出品人：肖 然
Thoughtworks全球数字化转型专家，中关村智联创新联盟秘书长。在过去10余年间，肖然带领团队为金融、保险、通信、物流、零售等核心产业的头部企业提供了长期的数字化、智能化转型咨询服务，以其务实高效的工作作风获得了行业内的广泛认可。面对Software 3.0时代的浪潮，他带领团队深耕AI4SE、知识工程、多模态数据治理等前沿领域，并持续输出了创新解决方案，有效推动了相关产业社区的形成与发展。肖然致力于提升企业对Agentic AI时代的认知，并指导其构建所需的核心能力。同时，结合国内技术栈的特点，赋能企业建立和优化强大的AI与数据平台能力，为客户实现真正的智能驱动奠定坚实基础。
Thoughtworks 全球数字化转型专家

面向智能体的产品开发

随着AI从感知智能走向认知与决策智能，智能体（Agent）正成为下一代产品形态的核心。本论坛聚焦于智能体的工程化落地，系统性剖析从其核心能力构建到复杂系统协同的全过程。我们将深入探讨规划、记忆、工具调用等能力的工程实现，并重点分享多智能体协同的设计范式，涵盖任务自动化、工作流重构，以及高效且安全的MCP/A2A通信实现与架构模式。同时，议题也将覆盖A/B测试与可靠性工程等质量保证体系，旨在将一线实战经验转化为清晰的落地参考，助您精准决策、少走弯路。
Agent 的“心流”：银行级 S-T-R 认知循环与 IQ/EQ 架构设计
刘 静
Inspire（原Thoughtworks） 首席数据科学家
内容简介：
本次分享将聚焦于 Agent 的核心本质——Sense-Think-React (S-T-R) 认知循环。结合我在国有银行 LLM 智能客服（Agent 体系架构设计）项目中的实战经验，我们将探讨如何从第一性原理出发，构建 Agent 的高智商 (IQ) 内核（规划与判断），以及如何提供具有高情商 (EQ) 的服务体验（用户状态感知）。旨在为大家提供一套满足金融级严谨性和用户体验的 Agent 认知设计哲学，并展望下一代 Agent 架构的演进。        

演讲提纲：
1. Agent 的认知基石：S-T-R 循环与架构哲学
1.1 Agent 认知内核： S-T-R 循环的定义与工作机制。
1.2 架构挑战与解构： 如何应对复杂业务对 Think (规划) 和风险控制的严苛要求。
1.3 设计视角： 从Agent方案架构设计师的角度，权衡技术方案的商业价值与落地风险。
2. 银行级实战：Agent 的 IQ/EQ 架构与应用
2.1 Agent 的“智商” (IQ)： 严谨规划与路径可控的架构设计。实践核心： Agent 体系架构设计——实现复杂业务场景的可控拆解和路径判断（例如：大模型与小模型的协同机制）。
2.2 Agent 的“情商” (EQ)： 用户状态感知与体验设计。实践核心： 优化 Sense 环节，实现用户状态和意图优先级感知，并设计高品质交互模式（例如：流程信任与控制权）。
3. 模式升华：Agentic Patterns 的 MBTI 人格化类比
3.1 模式映射： 将实战经验抽象为 Agentic Design Patterns。
INTJ 战略家： 对应 Think 规划模式。
ISTJ/ESTJ： 对应 Sense/React 的执行与知识保障。
INFP 内省者： 对应 Agent 的反思与自我修正机制。
3.2 设计原则： 适配 S-T-R 循环、IQ/EQ 架构与 MBTI 人格化设计的整体原则。
4. 总结与前瞻：Agent 系统的未来演进
总结公式： Agent Success= S-T-R 循环 + IQ/EQ 架构 + MBTI 人格化设计。
前瞻架构： 展望下一代架构——Agent 与世界模型 (World Model) 的融合。世界模型的价值：实现 Agent 的长期规划和反事实推理。展望多智能体协作与共享知识模型的构建。

听众收益：
1.掌握一套高鲁棒性的企业级Agent架构方法论
2.获得解决LLM幻觉与合规难题的实战锦囊
3.习得一套通用的Agent模块化设计思维        
Inspire（原Thoughtworks） 首席数据科学家。擅长将复杂问题抽象为系统性 Agent 架构和AI解决方案，并从产品视角严谨权衡商业价值与风险 。专注于驱动 LLM 在高要求业务中的实战落地。
Elasticsearch 向量搜索及 AI Agents 开发
刘晓国
Elastic 中国社区首席布道师
内容简介：
详细介绍 Elasticsearch 向量搜索及最新的进展。使用具体的例子来展示如何使用向量（稀疏向量，密集向量）搜索来进行语义搜索。
Elasticsearch 是全球应用最为广泛的搜索引擎。随着人工智能发展，Elasticsearch 也开发了向量搜索（密集向量及稀疏向量）来提供语义搜索。更为重要的是 Elasticsearch 提供混合搜索（BM25，向量）的能力。Elastic 的混合搜索结合了传统基于关键词的搜索（语法灵活性、关键词精确性和相关性评分）与向量相似性搜索的语义理解，并提供多种重新排序技术。这种协同能够带来高度相关的结果，让查询在定位内容时可以更加细致。使用能够提供分布式搜索、检索和重新排序的数据平台作为主要上下文检索引擎非常有意义。你可以使用高级查询语法加入主观意图这个缺失的组件，并过滤掉可能分散注意力或降低返回上下文信息价值的内容。本议题将使用具体的例子来展示如何使用向量（稀疏向量，密集向量）搜索来进行语义搜索。
在最新的 Elastic 发布中，Elastic 发布了 AI Agent 构造器。它让开发者在几分钟内轻松地创建自己的 Agents。我们可以通过聊天（自然语言）的方式查询数据，关联多个数据，并对它们进行分析。它被构建用于与存储在 Elastic 中的数据对话。Agent Builder 提供一个聊天界面，使用户能够在 Kibana 中创建和管理自己的 agents 和工具。它内置 MCP 和 A2A 服务器、可编程 APIs，以及一组预构建的系统工具，用于查询和探索 Elasticsearch 索引，并从自然语言生成 ES|QL 查询。Agent Builder 允许你创建自定义工具，通过富表达性的 ES|QL 查询语法来定向并塑造返回给 agent 的上下文数据。Elasticsearch 强大的 的聚合，过滤，分析及混合搜索为现代 agents 的构造提供丰富的上下文，从而让搜索能得到更快，更为精准的结果。

演讲提纲：
1. 智能时代的搜索需求
1.1对语义搜索的需求，而不是简单的词汇匹配
1.2对多媒体数据的搜索，比如图片，声音及视频
1.3非结构化数据的搜索
1.4向量搜索带来的新的解决方案
2. Elasticsearch 向量搜索介绍
2.1向量搜索原理
2.2向量搜索种类（密集向量，稀疏向量）
2.3混合搜索介绍（多路召回，综合评分）
2.4向量搜索 Demo
3. RAG 实现原理
3.1如何使得大模型变得更聪明
3.2RAG 的实现方法
4. 智能体开发
4.1为什么需要上下文工程？
4.2基于 Langchain 的 ES Agent 搜索
4.3运用 MCP 开发 agents 应用
4.4Agent builder 介绍
4.5在 ES 中运用 A2A 及 MCP 构建多 agents 应用
4.6Demo

听众收益：
1.开发者充分了解如何使用 Elasticsearch 做向量搜索
2.如何做混合搜索
3.了解如何使用 AI Agent Builder 快速地构建 Agents
现为 Elastic 社区首席布道师。新加坡国立大学硕士，西北工业大学本硕。曾就职于新加坡科技，康柏电脑，通用汽车，爱立信，诺基亚，Linaro 非营利组织 (Linux for ARM)，Ubuntu，LinkMotion Future, Vantiq 等企业。从事过电脑设计，实时系统，手机，汽车电子，计算机操作系统，通信，云实时事件处理及大数据等行业。从爱立信开始，诺基亚，Ubuntu 到现在的 Elastic 从事社区工作有将近 20 年的经历。
京ICP备2020039808号-4 京公网安备11011202100922号
返回顶部