智能体工程与可观测性-AiDD研发数字峰会2026-深圳站

论坛主席：马宇驰

博士毕业于四川大学 “3+2+3”本硕博连读计划。自毕业2017年加入华为以来，历任AI算法科学家，研发智能化博士军团Leader，AI辅助研发模型领域总架，研发大模型团队Leader，代码大模型首席技术专家。自2021年以来，主要投入AI Coding方向，2022年作为通讯作者发布第一代盘古Coder，并带领团队自23年起一直负责公司内外部AI Coding相关产品工作，覆盖产品包括：CodeArts Snap, CodeMate, TestMate, DevMate, CodeAgent, CodeArts 码道等。

华为云代码大模型首席技术专家/研发大模型团队Leader

智能体工程与可观测性

本论坛聚焦生产级智能体的工程化落地，讨论如何让系统从黑盒试验走向透明、可控和可演进。论坛将围绕上下文工程、Harness、Loop Engineering等展开，包括Agent运行监控、轨迹追踪、异常定位、故障恢复、漂移治理等主题展开，强调可观测能力在智能体实际应用环境中的关键作用。听众将理解如何构建可验证、可维护、可持续优化的企业级智能体体系。

支付高可靠场景下的知识底座与研发Harness建设

李钟麒

腾讯 AI研发效能专家工程师

内容简介：

本次分享聚焦在支付这种高可靠场景下的两类智能体建设与可观测经验分享：知识底座（或者说正在往本地方向演进）与需求交付（coding/测试/部署）；以“需求交付端到端效能提升”为结果导向目标，重点展开知识底座+自动化需求实现Harness两大任务从“黑盒”到“可度量”的过程。

演讲提纲：
1. 研发AI知识底座与研发类 Agent 在日常 IDE 里完成设计到合入，以及如何从「跑完」收回到「可核验」。
2. 在长期运行任务下，生产与核验如何，长循环如何断开落盘，人的责任边界，具体的观测指标
3. 不同类型任务的指标设计与实际落地：知识侧看校验通过、来源、置信度和增量重学；研发侧看门控是否停下、代码采纳、字段约束和反馈闭环。有无知识的行为差值，用来检查两条任务有没有对齐。
4. 自治边界。知识编译可以批处理并持续重学；研发交付在确定性改动上先放开，跨模块、资金相关的变更保留人工卡点。

听众收益：
得到一个可迁移的框架：不同任务的 Agent 共用「分离、断点、人签、可触发动作的指标」，再按产物分别设计。
看清知识生产与研发交付为什么不能共用同一套观测
知识底座与研发类agent的链接点，以及如何观测与评估

博士毕业于四川大学3+2+3本硕博连读计划，四川大学&新加坡国立大学联培博士，pangu-coder文章共同一作。自21年起持续投入AI coding/ AI for SE方向，曾任华为 LLM for coding方向技术专家与代码模型负责人，目前为腾讯ai for se方向专家工程师，聚焦支付高可靠场景AI需求端到端交付能力（模型,agent，harness，评估等全方位能力）建设。

从能调用到能交付：手机 Agent 的 Harness 工程实践

苏婵菲

vivo 技术专家

内容简介：

随着大模型能力持续提升，Agent 正从单轮问答走向跨应用、跨服务的复杂任务执行。然而，模型能够理解意图、规划步骤、调用工具，并不意味着任务一定能够稳定完成。在真实的手机环境中，Agent 需要面对动态变化的应用与系统状态、跨应用协同、设备资源约束，以及隐私、安全和权限管理等挑战。
本次分享将从手机厂商的系统实践出发，探讨如何通过 Harness 工程提升 Agent 的任务交付能力。内容将围绕个人化上下文与意图理解、端云协同与任务编排、Task State 管理、执行 Trace 追踪、异常处理与状态恢复、结果验证等关键环节展开，分析如何构建可观测、可恢复、可验证的 Agent 执行闭环。同时，结合系统能力开放与开发者生态建设，探讨 MCP、A2A 等协议、可信授权机制和跨服务协同标准如何共同推动 Agent 从单点能力走向稳定、可信的任务交付。
希望通过这些实践与思考，与业界共同探索面向真实应用场景的 Agent 工程化路径，让 Agent 不仅能够调用工具，更能够在复杂、动态、受约束的环境中，把任务可靠地完成。

演讲提纲：
1. 第一部分：个人化理解与任务规划
1.1 记忆与个人化上下文构建
1.2 从意图理解到任务规划：让 Agent 真正懂用户
2. 第二部分：手机 Agent 的 Harness 执行工程
2.1 有状态、有约束的手机运行环境
2.2 任务状态管理、异常恢复与结果验证
3. 第三部分：可观测性与生态协同
3.1 执行 Trace、异常定位与持续评测
3.2 可信授权、标准化协议与跨服务协同

听众收益：
1.掌握从意图理解到个人化任务规划的关键思路
2.理解手机 Agent 稳定执行的工程方法
3.建立 Agent 可信执行与生态协同的实践认知

厦门大学、德国德累斯顿工业大学双博士，欧盟玛丽居里学者。曾任华为、 OPPO 营销技术专家。目前为vivo技术专家，聚焦手机 AIOS、系统级 Agent 架构与跨应用任务执行，具备从算法研发到系统架构设计的丰富实践经验。

记忆即智能：货拉拉对话式 Agent 的四层渐进式记忆与自进化实践

郑绮欣

货拉拉资深算法工程师

内容简介：

对话式 AI Agent 正面临一个"章鱼式困境"：单轮对话再聪明，跨会话、跨渠道便一切从零开始——昨天拒绝过的用户今天被反复打扰，A 渠道建立的信任在 B 渠道荡然无存。本次分享将结合货拉拉业务实战，系统介绍一套四层渐进式记忆与自进化架构：从 L0 数据底座、L1 感知层、L2 决策层到 L3 画像层，将原始对话流逐层提炼为可被模型直接消费的结构化认知，并通过跨渠道打通与效果闭环，实现"画像千人千面、策略自动汰劣留良"的认知飞轮。线上实验以单轮延迟增加 0.2s 的代价，换来转化率 +1.7pp、流失率 -1.6pp、平均对话轮次减少 34%、画像覆盖从 0 到 75%，验证了记忆系统作为 Agent 认知基座的业务价值。

演讲提纲：
1. 为什么需要记忆：打破传统对话系统认知瓶颈
结合货拉拉长链路、多触点、跨时段的业务特性，点明核心业务痛点：用户转化周期长、会话多次中断、交互渠道分散。
传统对话系统存在严重的“失忆问题”，每次交互从零开始，依靠扁平标签传递状态，存在信息无法回溯、用户无差异化、无法自我迭代等核心缺陷，最终得出核心结论：记忆是高阶对话智能的核心基础。
2. 如何构建记忆：四层渐进式记忆核心架构
对标金牌销售的人性化认知逻辑，摒弃简单标签存储，搭建分层递进式记忆架构，形成完整的用户信息认知加工链路，重点明确各层级核心职责与递进关系：
2.1 L0数据底座：完整留存原始交互数据，实现场景全还原
2.2 L1感知层：毫秒级捕捉用户意图、情绪等实时交互信号
2.3 L2决策层：核心调度中枢，依托规则策略实现智能应答决策
2.4 L3画像层：实时结合离线、在线数据，沉淀用户核心特征
3. 如何落地应用：会话衔接与智能自进化机制
聚焦两大核心工程落地能力，解决实际业务问题：
3.1 全触点会话贯通：在合规授权前提下，打通多交互渠道，实现跨场景用户识别与对话无缝衔接
3.2 认知飞轮自进化：精准调用记忆资源、控制算力损耗，同时依托真实业务数据反向优化画像与策略，形成可持续迭代的智能闭环
4. 落地成果与价值：实验效果与场景复用
分享四周线上灰度实验核心效果：以极低的延迟损耗，实现转化、留存、对话效率、用户个性化、策略落地效果全方位显著提升。
复盘项目核心工程取舍经验，同时论证分层记忆+认知飞轮架构的通用性，可广泛复用至用户全生命周期运营及各类长期对话式AI Agent场景，阐述记忆系统作为AI认知基础设施的核心价值与发展前景。

听众收益：
1. 一套可复用的 Agent 记忆架构方法论理解为什么"扁平标签"会在复杂长链路场景中失效，掌握"数据底座 → 感知 → 决策 → 画像"四层渐进式记忆的设计思路与分层职责划分，可直接迁移到自己的对话/营销/客服类 Agent 项目中，避免重走"只会传状态、不会做认知"的弯路。
2. 从 0 到 1 落地记忆系统的工程实战经验收获跨渠道身份打通、画像实时/离线混合更新、毫秒级感知加工、策略效果闭环自进化等关键环节的具体实现方案；了解如何设计实验指标体系（转化、流失、轮次、延迟、画像覆盖、策略淘汰率），以及在"延迟增加 0.2s vs 效果大幅提升"之间做工程权衡的真实经验。
3. 一种重新理解 AI Agent 的认知视角跳出"调提示词、换模型、堆知识库"的常规优化路径，建立"记忆即智能"的认知框架——理解 AI 下一个突破点不在更准的识别，而在更深的跨时序理解与自进化能力，为后续在用户全生命周期运营、多模态长期陪伴等场景中构建""越用越懂人""的 Agent 提供思路启发。。

拥有丰富的NLP算法与大模型跨场景业务落地经验，专注于通过AI Agent技术提升业务效率。擅长将大模型与客服、私域、判责、舆情等场景融合，推动 AI 在实际业务中可控、可用、可落地。

agent场景下的推理优化与可观测

庞士冠

华为推理优化专家

内容简介：

在Agent场景中，大模型推理面临长链路、多步决策与工具调用等挑战，对延迟、吞吐与稳定性提出更高要求。推理优化聚焦于动态批处理、KV Cache复用、投机采样与异构调度，以平衡成本与响应速度。同时，Agent行为具有黑盒性与不确定性，可观测性需覆盖链路级Trace、中间思维链、工具调用与异常回放，实现全链路监控与快速定位。二者结合，既保障复杂任务下的高效执行，又提供透明可控的运行视图，是构建高可用、可调试、可进化的Agent系统的关键支撑。

演讲提纲：

1. 推理性能优化：动态批处理、KV Cache、投机解码与资源调度
2.Agent执行可观测：链路追踪、思维链记录与工具调用监控
3.异常诊断与回放：失败定位、中间状态复现与行为审计
4.稳定性与成本控制：SLA保障、弹性扩缩与性价比优化

听众收益：

1.了解大模型推理原理

2.能够掌握一定的agent与LLM交互过程

2022年硕士毕业加入华为公司，23年初开始从事大模型高效推理和部署优化相关工作，曾参与Pangu-Coder、CodeArts Snap、AI辅助研发等多个项目的推理优化工作，当前作为华为 AI辅助研发推理优化负责人，基于昇腾全栈，设计开发了华为AI辅助内部研发项目的推理平台，每天产出token X万亿，有效支撑公司内部每日千万级调用量。

AiDD峰会

K+峰会

联系我们