編輯 | 李忠良

Agent（智能體）的熱度已經(jīng)持續(xù)了一年，但行業(yè)的聚光燈往往打在酷炫的 Demo 上。真實的業(yè)務(wù)落地，面臨的是完全不同的挑戰(zhàn)：

• 數(shù)據(jù)太亂：面對幾百頁的非結(jié)構(gòu)化標書，AI 怎么提取關(guān)鍵信息？

• 窗口太?。?/strong>面對數(shù)月的用戶行為日志，大模型怎么讀得完？

• 風險太高：在生產(chǎn)環(huán)境，怎么敢讓 AI 自動執(zhí)行修復命令？

為了解答這些“深水區(qū)”難題，在12月19 日 -20 日AICon 全球人工智能開發(fā)與應用大會（北京站）上，我們特別策劃了 Data+AI / Agent 落地實踐 專題。

本專題特邀商湯科技大裝置事業(yè)群 CTO 宣善明擔任出品人。他以其深厚的技術(shù)視野，與我們共同籌備了這一論壇，對議題進行了層層甄選與嚴苛的質(zhì)量品控。我們的目標只有一個：剔除一切虛無縹緲的概念，保證聽眾獲得“確定性收益”。

在宣總的把關(guān)下，本次論壇不談概念，只看架構(gòu)。我們鎖定了來自商湯、騰訊、火山引擎、阿里云的四位負責人，他們將在此打開自己的“工具箱”，分享解決上述具體工程難題時的技術(shù)選型與避坑經(jīng)驗。

1 商湯科技：如何讓 Agent 寫出可交付的投標方案？

業(yè)務(wù)痛點

讓 AI 寫詩容易，但讓它寫項目投標方案很難。因為這需要 AI 理解復雜的產(chǎn)品說明書，從雜亂數(shù)據(jù)中提取信息，還要計算定制化成本——邏輯稍有斷裂，方案就是廢紙。

嘉賓解法

商湯大裝置研發(fā)總監(jiān) 王志宏 將分享一種 全鏈路協(xié)作 的 Agent 設(shè)計。

• 架構(gòu)核心：不僅僅是生成，而是構(gòu)建了任務(wù)規(guī)劃—數(shù)據(jù)檢索—數(shù)據(jù)分析—生成—審校的完整流水線。

• 關(guān)鍵技術(shù)：

1. 自我審校機制：針對生成內(nèi)容不準確的問題，他在架構(gòu)中引入了 Review 環(huán)節(jié)，讓 Agent 自行檢查邏輯連貫性與數(shù)據(jù)準確性。

2. 異構(gòu)數(shù)據(jù)處理：重點解決如何從格式雜亂的數(shù)據(jù)中提取關(guān)鍵信息，并實現(xiàn)產(chǎn)品功能與客戶需求的精準匹配。

3. 成本計算：讓 Agent 具備評估定制化開發(fā)成本的能力，使輸出的方案具備工程可交付性。

2 騰訊：BI 的未來，是表格操作與智能體的融合

業(yè)務(wù)痛點

AI 分析工具往往要求用戶通過對話（Chat）交互，但專業(yè)數(shù)據(jù)分析師更習慣表格。且面對復雜任務(wù)，單一 Agent 容易顧此失彼，響應速度也難以保證。

嘉賓解法

騰訊大數(shù)據(jù)算法工程負責人 翁旭東 將通過 Tomoro 產(chǎn)品，展示如何將 AI 融入用戶熟悉的表格操作中。

• 架構(gòu)核心：采用主 - 從多智能體架構(gòu)。由主智能體負責拆解任務(wù)，各專家智能體分工執(zhí)行。

• 關(guān)鍵技術(shù)：

1. 路徑選擇策略：明確提出工具優(yōu)先，代碼兜底。優(yōu)先調(diào)用可靠的標準工具保證體驗，再以 AI 代碼生成應對個性化需求，避免 AI 濫用代碼導致的不穩(wěn)定。

2. 協(xié)作機制：建立共享工作記憶，讓各智能體同步中間結(jié)果，避免重復計算。

3. 性能分級：構(gòu)建了瀏覽器計算、內(nèi)存數(shù)據(jù)庫、高性能引擎的分層加速體系，確保億級數(shù)據(jù)下的秒級響應。

3 火山引擎：數(shù)據(jù)量超大、跨度超長，Agent 怎么分析？

業(yè)務(wù)痛點

用戶行為數(shù)據(jù)（User Behavior）通常具有時間跨度大、語義復雜的特點。直接丟給大模型，受限于 Context Window（上下文窗口），往往無法處理，且分析出的結(jié)論難以被業(yè)務(wù)方驗證和信任。

嘉賓解法

火山引擎資深工程師 蔣煜 將分享一套引入了 中間層 的大模型驅(qū)動系統(tǒng)。

• 架構(gòu)核心：創(chuàng)新性地在原始日志基礎(chǔ)上，建立了行為數(shù)據(jù)形態(tài)中間表示層。

• 關(guān)鍵技術(shù)：

1. 突破窗口限制：利用中間表示層處理超出上下文窗口的數(shù)據(jù)，解決海量數(shù)據(jù)與模型窗口之間的矛盾。

2. 可信度構(gòu)建：始終保持模型分析與原始數(shù)據(jù)之間的連接。Agent 的分析結(jié)論可以追溯到原始數(shù)據(jù)，解決了黑盒分析不可解釋的難題。

3. 人機協(xié)同：在系統(tǒng)設(shè)計中引入業(yè)務(wù)知識與主動學習，讓 AI 在人類分析師的反饋中成長。

4 阿里云：在生產(chǎn)環(huán)境，如何構(gòu)建“敢自動修復”的運維系統(tǒng)？

業(yè)務(wù)痛點

云原生時代系統(tǒng)復雜度激增，傳統(tǒng)規(guī)則難以覆蓋。但引入 AI 做運維（AIOps），最大的顧慮是安全：AI 會不會出現(xiàn)幻覺？會不會誤操作搞掛系統(tǒng)？

嘉賓解法

阿里云 Serverless 基礎(chǔ)架構(gòu)負責人 趙慶杰 將復盤一套已在阿里云核心產(chǎn)線落地的 數(shù)據(jù)驅(qū)動智能診斷系統(tǒng)（MTTR 實測降低 40%）。

• 架構(gòu)核心：明確的角色化分工 ——感知 Agent（采集 / 異常檢測）、推理 Agent（根因分析）、驗證 Agent（假設(shè)檢驗）、執(zhí)行 Agent（修復建議）。

• 關(guān)鍵技術(shù)：

1. 全棧數(shù)據(jù)閉環(huán)：將指標、日志、鏈路及eBPF 事件統(tǒng)一建模為智能體可理解的上下文。

2. 安全保障機制：針對幻覺風險，設(shè)計了Prompt 工程 + 工具調(diào)用 + 幻覺抑制策略。

3. 熔斷設(shè)計：在執(zhí)行層引入人工熔斷機制與權(quán)限控制，確保高危操作在安全合規(guī)的前提下進行，逐步替代人工巡檢。

這四個案例，分別代表了 Agent 在文檔生成、數(shù)據(jù)分析、行為洞察、系統(tǒng)運維四個不同領(lǐng)域的深水區(qū)探索。沒有空泛的概念，只有經(jīng)得起生產(chǎn)環(huán)境考驗的架構(gòu)設(shè)計。如果你正在思考如何將大模型能力真正接入核心業(yè)務(wù)流，這四位嘉賓的實戰(zhàn)復盤，值得一聽。

InfoQ 2025年終榜單以“洞察 AI 變革，見證智能未來”為主題，我們誠邀各企業(yè)和團隊分享自己在 AI 領(lǐng)域的最新成果和杰出項目。無論是在AI基礎(chǔ)設(shè)施的搭建，工程與部署的創(chuàng)新，還是智能體生產(chǎn)力的提升與行業(yè)應用的拓展，我們期待與您共同展現(xiàn)AI技術(shù)與產(chǎn)業(yè)結(jié)合的無限可能。如有興趣，歡迎掃描下方二維碼積極提報！