AiDD研发数字峰会

论坛主席：王尚

拥有近 10 年用户社区 & 产品生态从业经验，先后在国内领先的技术社区与上市公司担任运营负责人、社区负责人。现专注于 AI 应用的产品体验、生态运营、用户增长，在商汤负责的「小浣熊家族」系列产品已为上千万用户提供产品服务，并在 300+ 企业中完成业务落地。

商汤科技产品运营总监

AI 驱动的业务运营与交付

随着大模型与智能体技术的快速发展，AI正从单点工具走向系统能力，重塑企业的业务运营与交付方式。在多业务线协同与复杂交付场景下，传统依赖人工与流程的模式已难以支撑效率与稳定性要求。本论坛聚焦AI如何贯穿数据分析、策略制定与任务执行全链路，构建标准化、可复用的运营与交付体系，提升组织效率与业务确定性，支撑规模化业务落地。

懂货懂车懂用户：货拉拉AI应用实践

万勇韬

货拉拉资深算法工程师

内容简介：

货运物流场景天然具有高度复杂性与非标性：品类繁杂（电器、钢材、非标准家具等），每类货物有其独特的装载规则、叠放限制与特殊工艺要求；同时车型多样，4.2/6.8/13米等不同规格车型又对应截然不同的承载能力与适用场景；加之用户价格约束与装卸货特殊要求，匹配决策空间呈指数级扩张。
在此背景下，通用大模型直接落地往往"水土不服"——既缺乏货运领域的垂直知识，又难以处理高度定制化的业务规则，导致车型推荐偏差、用户体验割裂，成为转化链路上的隐形漏损。
为此，我们自研""车货匹配数字人""，以 Multi-Agent 架构为核心，将物流领域知识、多工具调用与业务规则深度融合，实现一次开发、多端赋能。上线后，有效遏制了下单漏斗的流失，在业务转化上取得突破。

演讲提纲：
1. 背景与痛点
1.1 业务痛点：车货匹配不准对下单转化率的直接杀伤力（客服端错配导致重复提交，外呼端缺乏闭环导致流失）。
1.2 技术瓶颈：通用大模型的“天然缺陷”。
1.3 缺乏货运专业知识（不知晓具体车型长宽高与载重限制）。
1.4 缺乏空间装载与物理推理能力（无法处理复杂非标货物、无法判断是否可叠放）。
1.5 基建痛点：现存架构的多团队重复建设，维护成本高。
2. 破局之道 —— 统一“车货匹配数字人”架构设计
2.1 核心理念：从“分散的文本生成”到“统一的货运专家 Multi-Agent系统”。
2.2 架构概览：整体系统分层设计。
2.3 编排层：多智能体协作与工作流（Workflow）设计（如何定义各个节点与流转边缘，确保逻辑严密）。
2.4 工具层：挂载外部工具与查询能力，打通信息孤岛。
3. 核心架构拆解
3.1 懂货物：货物语义理解Agent，通过大模型语义理解与动态推理，将非结构化的模糊用户输入，转化为高可用的货物物理及装载多维画像，为下游装载率计算提供确定性的输入保障
3.2 懂用户：用户需求语义理解Agent，通过大模型语义理解与动态推理，将非结构化的模糊用户输入，转化为高可用的用户运输偏好画像，为下游装载率计算提供确定性的输入保障
3.3 懂车型：基于用户的货物信息、个性化运输需求，完成车型全维度认知与智能车型推荐，为用户输出精准、可落地的车型选择方案，兼顾运输合理性与成本最优。
4. 未来规划与总结
4.1 未来规划：深化智能，构建持久竞争力
4.2 懂货物：知识库的动态迭代与长效治理机制建设
4.3 懂用户：抽取链路的轻量化与推理效能倍增
4.4 懂车型：装载适配的精准化与场景化效能提升
4.5 总结：通过构建“懂货物”、“懂用户”、“懂车型”三大智能体，成功打通了从非结构化语言到结构化数据的转化链条，为平台的智能化升级奠定了坚实基础。我们不仅达成了各项准确率指标，更重要的是沉淀了两大核心知识资产：标准货物信息知识库和车型知识图谱。这标志着我们从“被动响应”走向“主动理解”，从“经验匹配”走向“智能推理”，显著提升了用户体验和运营效率。

听众收益：
1. 看清大模型如何深入物流垂直场景，解决车货匹配做不准的顽疾。
2. 获取一套可落地的多智能体（Multi-Agent）架构实战方案。学习如何通过 Agent 编排弥补通用大模型在空间推理、物理规则约束方面的天然缺陷。

货拉拉资深算法工程师,现负责公司AI Agent相关落地技术工作。曾在美团等公司负责出行算法相关工作,目前主要研究方向是Agent在交易匹配应用落地、Agent在AI外呼应用落地以及Agent评测体系搭建，在以上领域均具有大规模落地实践经验。

AI重塑快手电商B补活动实践之路

孙沪增

快手技术专家

内容简介：

快手电商B补活动（商家激励政策）长期依赖运营人工制定规则：从目标值设定、奖励分配到商家圈选，全链路高度依赖经验驱动，面临效率低、覆盖有限、个性化不足等核心挑战。
本次分享将介绍快手电商如何以 AI 为核心引擎，系统性重构 B 补活动企划的全链路。具体包括：利用大语言模型将产品需求转化为结构化规则配置，通过算法模型实现商家千人千策的任务目标与奖励精准分配，以及构建从诊断分析到活动配置的端到端自动化流水线。
在工程落地层面，团队打造了基于 LLM X规则引擎的混合智能架构：AI 负责意图理解与方案生成，规则引擎保障业务逻辑的可控性与可解释性；通过算法专家模型输出实时同步至活动系统，实现""算法出策略、系统自动执行""的智能闭环。
本次分享将重点分享落地过程中的关键技术选型、核心架构设计，以及在保障稳定性的前提下快速推进 AI 能力规模化落地的工程实践经验，为同样面临业务复杂度与 AI 落地挑战的团队提供参考。

演讲提纲：
1. 背景与挑战：B补活动企划的人工困境
传统 B 补活动的运营模式痛点——人工配置规模上限、个性化缺失、策略迭代周期长，以及 AI 改造的核心目标与预期收益
2. 技术架构设计：LLM + 规则引擎的混合智能方案为何不走""纯大模型""路线——可控性与灵活性的权衡；LLM 作为""策略生成器""与规则引擎作为""执行保障层""的分工协作架构
3. 核心链路实现：从算法结果到活动自动配置算法分层任务目标与奖励分配的工程实现；ETL 数据流水线设计（ODS→DWD→活动系统）；规则脚本的自动生成与版本管理实践
4. 稳定性保障：AI 落地的工程质量实践灰度策略与 AB 实验机制；人工兜底与异常熔断设计；线上监控体系建设；从 POC 到规模化的推进节奏
5. 效果与反思：做对了什么，踩了哪些坑关键业务指标提升数据；落地过程中遇到的典型问题复盘；对""AI 在复杂业务系统中如何正确落地""的思考与建议

听众收益：
1. 获得一套 AI 重构复杂业务系统的工程方法论
了解在业务逻辑复杂的场景下，如何通过""LLM + 规则引擎""混合架构实现 AI 能力的可控落地，避免纯大模型方案在生产环境中的不可控风险，获得可直接参考的架构设计模式。
2. 掌握 AI 驱动的个性化策略生成与自动化执行的落地路径
从算法模型到业务配置的完整数据链路设计、ETL 流水线的工程实现，以及规则脚本生命周期管理的实践经验，为同类型""AI 替代人工运营决策""场景提供可复用的工程参考。
3. 借鉴大型电商平台 AI 工程化落地的踩坑与避坑经验真实的线上案例复盘——包括灰度策略、AB 实验、异常兜底等稳定性保障机制的设计思路，帮助听众在自己的 AI 落地项目中少走弯路、降低试错成本

快手电商商家成长技术团队技术专家，专注于 B 端策略系统与 AI 工程化方向。
拥有大厂全链路电商研发经验：在阿里巴巴先后参与 1688 平台 B 端交易履约体系（订单/物流/资金结算）的设计与落地，以及淘工厂 C2M 商家商品招选搭投、选品运营工具、生意参谋数据看板等核心产品的技术迭代。
加入快手后，深度参与电商商家成长体系技术架构设计，主导 B 端策略实验室搭建与运营策略模型研发，推动 AI 技术在 B 补活动企划中的规模化落地，助力平台腰部商家成长转化率提升与 B 端运营策略的数据化、智能化演进。

从 Copilot 到 Agent：小浣熊客户端的工程化实践与交付闭环

周清峰

商汤科技高级工程师

内容简介：

随着大模型能力的快速发展，AI 应用正快速从 Copilot 式的辅助工具，演进为能够理解目标、制定计划、调用工具、协同执行并沉淀经验的 Agent 工作台。本次分享将以“小浣熊客户端”为例，介绍面向智能生产场景的 Agent 系统如何设计与落地。
分享将围绕小浣熊客户端的核心能力展开，包括多源知识库接入、Memory、Skill 库、Plan Mode、专家团协同、定时任务以及本地桌面能力。在技术侧，将介绍其核心架构与关键设计亮点；在业务侧，将通过一套完整的生产交付流程，说明 Agent 如何在接入多类知识库并支持自定义拓展工具/工作流的同时，形成任务规划、执行、审查、产物和沉淀的闭环。
本次分享重点讨论的不只是“如何用大模型生成内容”，而是如何把业务知识、专家经验、工具能力和交付流程工程化，构建一套可复用、可协作、可持续迭代的 AI 驱动交付系统。

演讲提纲：
1. Copilot -> Agent 的演进;
2. 小浣熊客户端的功能介绍;
3. 核心技术架构和亮点;
4. 开放与闭环：一套完整的生产交付流程;
5. 落地经验与畅想。

听众收益：
1. 了解agent的工程化实践经验；
2. 通过小浣熊客户端的实践，启发生产力的提升。

跨越 AI 工程化鸿沟：基于多智能体编排的下一代研发平台实践

张扬

极狐GitLab 高级解决方案总监

内容简介：

随着生成式 AI 深入软件研发，企业正在从个人提效走向组织级工程化落地，但分散的 AI 插件往往缺少完整研发上下文、受控执行边界和可追溯治理机制，难以真正融入需求、开发、评审、安全、流水线和知识沉淀等连续协作链路。本次分享将围绕多智能体协同编排的研发平台实践，探讨如何通过生命周期上下文、专业化智能体、事件触发的任务流、工具权限治理与审计机制，将 AI 能力从零散辅助升级为可复用、可治理、可度量的组织级研发基础设施，帮助企业跨越 AI 工程化鸿沟，构建面向 AI 时代的软件研发新范式。

演讲提纲：
1. AI 研发从个人提效走向组织级工程化遇到的挑战。分析单点 AI 工具在真实研发流程中面临的上下文割裂、协作断层、质量安全与可追溯问题。
2. 软件工程实践在多智能体编排场景下的落地实现。围绕需求、代码、评审、安全和流水线等关键环节，展示多智能体如何分工协作并进入工程闭环。
3. 面向规模化落地的治理、度量与组织能力沉淀。探讨如何通过权限控制、审计追踪、效果度量和知识复用，让 AI 能力成为可持续演进的研发基础设施。

听众收益：
1. 理解 AI 研发从单点工具走向工程化平台的关键挑战与演进方向。
2. 掌握多智能体编排在需求、开发、评审、安全和流水线中的典型落地思路。
3. 获得一套兼顾效率、安全、治理和组织复用的 AI 研发平台建设参考。

十余年企业技术服务经验，曾在IBM、ThoughtWorks、DaoCloud等知名企业任职，专注DevOps和云原生技术的企业落地实践。
主导过汽车、金融、芯片、机器人、能源等行业头部企业的应用上云、DevOps研效提升等项目。近年专注于A智能化技术在企业软件研发效能中的方案探索与场景落地。
参与《软件研发效能权威指南》、《云转型》、《DevOps悖论》、《Kubernetes实战》等技术书籍的编写和翻译工作。

AiDD峰会

K+峰会

联系我们