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。
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。
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。
模型能力前沿——从后训练到VLA与世界模型 | 上下文工程与记忆编排——让Agent真正理解任务与环境 | Skill Engineering——能力封装、全生命周期管理与自进化 |
● 掌握基模能力、后训练与VLA模型在2026年的最新进展 ● 理解RL在企业中的适用边界与落地路径 ● 获得VLA模型与世界模型在Agent中的应用视角 ● 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 | ● 掌握Skill Engineering 2026最新方法论 ● 获得Skill全生命周期管理的工程方案 ● 理解Skill作为企业能力资产的长期价值 |
语义层与知识工程——企业上下文的技术底座 | 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——Data Agent的底座重构 | 自进化Agent——在线学习、反馈闭环与持续优化 | 客服与体验Agent（对外）——从回答到行动的闭环 |
● 获得数据平台Agent化的完整方案 ● 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（对外）——从营销到用户运营的智能闭环 | 研发效能Agent（对内）——从写代码到重构研发组织 | 数据与决策Agent（对内）——从问数到数据工程自动化 |
● 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从消费层向工程层演进的技术路径 ● 掌握决策Agent的确定性工程与模型分工 ● 获得从问数到数据工程自动化的完整方案 |
运营与合规Agent（对内）——从识别到决策的确定性闭环 | AI Native组织与Agent ROI——从工具部署到组织变革 | Agent治理与合规审计——组织层面的安全治理体系 |
● 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 | ● 掌握AI Native组织的建设路径 ● 获得Agent项目ROI验证的方法论 ● 理解从工具部署到组织变革的关键转变 | ● 获得Agent安全治理的组织级框架 ● 掌握权限策略与审计制度的设计方法 ● 理解Agent安全治理与业务风险的平衡原则 |
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。
现负责阿里云数据湖DLA，09年安大毕业后加入阿里，12年大数据内核与平台研发经验；阿里云HBase、EMR创始人，集团ODPS、 Hadoop、5K项目核心研发
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）。
阿里云算法专家，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，主导构建了阿里云服务领域大模型、服务领域Agent/Multi-Agent技术、知识库问答、知识图谱、推荐系统等。
曾获得阿里云智能集团凌云奖、阿里云天池大数据算法竞赛冠军；曾以第一发明人发表发明专利6项；多次在阿里云开发者公众号发表AI技术文章，累计阅读量破10w+；多次在行业大会（如AICon、SECon等）发表AI相关技术主题演讲。
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。
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
我在传音控股主导财务 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：月结周期从 X 天压至 X 天，发票处理自动化率 XX%，税务申报差错率下降 XX%，资金预测准确率提升至 XX%。
演讲提纲
财务 AI 建设的实践与思考
一、开场：我是谁（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：X 天 → X 天
发票处理自动化率：XX%
税务申报差错率：下降 XX%
资金预测准确率：提升至 XX%
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。
让 Agent 听懂业务：本体驱动的企业智能实践
演讲介绍
数据治理做了二十年，BI 和 Agent 却仍"听不懂业务"：指标口径不一、实体对不齐、AI 幻觉频发。根源是数据集成解决了"通"，没解决"懂"——语义互操作存在数据、模型、流程、认知四层缺失。本次分享介绍我们以 O-R-R-A 框架定义认知契约、依托璇玑 Data 平台做增量式本体工程的实践：6 个系统 600+ 概念完成对齐，指标口径统一率 62%→95%，风险路径识别从 3 天到分钟级。
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 无业务上下文
语义互操作的四层缺失：数据层、模型层、流程层、认知层
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：从数据集成到语义自主的演进路径
本体定义 O-R-R-A 框架：对象、关系、规则、应用映射
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），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 Data 平台的架构设计
挑战一：本体建模周期长、业务参与难 → 增量式本体工程（用例驱动、MVP 本体、90 天迭代）
挑战二：语义资产"建而不用" → 璇玑平台六大组件：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、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）、治理控制台（版本/血缘/质量）
挑战三：AI 输出不可解释 → 以 O-R-R-A 认知契约约束 Agent 的查询与推理路径
4. 企业实践
实践一：跨系统语义对齐与对话式分析（ERP/CRM/MES 实体对齐、统一指标语义）
实践二：沿关系链的风险推理（股权穿透、担保圈、供应链风险传染路径）
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
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、SFLM 三机制）
核心观点：企业的核心竞争力，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"诊断方法和"六层语义使能阶梯"评估工具，能现场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 1 个高价值用例、建 50 个概念以内的 MVP 本体、接入 1 个 Agent 场景，避开"大爆炸式建模"的失败陷阱。
两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：
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，以 50 个核心概念为界构建 MVP 本体，每个迭代绑定一个可量化的业务价值点。
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 Data 平台将本体做成运行时基础设施而非离线文档——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/质量全链路管理；并通过 SFLM 反馈闭环让本体在使用中持续生长。检验标准只有一个：你的本体是否进入了 Agent 的运行时调用链。
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，每个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，而是可被机器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 + 反馈闭环"三位一体的工程化体系。
从本体到业务原语：物流场景下 Agent Harness 的设计探索
演讲介绍
本次分享拟以物流异常处置为切入点，探讨如何将业务本体与 Agent Harness 相结合，设计面向物流任务的智能体系统。
首先，围绕订单、运单、车辆、线路、站点及异常事件，梳理业务对象、关系和规则，建立 Agent 理解物流业务的语义基础；其次，将运单追踪、延误评估、运力查询、改派申请等能力抽象为可组合的“业务原语”，通过 Harness 组织任务规划、工具调用、状态管理、权限校验和结果反馈。
分享将以“运输延误后的处置流程”为示例，讨论如何贯通业务理解、方案生成、人工确认与系统执行，并进一步探索处置经验的沉淀与复用，为物流 Agent 从问答辅助走向业务执行提供一种设计思路。
演讲提纲
1.用业务本体，建立 Agent 理解物流业务的基础
以订单、运单、运输任务、车辆、站点和异常事件为核心，梳理“谁承运、运到哪里、当前什么状态、受到哪些规则约束”。建模方式可参考业务本体对对象、属性、关系及动作的组织方式。
拟讨论的问题是：面对“这票货可能晚到，应该怎么办”，Agent 需要关联哪些业务信息，而不只是检索一段操作说明。
2. 从系统接口到业务原语，让 Agent 调用有业务含义的动作
尝试将底层系统能力封装为“查询运输状态”“评估延误影响”“查询可用运力”“发起改派申请”等可复用动作。
这里将“业务原语”定义为：具有明确业务含义、输入输出、执行条件和结果校验的可调用能力。 重点讨论如何把业务对象、规则与动作绑定起来，而不是仅给接口换一个容易理解的名字。
3. 用 Harness 串起任务执行，形成可控的处置流程
围绕任务拆解、上下文组织、工具调用、执行状态和结果检查，设计模型外围的运行机制；这也是 Harness 工程所关注的执行层问题。
听众收益
1.理解业务本体、业务原语与 Harness 在物流 Agent 中的作用。
2.了解如何围绕物流异常处置，让 Agent 从“回答问题”走向“执行任务”。
3.获得权限控制、人工确认和结果校验的设计参考。
4.了解如何沉淀和复用处置经验，持续改进 Agent 的业务表现。
落地挑战和方案重点
物流业务对象多、系统链路长、规则复杂，Agent 容易出现业务理解不准、工具调用不稳定、执行结果难校验等问题。
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。
让 Agent 听懂业务：本体驱动的企业智能实践
公司级敏捷教练、资深架构师、AI教练。十余年敏捷工程与研发效能架构经验，现负责公司业务语义底座—璇玑产品的设计、研发与落地，主导公司从数据到业务认知的智能化转型，构建数据+AI双螺旋提效体系。
从本体到业务原语：物流场景下 Agent Harness 的设计探索
京东物流X科技部-AI算法部语言模型组算法工程师
