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
过去两年,企业 AI 经历了从“模型狂热”到“理性落地”的明显转向。
行业关注点已不再停留在“有没有接入大模型”,而是在追问:企业是否具备 Agent-ready 的数据底座、语义体系、治理能力、评测闭环和系统工程能力;是否能把模型能力真正做成系统能力,并最终转化为组织效率与业务价值。
这也是北京站与上海站、深圳站的差异所在:它不只是展示最新技术,而要对全年企业 AI/Agent 落地方法论做一次总结与上提。
从上海站反馈看,用户已经给出了非常清晰的方向信号:
一是希望更多真实案例、少一些广告感;
二是对 Agent、本体/语义层、RAG、具身智能、多模态、安全治理 等议题有更强兴趣;
三是越来越在意“怎么做”“踩过哪些坑”“指标怎么评估”,而不满足于概念层讲述。
这意味着北京站的策划不能只是热点拼盘,而要形成一条从底座到场景的完整链路。同时,从近期产业趋势看,企业 AI 正在从单点 Copilot 走向 workflow、multi-agent、可观测、可治理的系统形态;“模型选择”正在演变为“模型组合与路由”;Skill 正被越来越多一线团队视为 Agent 能力扩展的第一等公民,Harness 则代表 Agent 真正走向生产级运行控制的关键工程层。
北京站正适合把这些尚未被充分系统化讨论、但又已经进入企业实践门槛区的话题集中展开。
阅文集团技术副总经理,AIGC负责人,腾讯云最具价值专家、复旦大学计算机学院专业硕士导师。有着近15年的人工智能、大数据研发管理经验。在AIGC、个性化推荐、搜索、大数据挖掘、自然语言处理等领域都有丰富的实践经验。目前主导人工智能技术在集团内部的研发和应用落地,带领团队研发了阅文妙笔大模型和多模态大模型,并在作家辅助创作、角色对话、增长素材和机器翻译等大模型应用场景上也取得了不错的成果。对内容业务有深刻理解,也主导推进智能风控、推荐系统、反盗版等公司重点项目落地。曾任百度人工智能事业部技术经理,负责过百度推荐、精准广告、图片搜索、大数据商业化等项目。
阿里云EMR研发团队负责人,资深技术专家,Apache Flink & HBase PMC Member,Apache软件基金会Member。
多年 IT、互联网工作经验,在基础平台架构与研发、金融分布式系统、金融科技探索与应用方面有丰富经验。负责度小满整体技术的规划与推进,以及信贷技术架构从1.0到4.0的演进,支持了业务多年数倍的持续增长。
在金融科技探索上,主导了区块链、复杂工程技术、虚拟现实、物联网技术、LLM的探索与应用落地;从0组建了百度第1个区块链研发团队,相关工作荣获了福布斯全球、哈佛商业评论、工信部等国内国际荣誉。推动与参与了多项国内国际标准的制定,以及白皮书、蓝皮书的攥写,个人累计申请了60多项国际、国内发明专利。
胡云华,西安交通大学和微软亚洲研究院联合培养博士,先后担任微软亚洲研究院副研究员、阿里巴巴达摩院资深算法专家、支付宝中国首席数据官、智谱华章副总裁,在搜索、广告、推荐、大模型研发、用户产品创新方面拥有丰富经验。
13年+百度产品和研发管理经验,原百度地图场景化业务总经理,具备出色的产品、技术团队管理能力和技术实操经验。
具有多年在传统数据库管理和大数据分布式平台开发与维护的专业背景。熟练掌握大数据技术,能够高效地进行批处理和流处理任务的设计和实施。对数据湖架构的构建和优化也有深入研究,能够帮助企业从海量数据中提取有价值的信息,支持数据驱动的决策制定。
目前在eBay作为数据平台研发总监,带领团队负责云原生的数据湖,分布式搜索引擎,调度系统,存算分离计算引擎,OLAP离线数据库,数据开发平台等技术的实施,优化,开发工作。
现就职于京东零售。之前担任平安壹钱包大数据部门副总经理,带领团队致力于构建高效的数据分析体系,通过创新技术推动业务增长与客户体验优化,主导了多个关键项目,包括企业级数据平台的搭建与升级、智能数据分析工具的研发等,显著提升了公司内部决策效率。专注于深度学习、自然语言处理等领域的大规模机器学习模型开发。并积极推动研究成果向实际场景转化,特别是在数据管理、风险控制等方面取得了突破。
美的集团首席信息安全官兼软件工程院院长,欧洲科学院院士,IEEE Fellow IET Fellow ACM Distinguished Scientist。
吴友政博士,京东科技集团语音语义算法部负责人、高级总监。博士毕业于中国科学院自动化研究所,毕业后在日本情报通信研究机构、英国爱丁堡大学、索尼中国研究院和爱奇艺负责自然语言处理、语音识别、机器翻译等前沿技术研究和产品研发工作,在国际自然语言处理顶会和期刊(如ACL、NAACL、EMNLP、AAAI、ICASSP等)上发表多篇学术论文。曾获得语音识别(IWSLT2012、IWSLT2013)和对话式机器阅读理解(QuAC 2020)比赛的冠军。连续2年主办京东人机对话挑战赛。技术产品化上,带领团队打造了基于多轮对话技术的智能客服平台言犀、基于多模态内容生成技术的品创等产品。曾获得京东集团技术金牛奖等荣誉。
王涛,滴滴数据平台产研负责人,2018 年加入滴滴,专注于构建智能、易用、安全的数据产品矩阵,并推动 AI 技术在数据平台的深度融合。曾在阿里巴巴集团担任工程技术关键岗 8 年。技术面覆盖大数据、人工智能、泛前端等多个领域。
AI数据生产(标注、数据集、合成)、AI安全(评测、防御)、AI软硬件一体、AI营销相关领域从业者。
企业架构和数字化转型专家,北京大学理学硕士,银行、保险、车企20年工作经验,《企业架构驱动数字化转型》作者,“金融IT那些事儿”公众号主理人。
阿里云AI搜索研发负责人,负责阿里云AI搜索产品OpenSearch、阿里云ElasticSearch AI研发,以及开源搜索引擎Havenask研发。覆盖AI搜索、向量检索、大数据检索、对话式搜索等多个场景。带领团队研发多款搜索、推荐和智能问答类产品研发。目前主要聚焦在大模型AI搜索研发,关注大模型AI搜索对业务和客户的价值。
企业数智化领域10余年经验,先后就职于美团点评、阿里巴巴、菜鸟等大型互联网公司,对企业数智化转型、数智供应链、供应链金融等领域有深厚的积累沉淀。多次主导企业级数据中台和数智产品的实施,能够很好地将数智技术&产品与业务相结合,针对不同行业不同场景设计落地行之有效的数智化转型方案。目前负责菜鸟物流科技副总经理,带领团队深耕数智供应链领域,帮助企业级客户在数智时代打造领先的供应链能力。
胡月军,现任 ProtonBase 技术副总裁,从事存储与计算引擎的设计与研发工作,致力于打造 AI 时代云原生一体化的数据存储,计算和管理系统。曾任阿里巴巴计算平台事业部资深技术专家,发起和参与了阿里巴巴交互式分析引擎 Hologres 的研发。在此之前,从事5年搜索和广告引擎的设计与开发,负责过阿里巴巴淘宝、天猫、1688、Sourcing 和 AliExress 的搜索与广告在线引擎系统,主导过阿里巴巴国际搜索和广告引擎在离线的一体化升级改造。
Agent Ready 数据架构 | 企业语义层、本体与上下文工程 | AI for Data:治理自动化与质量闭环 |
|
|
|
| Agentic Workflow:数字员工与企业流程重构 | 企业模型组合:选型、路由、成本与治理 | Deep Search 与 Agentic RAG |
|
|
|
| 多模态大模型落地 | Harness Engineering :Agent 上下文、工具、记忆与运行控制 | Skill Engineering:企业级 Agent Skill 全生命周期管理与自进化 |
|
|
|
多 Agent 协同:协议、总控与任务分解 | Agent 评测、可观测性与 ROI 度量 | Agent 安全、权限与合规治理 |
|
|
|
| Data Engineering Agent:数据开发、Pipeline 与 DataOps 智能化 | 决策智能 Agent:从洞察到可信 | 金融可信 AI 实践 |
|
|
|
Skill 与 Agent 的边界:数据平台的分层架构实践
当 LLM 能力渗入数据平台,一个绕不开的问题是:数据能力该封装成 Skill 还是 Agent?全做成 Agent 会带来成本失控与能力重复;全做成 Tool 又撑不起归因、洞察、SQL 生成等多步决策场景。我们提出 Skill(原子能力层)/ Agent(场景编排层)/ 项目空间(治理层)的三层抽象,通过统一接口契约让 Skill 在多个 Agent 间复用,通过项目空间实现个人 → 空间 → 平台的三级贡献分发。目前已支撑探索分析、归因、洞察、SQL 生成等多个场景 Agent,底层 Skill 跨 Agent 复用率显著提升,个人贡献的能力也能沉淀为平台资产。本分享将正面回答"Skill 和 Agent 到底怎么分"这一高频争论,并复盘真实的设计取舍与踩坑。
演讲提纲:
一、业务背景与问题定义
1. 数据平台面对探索性、诊断性需求的响应困境
2. LLM 引入后的两种极端:全 Agent 化 vs 纯 Tool Use,各自失效的原因
3. 数据领域的独特张力:确定性 × 决策性并存
二、方案选型与核心架构
1. 三层抽象:Skill(能力层)/ Agent(编排层)/ 项目空间(治理层)
2. Skill 的接口契约:输入输出 / 副作用 / 权限 / 幂等
3. Agent 的编排模式:ReAct、Plan-Execute、人工介入
4. 项目空间的治理职责:发布订阅、权限穿透、生命周期
三、边界辨析:Skill 与 Agent 的五维判据
1. 是否用 LLM / 是否多步规划 / 是否有状态 / 面向谁 / 失败语义
2. 真实争论:SQL 生成到底是 Skill 还是 Agent?
3. 反模式:什么能力不该做成 Agent,什么能力不该做成 Skill
四、落地挑战与实证案例
1. 探索分析 / 归因 / 洞察 / SQL 生成:Agent 共用 Skill 的复用图谱
2. 踩坑:Skill 粒度失控、命名语义重叠、质量参差、贡献动力不足
五、贡献机制、未来规划与总结
1. 个人 → 空间 → 平台的三级分发机制
2. Skill 自动评测、Agent 能力图谱、跨空间能力流转
3. 开放问题:私有 Skill 体系与 MCP / A2A 开放协议如何共处
听众收益:
1. 一套可迁移的双层抽象方法论:掌握 Skill 与 Agent 的边界判据,能在自己的数据平台中落地分层能力架构,避免"每个需求都做一个 Agent"的失控。
2. 数据领域 Skill 设计经验:针对归因、洞察、SQL 生成等复杂场景,理解哪些原子能力值得沉淀为 Skill、哪些应当封装为 Agent,以及标签系统在其中的定位。
3. 能力贡献生态的工程取舍:理解个人 → 空间 → 平台的三级分发机制,在质量、权限、复用之间取得平衡,避免"人人可建"沦为"无人敢用"。
Skill 与 Agent 的边界:数据平台的分层架构实践
长期深耕数据平台与 AI 基础设施方向,当前主导金融场景下数据应用平台的 Agent 化架构设计与演进,负责探索分析、归因分析、数据洞察、SQL 生成等场景 Agent 及底层 Skill 体系、标签系统的规划与落地。关注 LLM 与数据平台融合中的能力抽象、分层架构与工程化取舍。