于RIPER-5协议的设计还原/方案设计、基于驾驭工程的设计还原/方案设计
（4）落地效果
基于RIPER-5协议智能体实践效果
基于驾驭工程智能体的实践效果
（5）未来规划
改进与自进化，完善Rules、Plugins、mcps、skills、agents
完善知识工程与知识消费
深化完善智能体，如方案评估/评审、重规划、内容生成
端到端完善，夜间工程真正实用
听众收益
（1）了解设计相关知识体系
（2）理解方案设计整体框架
（3）可借鉴方案设计智能体方案
（4）思考大模型时代下方案设计发展趋势
落地挑战和方案重点
落地挑战：需要有基于知识体系化的知识规范
方案重点：如何构建设计方案还原智能体
从过程式开发到定义即开发：数据开发Agent在小米的应用与实践
演讲介绍
指标定义与数据开发长期串行割裂：口径靠文档传递，反馈环动辄数周。本次分享介绍小米数据团队的「定义即开发」实践——以语义模型为唯一契约，指标平台收敛定义、数据平台承接开发，Data Model Graph 让「数据是什么」与「数据怎么取」正交解耦；Agent 嵌入数据产品与数据开发职能位，人只做审核把关。分享将拆解六步开发 SOP、MiMo 经营分析端到端案例与真实踩坑复盘，探讨语义层如何成为 AI 时代企业数据的统一入口
演讲提纲
一.背景与现状
1.现状：BI 时代的数据开发流程
2.Agent 时代旧模式阻碍新技术落地
3.纯数据 Agent 方案，缺一个契约，无法真正连接语义与数据，实现可信数据开发
4.论点与目标：定义即开发
二.研发流程与系统设计1. 总体设计：生产关系重构
2. 六步 SOP 全景
3. 质量左移：Review 节拍 + 四道门禁
4. 架构收敛：四层金字塔变三层
5.关键概念：DMG 是什么
6. DMG 设计（1）：双描述层
DMG 设计（2）：语义建模 SQL 化
DMG 设计（3）：服务拆分 Mill × GMS
Agent 设计（1）：双 Agent 职责矩阵
Agent 设计（2）：变更级联——契约的考验
7.技术亮点
8.经验沉淀：三条反直觉
三.业务应用：两个业务域的实证
1.案例① 挑战
案例① 方案与效果
案例② 汽车充电：挑战
案例② 汽车充电：方案与效果
2.收益总览与平台形态
四.未来展望
1.现状与差距
2.四个升级方向
3. 推广路线
听众收益
1.了解小米数据 Agent 发展现状与技术实现
2.了解小米业务落地实践，共同探讨落地经验与优化方向
落地挑战和方案重点
1.Review 仍是吞吐瓶颈：自动化了执行，没自动化责任
2.语义模型质量决定上限：契约错了，后面全错且错得更快
3.底层技术设施的查询加速方案
从ChatBI到企业级数据Copilot：沙箱隔离、知识库权限与 Skills 编排
演讲介绍
ChatBI 的瓶颈不在模型写不出 SQL，而在口径飘、数字被编、权限随 prompt 泄漏。不走端到端 NL2SQL，我们拆三条链路：知识一次编译成可导航实体，沉淀万级别指标、百级别维度、更多的码值；权限下沉到 Agent 链路，知识按人过滤，取数范围与权限求交，越权拒答；Skills 只做路由填槽，数字来自指标接口。替代 90% 人工取数。拼的不是模型大小，而是可编译的知识和面向 Agent 的权限。
演讲提纲
一、业务背景：ChatBI 在生产里的三类痛点
指标对不上——模型按通用语义猜口径，对不上企业私有定义
数字不可信——生成的 SQL 能跑，但窗口、默认指标、计算逻辑仍是猜的
权限不适配——传统 ACL 只管「表能不能查」，不管「这段知识能不能进这个人的上下文」
二、方案选型：三条路都不走到底
不走端到端 NL2SQL：不给模型编数字和口径的入口
不走纯 RAG：每次重搜、知识不沉淀，且对不齐取数传参
不改 Agent 内核做逻辑多租户：故障半径过大，近似重写
选定路线：知识编译 + 沙箱化运行时 + Skills 流水线，差异化做在知识和 Playbook 上
三、解决思路：三条链路
知识引擎——给 Agent 用的知识，不是给搜索用的文档 三层结构：原文不可变 → 结构化实体与索引 → 工作守则；综合从查询时挪到写入时，一次编译多次复用；检索按目录渐进披露，禁止跳过索引猜测；传参字典查不到就标「未识别」，不臆造
面向 Agent 的权限——和数仓 ACL 不是一回事 数据侧：提问范围与用户权限求交，无交集拒答、部分越权裁剪并告知；知识侧：按来源继承个人／团队／公共，检索时按身份过滤；运行时：一人一容器物理隔离，个人记忆与团队口径分开；原则：权限必须可感知，拒答话术走模板，不让模型生成
Skills——把问数编成可停机的流水线 路由 → 规划 → 填槽 → 取数 → 作答，模型只做路由和填槽；意图看问题类型而非槽位是否齐全，缺槽追问、不降级硬答；取数通道按类型单打，不互为兜底
四、落地挑战与取舍
确定性 vs 泛化、结构化 vs 规模、隔离 vs 成本，三组取舍各自的真实代价
长尾码值按热度截断，避免目录膨胀；确定性接口优先于 SQL 兜底，避免两套口径并存
五、效果与未来规划
知识介入后问数质量明显提升，但资产覆盖仍受口径完备度限制
在建：消费回写知识、检索兜底、更大规模混合检索、开放式分析的可控放开
六、总结
先把知识编译对、权限裁对、数字接口锁死，再谈 Agent 有多聪明
听众收益
1.一条可落地的问数 Agent 路径，以及三条「不走」的理由。 知识怎么编译、权限怎么裁、分析流程怎么拆，以及为什么不选端到端 NL2SQL、纯检索问答、改造 Agent 内核——听众可以直接避开我们已经踩过的坑。
2.一套面向 Agent 的权限设计方法。 传统 ACL 管的是「这张表能不能查」，Agent 要管的是「这段知识和这个数字能不能出现在这个人面前」。知识侧按身份过滤、取数侧范围求交、拒答话术模板化这三层做法，不依赖具体技术栈，可以迁移到任何企业内部 Agent。
3.一套更务实的验收思路。 不看知识条数和 Demo 效果，看「问得对不对」和「缺知识时能不能停住」。配套给出准 vs 规模、可控 vs 灵活、隔离 vs 成本这组取舍在生产环境里的真实代价。
落地挑战和方案重点
痛点一：确定性和泛化互斥，目前只能按问题类型二选一。 约束越严，数字越可信，但开放式分析能力越弱；一放松约束，幻觉和口径漂移立刻回来。我们现在的办法是按问题类型分流——取数类走严格流水线，探索类放开——但分流边界完全依赖意图识别，一旦判错，探索性问题就被塞进死板链路里出不来。如何让同一条链路同时支撑「可信取数」和「开放探索」，我们没有答案。
痛点二：Agent 权限的裁剪粒度和拒答表达，都还没有好解法。 裁太狠不可用，裁太松会泄密；更麻烦的是拒答文案本身就可能泄漏——告诉用户「你没有某区域的数据权限」，等于确认了这个区域存在。我们目前靠模板话术做模糊化，但模板和真实裁剪结果之间的一致性靠人工维护，规模一上来必然出问题。
从需求到发布：支付宝实时研发 Agent 的工程化实践
演讲介绍
实时指标研发涉需求口径理解、知识分散、链路较长、工程约束易遗漏、跨平台交付易受阻，自动生成的
SQL往往难以直接交付，导致反复确认与返工。我们采用知识驱动的多角色Agent与状态机协作，让专业判断有据可依、研发过程可控可恢复。通过专业角色与Skill组织研发流程，按阶段加载领域知识和工程约束；以结构化产物和任务检查点支撑跨阶段协作与中断恢复，结合版本校验、平台回读及Hook执行检查，保障交付过程可追溯、关键操作可控。目前已完成从需求理解到任务发布、物化视图创建的主链路交付，本次分享将复盘关键设计与落地经验。
演讲提纲
1.背景与挑战：实时指标研发的交付难点
○ 需求口径存在歧义，领域知识与工程经验分散
○ 从方案、代码到平台执行链路长，跨阶段容易遗漏约束
○ SQL生成与实际交付之间的差距：环境适配、执行验证与异常处理
2. 总体架构：知识驱动的多角色Agent协作
○ 主编排器与需求、方案、研发等专业角色的职责划分
○ Skill封装阶段方法，状态机管理流程推进与异常回流
○ 结构化产物作为阶段交接依据，明确人机协作与确认边界
3. 专业能力：从需求理解到方案与代码生成
○ 按阶段检索领域知识、表资产和工程规范，澄清需求口径
○ 结合时效、精度、资源成本与平台能力，比较和选择技术路线
○ 按任务依赖展开表模型与分层SQL，复核需求、方案与代码的一致性
4. 工程机制：保障长链路执行的可靠性
○ 通过结构化产物与任务检查点保存上下文，支持中断恢复
○ 通过版本校验管理变更，避免复用失效的确认与执行证据
○ 结合编译调试、平台回读和Hook执行检查，验证结果并控制关键操作
○ 区分代码、环境和平台问题，建立错误分类与修复回流机制
5. 实践复盘：从需求理解到主链路交付
○ 以案例串联需求理解、方案设计、代码开发、任务发布与物化视图创建
○ 展示交付产物与验证证据，明确已完成范围、人工介入点及能力边界
6. 未来规划与总结
○ 完善知识更新与经验治理，提升跨场景复用能力
○ 加强数据正确性验证和研发效能度量
○ 总结多角色协作、知识组织与可恢复执行的设计取舍
听众收益
● 掌握实时研发Agent的整体设计方法：了解如何通过知识驱动、多角色分工与Skill编排，串联需求理解、方案选型、代码开发和平台交付
● 学习长链路任务的可靠执行机制：理解结构化产物、状态机、任务检查点、版本校验与Hook如何协同，支持上下文传递、中断恢复和关键操作控制
● 获得可参考的落地经验与能力边界：通过完整案例，学习处理口径歧义、工程约束遗漏和平台兼容性问题，明确自动化执行与人工确认的分工
落地挑战和方案重点
● 知识更新与保鲜
表结构、平台能力和工程规范持续变化，过期知识可能导致错误选型或代码生成。方案重点是保留知识来源、适用范围和验证依据，并结合平台事实核验；如何及时发现变化、使旧知识失效并完成更新，仍需持续完善。
● 长链路自动化的可靠性与人工介入成本仍需平衡
长链路执行存在状态不同步、部分成功和超时结果不明等问题，频繁人工确认又会降低效率。方案重点是通过任务检查点、版本校验、平台回读和Hook检查支持安全恢复，进一步优化异常处理与确认粒度。
让Agent可评、可控、可迭代，业务效果导向的评测体系建设实践
演讲介绍
本次分享结合1688观澜评测平台建设实践，介绍如何从真实用户轨迹生产评测集，以业务真值、场景标注和分层评价标准建立可信标尺，通过多轮用户仿真、自动化评测与问题归因提升诊断效率。通过回归验证和业务效果回流的协作机制，让评测从一次性打分走向持续质量度量与迭代决策。
演讲提纲
1.业务背景：策略类agent评测难点
2.分层评测体系设计
3.评测结果如何贴近真实用户体验
4.离线评测的可信与稳定
5.持续治理的Benchmark
6.小结
听众收益
1.获得可信评测体系的建设方法
2.建立业务结果导向的评测认知
落地挑战和方案重点
1.离线评测的可信与稳定
2.持续治理的Benchmark
从告警到自愈：火山引擎 7×24 智能运维Agent的探索与实践
演讲介绍
云原生环境下故障诱因复杂，用户普遍缺少 7×24 主动预防与自主处置能力，风险多被动发现、告警噪声造成疲劳，跨服务故障无固定剧本、难以自动处置。为让 AI 看得准和敢动手，我们在火山引擎上构建了智能运维 Agent，基于故障全链路实现自愈闭环，通过证据化诊断保证可信、分级自治保证安全、复盘沉淀实现自进化，已广泛服务于用户真实场景规模化应用，显著缩短了故障定位与响应时间。
演讲提纲
一、业务背景
- 客户业务在火山引擎持续增长，云原生架构下应用、容器、节点、中间件、网络等故障源高度复杂；发布、扩缩容、流量突增、上游依赖抖动、资源与硬件异常等都可能随时引发故障。
- 可观测工具已能采全指标、日志、链路、事件，但"看见数据"不等于"理解问题"，客户需要的是 7×24 自主运行的 AI SRE。
二、用户痛点与场景挑战
- 隐患发现滞后： 客户侧大量风险（容量水位逼近上限、单 AZ/低冗余部署、配置漂移、变更引入的慢变量）只能等告警触发甚至用户报障后才被动知晓，缺少持续的主动巡检与风险预警。
- 告警疲劳： 告警规则持续叠加形成噪声，真正问题被淹没，研发和SRE疲于筛查，抑制与自愈比例低。
- 真实故障复杂： 跨服务、跨系统的复杂故障难以用固定的 Skill 或者 Runbook 穷举，很多模糊问题难以自动化。
- 不敢自动处置： 诊断错了只误导人，执行错了就是真实故障，缺乏权限边界与安全验证就无法从建议走向真正的执行。
三、解决思路与价值：端到端故障自愈闭环
沿"接入 → 调查 → 结论 → 处置 → 学习"构建统一闭环，重点讲清以下几个环节：
1. 主动预防（事前）： 统一信号面汇聚 Metrics/Logs/Traces/Events、变更与拓扑数据；以定时巡检、健康检查、水位与架构风险扫描、变更中观测主动发现隐患，把问题挡在发生之前。
2. 告警的自主响应： 多平台事件统一接入，先过滤抑制（含告警风暴），再智能归类成 Issue、按故障等级智能路由调查深度与工具权限，从"逐条响应告警"变为"按 Issue 响应"。
3. RCA Harness： 针对"故障无法穷举但调查方法可复用"，构建根因调查约束层——假设生成、定向取数验证或否定、循环收敛直到根因；子 Agent 并行处理不同假设，输出推导拓扑图、证据链与置信度，从机制上规避偷懒与幻觉。
4. 围绕 Issue 的缓解与处置： 调查结论分级并评估置信度、可逆性与爆炸半径；低置信转人工，授权通过的进入 Mitigation Plan，经"预校验—审批门禁—灰度—执行监控—效果验证—失败回滚"流水线处置；支持只读建议、HITL 审批、完全自治三级模式。
5. 闭环与自学习（事后）： 缓解治标、根治防复发；自动生成结构化复盘，经验回写 Skill 与知识库，既反哺根因迭代也反哺 RCA 调查，形成越用越强的自进化循环。
- 质量底座： 配套故障注入 Playground 与在线/离线评测体系，用真实与模拟故障持续度量诊断质量，避免只靠 GoodCase 演示。
四、未来规划
- 深入客户环境： 以自托管沙箱打通客户 VPC 与私域数据源/MCP，补齐"最后一公里"，并逐步扩大半自治处置范围。
- 多云与混合云： 从火山引擎延伸到多云、混合云与客户自建系统，提供跨云一致的故障调查与处置体验。
- 走向代码侧治理： 将运维洞察与代码分析结合，把故障根因关联到具体代码变更与缺陷，推动发现问题向代码级修复建议与治理闭环延伸。
听众收益
1.一套故障全生命周期的 AI SRE 建设框架：理解主动预防、自主响应、证据化调查、安全处置到复盘自学习各环节应配置哪些 Agent 能力。
2. 可直接借鉴的工程与治理范式：掌握 RCA Harness 假设检验式诊断、Issue 分级分流、IAM/HITL/回滚审计的写操作治理、三级自治等实战做法。
3. 让 Agent 越用越强的落地方法：理解如何用故障注入、评测体系和知识回流持续验证并提升诊断质量，而不是停留在 GoodCase 演示。
落地挑战和方案重点
1.复杂故障下的诊断可信度。 真实生产故障跨服务、跨系统且常并发出现，模型容易浅尝辄止、把症状当根因或产生幻觉。我们的应对是用 RCA Harness 约束调查过程、以证据链与置信度作为结论门槛，并通过子 Agent 并行取证控制长上下文压力；但在监控数据不完备的企业环境中，如何设定置信度阈值、如何与人工判断衔接，仍需持续打磨。
2. 从"能诊断"到"敢处置"的信任鸿沟。 当前坚持云资源面只读先行、高危动作人工确认，但客户真正期待告警自动止损。哪些动作可放心自治、误判责任如何界定，行业尚无成熟范式；我们用三级自治、权限边界、审批门禁、灰度与自动回滚兜底，但这条信任边界仍需与客户共同探索。
企业级研发综合提效:AI赋能PDE大厂实践
演讲介绍
对于企业而言，AI实现了单点提效，但是从综合提效来看成效甚微。如何优化重塑企业的研发工作流？如何结合现状实现生产关系转型、同时匹配什么样的生产力。我们建议让业务人员（产品经理-设计师-业务专家）直接完成系统开发并交付上线，具体怎么做？本次分享，我们将给出完整的方法论与实践分享，帮助企业实现总体研发能效的提升。
演讲提纲
1.企业研发综合提效之难
2.解决之道-范式与核心方法论
3.实现过程：架构、产品、推广落地实践
支付宝离线数据AI研发落地：多Agent协作与端到端交付实践
演讲介绍
如何让 AI 稳定承担真实的数据研发需求？本次分享结合数据需求自动接管实践，介绍以 Harness Engineering 为核心的工程体系：通过领域知识、四角色 Agent 协作、工具权限和质量门禁，贯通需求理解、数据探查、研发测试、发布验收与状态回写，重点分享架构取舍、真实案例与人机协同边界，并讨论跨团队复制所需的知识资产、平台能力及治理投入。
演讲提纲
1.数据研发自动化的核心挑战：需求来源多样、指标口径不清、上下文交接损耗，以及验收依赖个人经验。明确自动接管需要解决的工程问题
2. AI 数据研发的工程体系：介绍知识底座、工具平台与场景应用的整体架构。重点讲四角色职责隔离、阶段门禁、结构化交接，以及工具层权限控制
3. 业务准确性与交付质量保障：用需求标准化明确“做什么”，用精品资产限定数据来源，通过 SQL 评审、数据比对、自动化测试和 DQC 验证结果。说明问题如何退回责任环节
4. 真实需求的端到端交付：以案例方式，展示需求接管、需求澄清、SQL 开发、独立质量验收、发布与回写。结合实际运行数据，展示成效和收益
5. 跨团队复制的条件与投入：介绍通用核心、平台适配与领域知识分别维护的设计。讨论知识准备、工具接入、质量基线和运行维护成本，以及不同复杂度需求的流程选择。
听众收益
1.掌握落地方法： 理解多 Agent 分工、领域知识供给和质量门禁的设计，获得可参考的 AI 数据研发实施路径。
2.明确投入与边界： 了解哪些环节适合自动化、哪些仍需人工确认，为场景选择和资源投入提供判断依据。
3.获得推广思路： 理解通用流程与领域知识分离的架构，为跨业务域、跨团队复制提供参考。
落地挑战和方案重点
1.业务知识与口径对齐： 指标定义、资产语义和研发规范分散，需要转化为 Agent 能准确理解、持续更新的知识。
2.长链路协同与闭环： 跨角色、跨平台交接容易丢失上下文，需要明确交付物、状态边界和异常回退机制。
3.质量与权限控制： AI 产出需要独立评审和数据验证，生产操作需要工具层权限约束与人工授权。
从 Harness 到最后一公里：驯服长链路知识密集型 Agent 的端到端实践
演讲介绍
研发场景中,知识密集型任务链路长达 30+ 步串行,单步 90% 的质量累计成功率仅剩约 4%,实测无人干预的端到端准确率接近 0。问题根源不在模型能力,而在缺少围绕模型的运行时控制结构(Harness)。本演讲提出四个控制面框架——资产面、业务面、执行面、证据面,覆盖知识工程、巨石 Skill 拆解、控制数据外置与证据链评测。
演讲提纲
一、业务背景:为什么 Agent Demo 能跑、生产却不稳
- 真实研发链路:8 大环节、30+ 步串行,累计成功率约 4%,检索精度不足 50%
- LLM、用户、环境三类不确定性沿链路放大,瓶颈不在模型
二、方案选型:从"更强的模型"到"围绕模型的控制结构"
- 对比 Coding Agent 与长链路知识密集型 Agent 的信任来源差异
- 选型结论:构建 Agent Harness——围绕概率性模型的运行时控制结构
三、落地挑战:三个绕不开的问题
- 语义断层:知识在库里却检索不到(≈67% 任务受影响)
- 经验未沉淀:≈30% 知识根本不存在
- 上下文爆炸:100+ Skill 堆叠导致模型失焦
四、解决思路:四个控制面
- 资产面:知识工程双引擎 + 经验资产化(创建 2–4 小时 → 5–10 分钟)
- 业务面:协调者-执行者-校验者架构,拆解巨石 Skill
- 执行面:控制层调度流水线,控制数据外置、可版本化
- 证据面:观测-度量-归因-修复的证据链,可审计、可回滚
五、解决成效与演进
- 检索召回 56% → 91.67%,场景子任务召回 68% → 91.25%(真实任务评测)
- 置信度分层验证:明确人工退出的三个条件
- 未来规划:模型固定、Harness 自进化的评测闭环,向全自动模式演进
六、总结
- 让长链路 Agent 可控执行、可评测演进;评测是入口,自进化是出口
听众收益
1.一套问题模型: 理解 Agent 从 Demo 到生产失稳的根本原因,学会从"归因于模型"转向"补齐控制结构"的分析视角
2. 一套可复用的方法框架: 四个控制面(资产/业务/执行/证据)的落地次序与关键设计,包括控制数据外置、Skill 拆解、置信度分层验证,可直接迁移到自己的业务场景
3. 一组真实数据与教训: 控制数据外置前后的量化对比(检索召回 56%→91.67%)、门禁虚设等踩坑案例,帮助听众少走弯路
落地挑战和方案重点
1. 控制数据的治理难题: 检索规则、审查规则等控制逻辑最初嵌在 Skill 和提示词里,改一条规则要动整个 Skill,版本无法独立管理、回归无法归因,甚至出现 12 个审查规则中 7 个为空、门禁虚设却无人察觉。外置为可版本化的控制资产后如何持续保证其有效性和覆盖率,仍是需要长期投入的痛点。
2. 人工介入的收敛边界: 验证置信度分层可以让人逐步退出环路,但收敛不等于归零——高风险决策与未知类型的验证点必须保留人工兜底。如何系统性地区分哪些验证点可以让模型自动判定、哪些永远不能,目前仍依赖领域专家经验,尚无通用判据。
DataClaw：喜马拉雅企业级 Data Agent Harness 架构设计与实践
演讲介绍
面向喜马拉雅多业务场景的数据分析与运营需求，DataClaw通过Data Agent Harness结合Data Context与Memory架构体系，构建企业级数据智能体。针对业务口径复杂、分析经验难复用、工具执行难管控等挑战，以分层数据上下文、跨会话记忆和可插拔技能，将业务知识转化为可复用的分析能力，覆盖智能问数、深度分析、AB实验、AI圈人及DataOps，累计覆盖产运营人80%以上，日处理4000+次AI 互动。本分享将拆解架构选型与落地实践，探讨如何让模型能力持续转化为企业数据分析与运营效率。
演讲提纲
一.业务背景：从智能问数走向企业级数据智能体
结合喜马拉雅智能问数、数据分析、AB 实验、AI 圈人和 DataOps 场景，介绍业务诉求，以及指标口径复杂、分析经验分散、数据权限与执行过程难管控等挑战。
二.架构设计：Data Agent Harness × Data Context × Memory
分享基于 Data Agent Harness方案选型与架构取舍，介绍模型、技能与工具的解耦设计，以及分层数据上下文、按需证据加载、跨会话记忆如何共同支撑业务分析。
三.落地实践：从业务问题到可追溯的分析结果
以数据分析、AB 实验分析等场景为例，拆解需求理解、口径核验、数据查询与分析交付的完整链路，分享工具权限控制、多实例状态管理、质量评测与运行观测中的经验和踩坑。
四.持续演进：知识与记忆如何形成改进闭环
探讨业务知识更新、用户纠错沉淀、个人记忆与平台知识的边界，以及从交互式分析向主动监测、周期分析和业务流程协同的演进方向。
听众收益
1.理解企业级 Data Agent 的核心架构与能力边界，获得一套可参考的 Data Agent Harness、Data Context 与 Memory 协同设计思路。
2.掌握将数据平台、表结构、指标口径和分析经验组织为可复用上下文与技能的方法，了解如何通过记忆与纠错机制持续积累业务知识。
3.获得数据智能体生产落地中的工程经验，包括工具执行管控、结果可追溯、质量评测和多实例运行，识别从原型走向生产的关键问题。
落地挑战和方案重点
1.如何让数据智能体查得准、分析有依据、执行可控？
企业数据分析既要生成可执行的查询，也要正确理解业务口径、数据粒度和权限边界。方案通过 Data Context 提供口径与证据，通过 Harness 约束工具权限和执行行为，并结合运行追踪与评测核验结果。跨域复杂分析、长尾问题与归因结论的可靠性仍是持续优化重点。
2.如何建设并持续维护语义层与记忆体系？
业务知识分散且不断变化，用户纠错也未必适用于所有场景。方案以分层语义、可插拔技能及个人记忆与平台知识分离的机制组织知识，保留来源与适用范围。知识过期识别、冲突消解和记忆质量评估仍需持续完善。
知识与Harness共舞：双边撮合交易场景的Agent实践
演讲介绍
在运满满App内，一个货主平均要沟通5个候选司机才能完成下单。为了节省货主精力，提高平台撮合效率，满帮集团构建了基于Agent系统的双边撮合能力。在此过程中主要挑战是撮合时会大量遇到司机关于货源信息之外的问题，以及如何让agent像专业的平台调度员一样思考和回复。我们通过对用户在平台上交易痕迹的洞察和挖掘构建了颗粒度从细到粗的四层知识底座，并为物流场景贴身打造了harness系统，从而使agent能够真正可靠地运行于真实撮合场景之下。
演讲提纲
演讲主要包含以下内容：
双边撮合的真问题：货主平均要沟通5个候选司机才能完成下单；Agent不懂货主就只能做初级调度和"传声筒"，不懂行业则专业判断出错——价格弄错直接引发客户资损和赔偿
1.知识底座的踩坑与选型：纯自动化挖掘覆盖率与准确度不足，纯人工挖掘质量时高时低、部分投入浪费——走向"目标用户定位+人机协同挖掘+AI后处理"的选型，构建四层知识底座架构与在线更新汰换机制
2.物流垂类场景的Harness构建：AUI系统让发货AI运行在与人工交互一致的虚拟表单界面上、工具系统保证问答校验与价格计算稳定可靠、守卫节点守住红线规则不越界、人机协同系统在AI拿不准时求助人工及时介入
3.一个完整的货主助理：核心智能体系统+支撑子系统的全景架构——"知识底座为轮，Harness系统为底盘和发动机，LLM操作方向"，构建托管式物流助理
4.评估与迭代闭环：离线评测融入上线SOP、线上巡检收集case，对Agent做准确评估与归因分析，让专业度持续逼近平台调度员
5.方法论与边界：知识底座多级构建的取舍逻辑、LLM与工具的分工原则、以及哪些环节必须把方向盘交回用户
听众收益
1.一套垂类场景知识底座的构建路径：看懂纯自动、纯人工两条路线各自的坑，掌握多级知识底座在覆盖率、置信度、采集难度之间的取舍方法
2.物流场景Harness的四件套设计参考：AUI虚拟表单、稳定可靠的工具系统、红线守卫、人机协同兜底——用基座模型也能产出专业级的可靠结果
3.行业Agent的评估与迭代方法：离线评测如何融入上线SOP、线上巡检如何做归因，把"准确率"从一次性验收变成可持续运营的指标
4.一条托管边界判断："让用户安心托管固然重要，但更重要的是在需要的时候把方向盘交给用户"——什么该交给AI、什么必须交回人
落地挑战和方案重点
1.严肃交易场景的准确率：撮合价格出错就是客户资损，挑战是让Agent达到专业调度员的判断水准；方案重点=知识与Harness双轮——多级知识底座供给物流专业知识，Harness约束执行边界，再用评测与归因持续迭代
2.知识从哪来、怎么保鲜：非标信息多、脏数据多的场景里，自动挖掘与人工挖掘各有陷阱；方案重点=人机协同挖掘+在线更新汰换，让知识底座随业务持续生长
3.红线与兜底：AI犯错时如何止损——守卫节点守住不可越界的规则，人机协同系统让人工客服在AI拿不准时介入；"本质上，Agent系统包含了大模型、业务系统、工程能力以及人工客服，缺一不可"
2C场景下的Agent应用实践：效果、性能、效率的平衡之道——Agentic AI，从使用到放弃
演讲介绍
Agentic AI让大模型的效果有了更好发挥，但也带来了请求时延的极大增加。在2c并特定领域下——对时延要求高，且很少遇到复杂问题——这时还有必要选择Agentic AI？我们选择了放弃，但智能体效果、系统性能以及运营带来的效率问题仍然是我们面临的挑战，本次演讲介绍了我们的实践和方案。同时，在进一步探索中，并未放弃Agentic AI，而是提出了更具创新的“离在线混合自进化”解决方案。
演讲提纲
引子：Agentic AI的使用和放弃；
正文：效果、性能和效率的平衡之道；
1）效果--更完善的知识组织与管理；
2）性能--前缀缓存的更多探索应用；
3）效率--智能体自动化迭代闭环；
未来：新架构的探索和尝试。
听众收益
1.在业务落地时是否选择Agentic AI，该如何判断？
2.一些可用于实践的效果、性能及效率的优化手段和方法。
3.Agentic AI和Workflow能否更好的协调，从而更好服务业务？
落地挑战和方案重点
1.在业务落地时是否选择Agentic AI，该如何判断？
2.2c场景下的Agent实践中，如何更好的平衡效果、性能及效率？
3.Agentic AI和Workflow能否更好的协调，从而更好服务业务？
游戏场景上下文工程与记忆编排——让Agent真正理解玩家
搜广推系统 AI 化的下半场：从优化自演进到衡量共演进
演讲介绍
搜广推系统正从人工构建策略与模型，走向智能体驱动的自演进。业界多聚焦在优化侧的演进和讨论，不过优化越快，衡量越要敏捷而准确。智能体驱动优化自演进后，实验并发数高、代理信号弱信号难捕捉、模块耦合深联动影响等直接影响衡量和收入的问题会进一步放大，上一代衡量体系会成为瓶颈。我们让衡量系统与推荐引擎 Co-Design：多智能体分工承接巡检、归因与放量评审，端到端校验优化假设，优化变更与效果的一致性；实验 Journal 沉淀实验轨迹与历史知识库，形成滚动数据复利，让衡量体系随优化引擎共同演进，应对搜广推系统 AI化的新挑战
演讲提纲
一、业务背景
搜广推正从人工构建策略和模型，走向智能体驱动的自演进
优化越快，衡量越要敏捷而准确，上一代衡量体系已成为瓶颈
二、方案选型
人工评审跟不上实验并发量，上一代评估平台跟不上引擎演进
选定方案：衡量系统与推荐引擎 Co-Design、共同演进
三、落地挑战
弱信号实验的决策可信度
评审知识分散，难以复用
四、解决思路（重点）
多智能体负责巡检、归因、评审，衡量体系演进等各个方面
实验 Journal 沉淀轨迹和衡量知识，回流到下一轮实验
五、未来规划
从守门到导航：衡量系统主动发现优化机会
衡量与优化联合自进化
六、总结
上半场比优化得快，下半场比衡量得准，比谁能优化与衡量联合演进
听众收益
1.一个崭新视角：理解为什么搜广推自演进的瓶颈正在从优化侧转向衡量侧，以及衡量系统为什么要和推荐引擎 Co-Design、共同演进。
2.对于在工业界优化搜广推系统有着可落地的参考经验。
落地挑战和方案重点
1. 与内部系统相关的衡量体系与知识分散沉淀在各处，难以形成合力，难以构建与优化引擎共同演进的系统 2. 共演进中的「迎合」风险：衡量和优化一起演进时，优化系统可能很聪明的学会迎合衡量标准，把指标做好看了，真实收益却没有提升。
当AI开始管预算：京东零售营销预算Agent的实践与边界
演讲介绍
营销预算场景面临口径分散、交付链路长、模型输出难验证等问题。本议题介绍以Oxygen Data构建AI Native数据生产平台，以BudgetClaw承载预算消费，将PRD、资产复用、TRD、数据加工、验数发布与预算决策串成双向闭环。平台已沉淀9个Maven模块、634个Java文件和25个数据Skills。重点分享多租户运行时、续跑与证据门禁，并复盘重复SSE、状态污染和配置漂移等生产踩坑。
演讲提纲
1.业务背景：为什么模型能生成，生产交付仍然失败
2. 方案选型：Oxygen Data、BudgetClaw与下属业务系统的边界
3. 平台架构：五层架构、多租户Agent Runtime、Skill/MCP与Artifact体系
4. 生产链路：从PRD澄清、资产复用、TRD到数据加工、验数发布和看板交付
5. 消费闭环：归因分析、目标配置、What-if推演、审批执行与效果回流
6. 可信治理：run-manifest、EvidencePack、评测可观测和知识准入
7. 踩坑复盘：重复SSE、状态污染、配置漂移、数据缺失与过度自治
8. 未来规划：通过Contract接入更多系统，形成生产、消费、治理三层网络
听众收益
1.获得一套从业务PRD到数据集、看板和决策Agent的端到端交付方法，而非停留在Demo。
2. 理解多租户运行时、Skill/MCP边界、状态续跑与Artifact版本化的工程设计取舍。
3. 掌握用EvidencePack、审批门禁和知识回流控制模型幻觉、数据缺失与越权风险的实践方法。
落地挑战和方案重点
1. 跨系统长链路容易因上下文丢失、调用失败和状态污染而中断。方案以确定性状态机、run-manifest、容器隔离和失败续跑保证可恢复交付。
2.数据缺失与模型输出难以直接建立信任。方案将来源、口径、时间、运行ID和验证结果绑定为EvidencePack，并用规则门禁与人工审批阻止模型补数和越权执行。
蔚来汽车用户运营智能工作伙伴-麦宝
圆桌讨论：不等模型——2027年，应用企业把Agent带进生产，投什么？
从账务核算到资金管理 —— 传音控股财务 AI 落地之路
现任传音控股财务 AI 负责人。曾任职小红书技术战略bp、得物财务 AI 负责人，长期深耕"AI × 业务"落地，兼具技术战略视野与财务场景实战，擅长以产品化思维推动财务智能化转型。
从个人提效到组织积累——电商跨境企业的财务 Agent 实践
8年财务BP经验，曾任得物多条业务线BP负责人
Data Agent驱动业务管理闭环：碧桂园服务“问数-洞察-行动”全链路实践
计算机硕士，现任碧桂园服务集团创新研发总监兼大数据总监，负责智慧社区、物联网、大数据及AI智能体研发，兼任上海海洋大学信息学院行业导师。
曾长期担任世界500强企业霍尼韦尔全球软件研发中心部门经理，主导智能家居、智慧楼宇、车联网及工业物联网平台研发。
累计取得多项国内外专利、学术成果与软著，具备丰富的全球化项目交付与技术创新经验。现聚焦 AI + Data 技术在智慧社区场景的落地变革，探索数智技术赋能行业发展的新路径。
医疗长程决策模型，突破复杂任务精度与效率瓶颈
医疗大模型 · AI Agent · 金融 AI · 运筹优化
个人简介
长期从事人工智能、大模型与运筹优化的研究及产业落地，具备供应链、金融与医疗领域的技术研发、产品建设和团队管理经验。现负责京东健康智能算法部与医疗大模型，推动京医千询、MedCode、MedWiki 与 MedWork 等模型、技术及产品建设。此前担任蚂蚁金服金融 AI 与金融大模型负责人、菜鸟网络 AI 负责人。
在 ICML、NeurIPS、Management Science 等国际学术会议与期刊发表论文数十篇，担任 SIGKDD 高级领域主席及 Applied Data Science Track 领域主席，兼任高校研究与教学职务。
工作经历
京东健康
AI 副总裁｜智能算法部 & 医疗大模型负责人**
负责医疗大模型、智能算法与 Agent 技术体系建设，推动模型研发、医学知识、评测体系及产品应用协同发展，服务用户健康管理、医生工作与医院临床流程。
大模型与核心技术
- 京医千询 3.0：推动面向复杂医学任务的执行级模型建设，融合医学知识、多模态理解、工具调用与长程任务能力。
- MedCode：建设医疗可执行推理能力，将指南规则、适用条件、计算与工具操作转化为可运行、可测试、可审计的执行步骤，通过执行反馈提升推理与任务质量。
- MedWiki：建设结构化医学知识体系，结合 Agentic Search 组织指南、医学概念、证据等级与版本信息，支持主动查证和证据追溯。
- 原生 3D 与多模态理解：围绕 CT、MRI 等场景，结合医生阅片操作轨迹、影像位置和诊断依据，推进影像理解与交互式阅片能力。
- 长程任务执行：贯通检索、分析、工具调用与文档生成，建设任务检查点、错误定位和恢复机制。
- 医学评测：推动 MedEviBench、MedRealMM、Med3DVQA 等联合评测与研究，结合医生审核标准、专业反馈和失败案例，持续优化模型及产品质量。
产品与应用
推动统一模型能力在用户、医生和医院场景中的应用，支撑京东健康 AI 产品体系：
产品 定位
| 大为医生 | 面向用户的问诊与健康管理服务 |
| 京东知医 | 面向医生的医学循证检索与专业知识查证 |
| 小康 | 面向用户的体重管理与健康服务 |
| MedWork | 面向医生及专业团队的通用 Agent 工作台 |
| 京东卓医 | 面向医院的工作流辅助 |
MedWork 平台建设
- 建设统一 Agent 执行底座、医疗通用能力与场景工作流，组织任务目标、输入资料、工具执行、人工审核及交付物。
- 覆盖循证检索、病历归纳、门诊辅助、录音辅诊、AI-MDT、临床营养、用药辅助、影像及科研任务。
- 提供文件与语音输入、云端与本机工作空间、多工具执行、任务沙盒、权限管理与审计能力，支持文档、报告、图表、代码和数据文件交付。
- 推动医生个体使用与院内工作流落地，将专业能力沉淀为可复用的 Skill、连接器和标准工作流。
蚂蚁金服
金融 AI & 金融大模型负责人｜财富保险事业群大模型委员会主席
- 负责金融 AI 与大模型技术及业务应用建设，推动金融专业能力与财富、保险场景结合。
- 建设 Finix 金融大模型，支撑蚂小财、蚂蚁财富等产品应用。
- 支持蚂小财达到 3,000 万月活跃用户、蚂蚁财富达到 200 万日活跃用户。
菜鸟网络 / 阿里巴巴
菜鸟网络 AI 负责人｜阿里巴巴供应链与运筹优化小组副组长
- 负责 AI 与运筹优化技术在仓储、运输、履行和供应链场景中的应用。
- 打造 Greed Solver，打破数十项世界纪录，创造十余亿元业务价值，相关工作入围 INFORMS Franz Edelman Award。
- 获得 2015 年阿里巴巴 CEO 特别贡献奖，参与推动阿里巴巴个性化技术发展。
学术任职与服务
- 浙江大学客座研究员。
- 上海财经大学硕士生导师。
- 浙江工业大学客座教授。
- SIGKDD 高级领域主席。
- SIGKDD Applied Data Science Track 领域主席。
学术成果与研究方向
在 ICML、NeurIPS、Management Science 等国际学术会议与期刊发表论文数十篇，研究与应用方向包括：
- 医疗与金融领域大模型。
- 可执行推理、代码大模型与执行反馈学习。
- Agent 任务编排、工具调用与长程任务执行。
- 医学知识组织、主动检索与循证评测。
- 多模态理解、三维医学影像与医生操作轨迹。
- 供应链优化、运筹求解与业务决策。
荣誉与奖项
- INFORMS Franz Edelman Award Finalist。
- INFORMS Daniel H. Wagner 奖。
- 2024 年吴文俊人工智能科学技术二等奖。
- 2015 年阿里巴巴 CEO 特别贡献奖。
- 蚂蚁金服 T-Star 技术大奖。
从生成到决策：LingDT-Decision 1.0 的原生多选与 DAG 实践
北京大学计算机应用技术专业研究生毕业，曾在华为2012实验室、腾讯微信、360智脑任职，现从事蚂蚁数科基础模型研发，LingDT-Decision 1.0核心模型训练与原生多选架构研发。数篇NeurIPS、EMNLP等一作顶会论文；开源Tiny-R1大模型累计下载数万次。
从买菜到 AI 饮食管家：叮小咚的消费级 Agent 探索
中国科学技术大学博士，2020 年加入叮咚买菜担任技术副总裁，负责数据、算法及供应链产品团队，推动生鲜零售全链路的数字化与智能化。拥有二十多年技术研发与管理经验，曾任职于阿里巴巴、百度以及创业公司CTO。
懂上下文、有记忆、会主动：OPPO企业级工作助手Agent实践
OPPO研究院AI系统专家。主要研究方向为Agent系统，大模型推理优化、分布式计算等。主导多个AI系统研发落地。在机器学习、系统领域发表多篇顶会论文。
跨会话记忆如何又准又省：EverOS 2.0 的记忆抽取与多轮检索实践
盛大 EverMind 大模型算法工程师。主导开源记忆系统 EverOS 研发，在多个主流记忆基准上领先；负责记忆抽取与多轮检索模型后训练，以小模型达到大模型效果并大幅降本。发表 CCF-A 论文 7 篇，一作 5 篇。
从 NL2SQL 到业务闭环：本体如何成为 Agent 的业务认知底座
公司级资深架构师、敏捷与 AI 教练。十余年敏捷研发、工程效能与架构经验，现任公司业务语义底座产品“璇玑”的设计与研发负责人。研发侧，围绕领域知识建模、语义资产沉淀与 AI 辅助研发流程，建立数据与 AI 双向反馈的提效机制；业务侧，将同一语义能力拓展至供应链，面向订货业绩达成与经营分析等场景，为经营决策提供支持。
本体驱动的业务语义理解与约束自治 Agent 决策执行框架
拥有近13年计算机视觉、自然语言处理和大模型研发经验，推动大模型技术在企业核心生产环节的落地，聚焦本体知识增强、异常处理、智能决策等方向。
小米智能制造Ontology实践
小米智能制造部工业智能总监、高级工程师，在制造领域、工业大数据领域有11年的研发和团队管理经验，拥有多项智能制造、人工智能相关的发明专利。
AI Agent 驱动数据消费新范式 —— 得物公司级数据智能体落地实践
得数数据平台数据架构专家，负责得物数据产品研发团队，主导企业级数据产品迭代与平台体系落地。先后任职唯品会、平安支付大数据部门，深耕大规模数据应用底座建设，拥有复杂业务场景下数据架构演进、治理与效能优化实战经验，持续探索智能数据与 Agent 技术融合实践。
数据与决策Agent——从问数到数据工程自动化
深耕算法领域十余年，用大数据与算法驱动业务增长、效率与体验升级，实战横跨电商、金融、电信等行业。近三年专注大模型在数据领域落地，聚焦于规模化产生业务价值。
金融口径之战：天天基金Data Agent的语义层实践
复旦大学光学博士，理学学士。现任上海天天基金销售有限公司研究部负责人。带领团队长期从事AI应用研发、公募基金研究、金融大数据研发等方面工作，主持研发“小天2.0”基金聊天问答机器人、Everyclaw基金理财投资Agent等大型项目，任中基协公募基金业绩比较基准要素库专家工作组成员。曾任职于汇丰金融科技和携程旅行网，负责数据算法、金融建模等工作。
阿里云服务专家经验的 Agent 沉淀与可控自进化
负责阿里云服务领域 Agent 架构设计、自进化等技术。曾负责阿里云服务领域Agent平台、多智能体协同等AI大模型技术在客户服务领域的落地。在阿里云服务领域深耕多年，曾负责服务领域大模型的训练调优、对话机器人链路体系的构建，逐步建设起了阿里云服务领域的算法技术体系和各类基础设施，也曾主导构建了阿里云服务领域大模型、知识库问答、知识图谱、推荐系统等。
曾获得中国客服“金音奖”产业杰出贡献奖、阿里云智能集团“凌云奖”；多次在阿里云开发者、阿里技术公众号发表AI技术文章，累计阅读量破20w+；多次在AICon、SECon等行业大会上发表AI技术主题演讲；曾以第一发明人发表发明专利多项。
自进化Agent系统的设计与实践
复旦大学知识工场实验室技术负责人，上海市数据科学重点实验室大模型研究室主任。研究方向为自进化智能体、大模型推理增强与知识图谱。发表CCF A/B类论文90余篇，Google Scholar引用2400余次，h-index 26，获ACL 2025杰出论文奖、吴文俊人工智能科技进步奖、华为火花奖等。作为技术负责人建设CN-DBpedia/知识工场平台，API累计调用超18亿次；主导研发的自进化智能体GenericAgent开源后获14k+ GitHub星标
Ontology Wiki：企业级Agent友好的投研数据知识引擎
复旦大学计算机学院人工智能方向博士，上海证券交易所资本市场研究所博士后研究员，罗格斯-新泽西州立大学访问学者，CCF数字金融分会执委。现任恒生聚源首席科学家，负责数智金融实验室AI前沿创新方向。
从业务反馈到能力迭代：Agent 后训练闭环的构建与探索
专注多模态与大模型研究及后训练技术，涵盖图文与视频理解，探索高效推理与稀疏化机制，积累丰富科研与应用经验。
从内而外优化 Agent：模型训练、技能演化与人机协作
现任微软亚洲研究院首席研究工程经理，负责领导上海系统组，专注于大模型系统与智能体系统的研究工作。他的研究兴趣包括大规模语言模型的高效计算与推理，尤其关注长上下文模型的推理加速；以及智能体的系统设计与优化，包括面向智能体的系统调度优化、多轮强化学习系统与算法等。他的相关研究成果已多次发表在OSDI、SOSP、EuroSys、ATC、CVPR、ICCV、NeurIPS、AAAI等国际顶级学术会议上。杨玉庆博士于2006年和2011年分别获得复旦大学学士与博士学位。
南天门智能路由等模型后训练实践分享
1、主导公司级南天门产品的设计与开发，构建AI网关层模型汇聚与智能路由能力，基于任务难度与成本单价动态调度多厂商模型，实现模型使用效率与成本的双优化，支撑 N 条业务线的 AI 接入
2、负责公司级服务领域智能问答产品的设计与开发，服务在线与热线两大场景，通过知识库治理与模型效果优化持续提升问答准确率，助力客服降本增效
3、主导智能编码模型在xx场景的领域微调，基于内部代码与 Review 数据构建训练集，代码采纳率大幅度提升，显著提升研发效率。
4、端到端构建大模型数据、训练、评测三大体系：标准化数据流水线、覆盖 SFT/RLHF 的全流程训练框架、自动化+人工结合的多维评测机制，形成模型迭代闭环
从超级个体到超级团队：纷享销客 AI 研发体系重构实践
纷享销客技术 VP，曾就职于腾讯、搜狗，⻓期负责企业级 CRM、平台⼯程和研发体系建设。近年来，他在纷享销客推动 AI 从个⼈⼯具使⽤进⼊组织级应⽤，建设内部模型平台、诸葛智能诊断系统、Multica ⼈机协作平台和企业知识资产，探索让 Agent 参与需求分析、代码开发、故障定位、测试发布和业务交付，推动研发组织从岗位分⼯和⼈⼯交接转向
Agent 持续执⾏、⼈负责判断与验收。
AI Native 是一种相处方式 —— 从 Tarot Pixel 看「设计稿到代码」的人机协作
Tarot Pixel 核心作者之一。专注 AI Native 研发范式与营销场景落地，主导设计稿视觉上下文（上下文工程）与 AI 反馈循环（循环工程）体系，方案已在淘天、阿里云、蚂蚁集团等多个团队的真实业务中落地，并在 Qoder 插件市场上线。
基于驾驭工程的设计方案还原与演进智能体
有线研究院编码专家组（C语言）组长、敏捷教练、AI应用教练，近年从事AI辅助方案设计提效工作，参与方案设计域知识规范制定、智能体构建推广等工作。
从过程式开发到定义即开发：数据开发Agent在小米的应用与实践
长期从事大数据领域技术研发工作，目前负责小米大数据开发平台建设。主导大规模湖仓数据集成、数据检索及数据开发工具链能力建设经验。
从ChatBI到企业级数据Copilot：沙箱隔离、知识库权限与 Skills 编排
数据与AI平台技术负责人，10余年任职携程、腾讯、AWS等。擅长云原生架构与流程再造，推动数据平台智能化、自助化。主导高可用可扩展系统，以及成本治理。近三年从0到1落地LLM SQL生成、AI Data Copilot及AI-driven数据开发治理平台，带领跨功能的数据/后端/算法团队。
从需求到发布：支付宝实时研发 Agent 的工程化实践
专注于大数据技术与AI应用实践，关注数据平台建设、研发智能化与工程效率提升。持续探索大模型和Agent在数据领域的应用，注重技术方案的实际落地与可复用工程经验的积累。
让Agent可评、可控、可迭代，业务效果导向的评测体系建设实践
毕业于新加坡国立大学，曾就职于腾讯、蚂蚁，现任1688数据产品负责人，专注于构建智能、易用、安全的数据产品矩阵，具备多年电商与金融领域落地经验， 推动AI技术在数据平台的深度融合。
从告警到自愈：火山引擎 7×24 智能运维Agent的探索与实践
长期投入云计算与可观测等领域的架构设计与落地实践，并积极投身各项基础设施开源项目的维护工作。
企业级研发综合提效:AI赋能PDE大厂实践
快手电商生产力研发团队负责人，Mybricks通用无代码引擎及技术社区创建者。
2021年加入快手，此前在阿里巴巴、招商银行等公司工作，对于可视化编程、组件化、复杂系统、生长网络等方向有长期关注与思考，致力于生产力赋能、通过体系化的手段实现效率提升。
支付宝离线数据AI研发落地：多Agent协作与端到端交付实践
擅长数仓建模、SQL 性能优化与数据治理，专注 AI 数据研发的全流程交付和工程化落地
从 Harness 到最后一公里：驯服长链路知识密集型 Agent 的端到端实践
Co-Sight Harness 工程化体系首席架构师。专注于把 AI Agent 从 Demo 推进到生产——通过Harness运行时控制结构管理目标、状态、上下文、工具、权限、评测与证据。
DataClaw：喜马拉雅企业级 Data Agent Harness 架构设计与实践
15年大数据平台与团队管理经验。曾负责超大规模集群软硬件协同优化、数据平台、上云及湖仓建设、ChatBI与Context Memory、数据智能体落地，现聚焦数据平台与企业级数据智能体研发。
知识与Harness共舞：双边撮合交易场景的Agent实践
满帮集团AI算法专家，AI应用团队负责人。本科毕业于南京大学计算机系，并在港科大获取大数据科技硕士学位，深耕搜推算法领域，曾先后任职于腾讯、拼多多、满帮，亲历海量用户场景下的技术挑战与架构演进。现负责满帮AI算法在核心业务场景的落地，推动Agent技术在智慧物流领域的实践应用。
2C场景下的Agent应用实践：效果、性能、效率的平衡之道——Agentic AI，从使用到放弃
用户增值部应用研究团队负责人。多年大模型研究与实践经验，当前焦于AI应用落地，Agent架构、模型推理等AI Infra。负责的产品有游戏百科助手、多智能体智能客服，智能NPC、AI语音、AI陪伴产品等等。
游戏场景上下文工程与记忆编排——让Agent真正理解玩家
毕业于大连理工大学，研究兴趣包括知识抽取、文本生成、多模态学习、预训练语言模型。在游戏智能创编、信息流内容质量业务场景有丰富的算法实践经验。当前负责游戏短视频AI创作的算法开发和项目落地。
搜广推系统 AI 化的下半场：从优化自演进到衡量共演进
深耕互联网算法领十年，先后负责过腾讯广告合约广告系统，多创意广告策略及模型，召回策略及模型、行业技术模型等工作，当前主要带领团队专注于用大模型和智能体重构广告推荐引擎迭代优化的全生命周期衡量体系。
当AI开始管预算：京东零售营销预算Agent的实践与边界
深耕大数据10年，2019年加入京东，主要负责AI Native生产和消费、OLAP优化、大数据传输工具生态、流批一体、SRE建设
蔚来汽车用户运营智能工作伙伴-麦宝
