专场出品人：王昊奋
OpenKG联合创始人，同济大学特聘研究员
同济大学百人计划，特聘研究员，博士生导师。长期在一线人工智能公司担任CTO之职。他是全球最大的中文开放知识图谱联盟OpenKG发起人之一。他负责参与多项国家级AI相关项目，发表100余篇AI领域高水平论文，被引用次数达到2900余次， H-index 达到 26。他构建了全球首个可交互养成的虚拟偶像—“琥珀 · 虚颜”；所构建的智能客服机器人已累计服务用户超过10亿人次。目前，他担任中国计算机学会术语工委副主任，SIGKG主席，上海秘书长，中国中文信息学会理事，语言与知识计算专委会副秘书长，上海市计算机学会自然语言处理专委会副主任，上海交通大学AI校友会秘书长等社会职位。
专场：Agent模式的探索与实践
本专场旨在深入探讨Agent模式在现代软件开发和智能系统设计中的应用与挑战。本专场将集中讨论“Agent模式的设计原则、多Agent系统的协同工作、Agent模式在分布式系统中的应用、以及Agent模式与人工智能技术的融合”等关键话题。参与者将有机会了解到Agent模式如何促进系统的模块化、灵活性和可扩展性，同时探索Agent模式在智能决策、资源管理和自适应系统中的最新实践。通过本专场的深入讨论，参与者将获得宝贵的知识和经验，以便更好地设计和实施基于Agent的解决方案，应对日益复杂的系统和业务需求。
王尚
商汤科技 高级AI 产品经理
商汤科技 高级 AI 产品经理，「编码人声」节目主理人。拥有近 10 年开发者社区 & 开发者关系从业经验，先后在国内领先的技术社区与上市公司担任内容媒体负责人、开发者社区负责人。现专注于 AI 应用的产品体验与用户增长，在商汤负责的 AI Native 生产力系列工具「代码小浣熊」和「办公小浣熊」，已为十余万开发者提供了数亿次编程辅助服务。
大模型产品中，Copilot与Agent模式的融合与实践
在该议题中，将专注于讨论大模型产品中的Copilot与Agent模式，在落地场景中的融合与实践。会概述Copilot模式与Agent模式的异同与优势差异，并通过商汤科技的「代码小浣熊」与「办公小浣熊」工具，展示这两种模式如何在产品中相互补充，提升用户的效率和体验。此外，还将探讨如何通过用户反馈来优化产品体验，分享关于产品未来发展的思考。
听众收益
1. 了解 copilot 模式与 Agent 模式的异同与优势差异
2. 了解现阶段大模型的能力边界和落地场景
3. 了解如何更好的借助大模型工具在工作中提效
听众收益
1. 了解 copilot 模式与 Agent 模式的异同与优势差异
2. 了解现阶段大模型的能力边界和落地场景
3. 了解如何更好的借助大模型工具在工作中提效
刘瑞森
百度 高级研发工程师
百度资深研发工程师，2017 年加入百度，先后服务并建设百度云、基础架构、大商业，有丰富的微服务治理经验。现任百度商业广告平台资深工程师，主导研发与开源百度商业广告业务端微服务框架 Starlight，负责内部微服务治理平台由传统到云原生再到智能化的演进。
AI Agent在微服务治理平台落地与实践
微服务治理平台是提升业务微服务使用、运维、治理效率的重要手段，频繁变更的使用人员、参差的知识背景成为制约平台发展与业务效能提升的重要因素。本次演讲将从微服务治理平台的实践问题出发，阐述如何将微服务治理平台与 LLM + AI Agent 结合，进一步提升微服务治理平台的价值。
内容大纲
1. 微服务治理平台的困境
1.1微服务治理平台建设现状
1.2微服务治理平台实践中的困境
2. LLM 与 AI Agent 的能力与启发
3. 借助 AI Agent 重构微服务治理平台
3.1 LUI重构交互形态
3.2 LLM 与 AI Agent 驱动智能治理
3.3 数据飞轮支撑持续演进
4. 总结与展望
1. 微服务治理平台的困境
1.1微服务治理平台建设现状
1.2微服务治理平台实践中的困境
2. LLM 与 AI Agent 的能力与启发
3. 借助 AI Agent 重构微服务治理平台
3.1 LUI重构交互形态
3.2 LLM 与 AI Agent 驱动智能治理
3.3 数据飞轮支撑持续演进
4. 总结与展望
听众受益
1. 了解百度微服务治理平台实践中的痛点与思考
2. 了解 LLM 与 AI Agent 内容
3. 了解LLM与AI Agent如何在微服务领域落地
张志勇
小米 Mione创始人 Ozhera创始人
2018～至今，在小米管理效能研发团队，负责云原生中间件、可观测性、容器化、serverless等产品的架构设计及开发工作；
曾先后在京东、阿里从事中间件架构及研发；
Apache Dubbo Committer
擅长领域：云原生可观测性、中间件、容器化、mesh、serverless等领域
曾先后在京东、阿里从事中间件架构及研发；
Apache Dubbo Committer
擅长领域：云原生可观测性、中间件、容器化、mesh、serverless等领域
Mione Agent 平台和Bot在小米的落地
本文旨在全面介绍M78 AI平台，一个集成了高度可定制化、高效AI集成与多场景应用支持的创新性解决方案。M78不仅提供了强大的基础特性和功能，如定制化Prompt设计、角色设定、Flow编排、Plugin调用等，还拥有私有知识库管理和灵活的AI接口导出能力，覆盖HTTP、Dubbo、gRPC及WebSocket等多种协议。通过其独特的架构设计，M78实现了从快速接入AI能力到复杂业务场景落地的无缝衔接，特别是在AI编程助手、智能客服系统和智能可观测系统三大应用场景中展现出了卓越效能。
内容大纲
1. M78 AI平台概览
1.1 平台核心特性
1.1.1 Prompt定制与私有函数支持
1.1.2 人物设定与角色个性化
1.1.3 Flow编排简化流程管理
1.1.4 Plugin调用扩展功能
1.1.5 知识私有化：私有知识库的建立与利用
1.1.6 数据库调用能力
1.1.7 AI接口快速导出技术
1.1.8 直接对接IM工具
1.1.9 模型管理便捷化
1.2 M78架构解析
1.2.1 AI-Proxy服务器的角色与功能
1.2.2 Prompt管理服务器的核心作用
1.2.3 M78服务器：外部接口与触发机制
1.2.4 Agent服务器：Bot调用的执行者
2. M78提供的核心能力
2.1 快速集成后端AI能力
- 详细介绍如何在10分钟内实现后端AI功能接入
2.2 Flow与Prompt调试优化
- 流程设计与指令优化的实践指南
3. M78落地场景应用实例
3.1 落地场景1：AI编程助手
3.1.1 代码补全与自动完成
3.1.2 代码注释自动生成
3.1.3 测试方法智能化提议
3.1.4 代码建议提升开发效率
3.2 落地场景2：智能客服系统
3.2.1 用户问题即时AI回复
3.2.2 问题总结与记录功能
3.2.3 知识库自动更新与学习
3.3 落地场景3：智能可观测系统助手
3.3.1 TraceID驱动的问题快速定位
3.3.2 自然语言报警系统的构建
3.3.3 混沌工程测试触发与应急响应
4. 结论与展望
- 总结M78 AI平台的优势与市场潜力
- 展望未来技术发展方向与可能的新应用场景
通过这一框架，本文将深入探讨M78 AI平台的架构原理、核心能力及其在实际业务场景中的高效应用，旨在为读者提供一个全面了解并评估该平台价值的参考。构原理、核心能力及其在实际业务场景中的高效应用，旨在为读者提供一个全面了解并评估该平台价值的参考。
1. M78 AI平台概览
1.1 平台核心特性
1.1.1 Prompt定制与私有函数支持
1.1.2 人物设定与角色个性化
1.1.3 Flow编排简化流程管理
1.1.4 Plugin调用扩展功能
1.1.5 知识私有化：私有知识库的建立与利用
1.1.6 数据库调用能力
1.1.7 AI接口快速导出技术
1.1.8 直接对接IM工具
1.1.9 模型管理便捷化
1.2 M78架构解析
1.2.1 AI-Proxy服务器的角色与功能
1.2.2 Prompt管理服务器的核心作用
1.2.3 M78服务器：外部接口与触发机制
1.2.4 Agent服务器：Bot调用的执行者
2. M78提供的核心能力
2.1 快速集成后端AI能力
- 详细介绍如何在10分钟内实现后端AI功能接入
2.2 Flow与Prompt调试优化
- 流程设计与指令优化的实践指南
3. M78落地场景应用实例
3.1 落地场景1：AI编程助手
3.1.1 代码补全与自动完成
3.1.2 代码注释自动生成
3.1.3 测试方法智能化提议
3.1.4 代码建议提升开发效率
3.2 落地场景2：智能客服系统
3.2.1 用户问题即时AI回复
3.2.2 问题总结与记录功能
3.2.3 知识库自动更新与学习
3.3 落地场景3：智能可观测系统助手
3.3.1 TraceID驱动的问题快速定位
3.3.2 自然语言报警系统的构建
3.3.3 混沌工程测试触发与应急响应
4. 结论与展望
- 总结M78 AI平台的优势与市场潜力
- 展望未来技术发展方向与可能的新应用场景
通过这一框架，本文将深入探讨M78 AI平台的架构原理、核心能力及其在实际业务场景中的高效应用，旨在为读者提供一个全面了解并评估该平台价值的参考。构原理、核心能力及其在实际业务场景中的高效应用，旨在为读者提供一个全面了解并评估该平台价值的参考。
朱余韬
中国人民大学 高瓴人工智能学院博士后
中国人民大学高瓴人工智能学院博士后，合作导师为窦志成教授。于2023年获得蒙特利尔大学博士学位，在此之前，于2019年和2016年分别在中国人民大学信息学院获得硕士和学士学位。博士研究方向为信息检索、自然语言处理等领域，在博士期间曾获谷歌卓越博士生奖学金，并多次获得优秀博士生奖学金等荣誉。目前，在人工智能和信息检索领域的国际顶级期刊和会议上发表学术论文40余篇，谷歌学术统计引用量1400余次。是中国人民大学大模型项目组成员，负责基座模型的训练，有丰富的大模型开发和研究经验。
FlashRAG工具包的开发与使用
随着大语言模型等人工智能技术的迅猛发展，检索增强生成（RAG）受到了广泛的研究关注。研究人员提出了许多新颖的算法和模型，以增强RAG系统的各个方面。但由于缺乏标准化的实现框架以及RAG过程本身的复杂性，研究人员往往需要花费大量成本在RAG工程上，提升难以在一致的环境中进行比较和评估。本次演讲将聚焦于介绍RAG技术的最新进展，以及我们开发的针对RAG的工具包FlashRAG。基于FlashRAG，研究人员能够在统一框架内复现和比较现有的RAG方法，开发自己的RAG方法，从而促进RAG领域的发展。
内容大纲
1. RAG的基本工作原理与最新技术进展
1.1 RAG的技术原理
1.2 现有RAG架构与工作总结
2. FlashRAG介绍
2.1 现有RAG框架的介绍
2.2 FlashRAG整体框架与相关资源
2.3 FlashRAG支持的RAG组件介绍
3. 基于FlashRAG的应用与探索
3.1 如何利用FlashRAG实现现有的工作以及基准测试结果
3.2 FlashRAG的使用案例以及相关探索
4. RAG的未来展望与未来开发计划
4.1 目前的RAG重点问题与研究趋势
4.2 FlashRAG的进一步优化计划
内容大纲
1. RAG的基本工作原理与最新技术进展
1.1 RAG的技术原理
1.2 现有RAG架构与工作总结
2. FlashRAG介绍
2.1 现有RAG框架的介绍
2.2 FlashRAG整体框架与相关资源
2.3 FlashRAG支持的RAG组件介绍
3. 基于FlashRAG的应用与探索
3.1 如何利用FlashRAG实现现有的工作以及基准测试结果
3.2 FlashRAG的使用案例以及相关探索
4. RAG的未来展望与未来开发计划
4.1 目前的RAG重点问题与研究趋势
4.2 FlashRAG的进一步优化计划
SECon组委会是由业界多位资深技术专家发起，负责组织技术指导委员会，并和委员会的专家一起挖掘全球软件工程领域的创新技术，同时依托智盟创课国内领先的人才能力提升服务供应商，组织专业的会务服务团队，全面推进会议的顺利落地，保证参会者体验。
商务合作：木子 15122643988
票务联系：丽媛 18600050529
E-mail：speaker@secon.com.cn
关注SECon公众号
添加SECon小助手，获取
会议最新资讯
