专场出品人：冯朝
蚂蚁 AI 安全实验室智能体安全负责人
现任蚂蚁 AI 安全实验室智能体安全负责人，毕业于上海交通大学，专注智能体安全领域技术研究与落地，包括 Agent Guard、前沿模型风险研究、多智能体系统与AI安全治理体系。兼任清华大学企业导师。
数字员工与企业级Agent落地
随着大模型能力持续跃升，数字员工正从概念验证走向规模化落地，成为企业提效的新生产力单元。本专题聚焦企业级 Agent 工程化实践：从数字员工平台的架构与工具调用，到落地中不可回避的安全与治理挑战——权限边界、风险披露、可审计性与责任划分；并展望长期记忆、自主规划、跨系统协作等技术演进方向。我们邀请一线厂商、企业实践者与治理研究者同台，探讨如何让数字员工敢用、能用、用得好，推动 Agent 走向真实业务场景。
吴智炜
大模型+多智能体：保险千亿级续收架构全链路工程实践
中国平安人寿 开发经理
深耕金融保险科技领域 10 年，现任平安人寿核心系统续期板块技术负责人、平安金牌讲师，兼任软协 CAC 敏捷教练。长期专注大模型 + 多智能体架构、保险核心中台设计、千亿级业务数字化落地，持有英伟达、谷歌 Gemini、微软等 9 项 AI 认证及 PMP、ACP、LOMA 等专业资质。主导续期三先重大项目，斩获 12 项国际 / 政府 / 行业大奖、109 项技术专利，项目入选中国信通院等5篇权威白皮书案例。多次受邀在信通院、FiNAI、FIS、CBFDigital知名峰会做技术分享，成果获多家官方媒体专题报道，擅长面向 CTO、架构师、技术高阶群体输出工程化实战干货。
议题背景：
当前寿险千亿级续收业务面临继续率增长见顶、人产负荷高、人工催收频次冗余三大痛点。传统规则架构策略固化，通用大模型存在专业语义弱、落地成本高等问题。
本次分享基于平安年续收近5000亿的真实落地实践，详解大模型+多智能体整体架构。基于5000+维特征搭建客户洞察体系，构建交费、异议、退保三大预测模型；创新四维智能派工引擎，落地AI外呼全链路语音能力与四大AI助手。
通过Qwen到DeepSeek大模型选型迭代与垂域适配，实现业务全流程智能化。落地后营收净增200亿，综合成本降低40%，件均提醒从14次降至5次，年AI外呼达1亿通，为金融大模型规模化落地提供了可复用的架构与工程范式。
当前寿险千亿级续收业务面临继续率增长见顶、人产负荷高、人工催收频次冗余三大痛点。传统规则架构策略固化，通用大模型存在专业语义弱、落地成本高等问题。
本次分享基于平安年续收近5000亿的真实落地实践，详解大模型+多智能体整体架构。基于5000+维特征搭建客户洞察体系，构建交费、异议、退保三大预测模型；创新四维智能派工引擎，落地AI外呼全链路语音能力与四大AI助手。
通过Qwen到DeepSeek大模型选型迭代与垂域适配，实现业务全流程智能化。落地后营收净增200亿，综合成本降低40%，件均提醒从14次降至5次，年AI外呼达1亿通，为金融大模型规模化落地提供了可复用的架构与工程范式。
内容大纲：
1. 业务架构现状与智能化转型技术痛点
1.1 千亿级寿险续收业务规模、系统全链路与传统架构剖析
1.2 传统模式三大瓶颈：继续率增长见顶、人产超负荷、催收频次达极限
1.3 三大技术痛点：数据孤岛、模型适配难、经验难沉淀
1.4 行业技术转型诉求：构建大模型+多智能体专属续收智能体架构
1.2 传统模式三大瓶颈：继续率增长见顶、人产超负荷、催收频次达极限
1.3 三大技术痛点：数据孤岛、模型适配难、经验难沉淀
1.4 行业技术转型诉求：构建大模型+多智能体专属续收智能体架构
2. 整体技术架构设计与演进路径
2.1 四层整体技术底座：数据平台—AI平台—模型引擎—业务应用中台
2.2 多智能体集群设计：智能决策/金句挖掘/风控质检/客户分析多Agent协同编排
2.3 大模型选型迭代路线：Qwen 72B 场景落地验证 → DeepSeek 保险垂域深度适配
2.4 续收三先技术体系：先知客群洞察、先决千人千策派工、先行AI服务赋能
2.2 多智能体集群设计：智能决策/金句挖掘/风控质检/客户分析多Agent协同编排
2.3 大模型选型迭代路线：Qwen 72B 场景落地验证 → DeepSeek 保险垂域深度适配
2.4 续收三先技术体系：先知客群洞察、先决千人千策派工、先行AI服务赋能
3. 核心算法与工程落地技术拆解
3.1 高维特征与客户分层建模
3.1.1 5000+多源特征筛选、归一化、降维工程实践
3.1.2 XGBoost决策树 + 深度学习融合建模方案
3.1.3 交费概率/客户分群/异议挖掘三大模型训练与调优
3.1.4 五大客群分层算法与标签体系沉淀
3.1.3 交费概率/客户分群/异议挖掘三大模型训练与调优
3.1.4 五大客群分层算法与标签体系沉淀
3.2 四维智能策略派工引擎
3.2.1 价值/风险/难度/缴费偏好四维特征融合算法设计
3.2.2 100+续收策略库编排、全渠道动态调度机制
3.2.3 全渠道派工流量优化、服务触点+时序匹配算法
3.2.2 100+续收策略库编排、全渠道动态调度机制
3.2.3 全渠道派工流量优化、服务触点+时序匹配算法
3.3 大模型NLP与语音链路工程
3.3.1 千万级作业录音语料清洗、保险垂域知识库搭建
3.3.2 大模型语义理解、客户异议精准抽取技术
3.3.3 ASR降噪优化、多方言热词词典迭代实战
3.3.4 TTS真人音色克隆与拟人交互工程落地
3.3.2 大模型语义理解、客户异议精准抽取技术
3.3.3 ASR降噪优化、多方言热词词典迭代实战
3.3.4 TTS真人音色克隆与拟人交互工程落地
3.4 AI助手全链路技术实现
3.4.1 金句/训战/催收/复盘四大智能体架构设计
3.4.2 大模型思维链推理、要点提取、归纳总结能力落地
3.4.3 作业全流程自动质检与短板识别算法
3.4.2 大模型思维链推理、要点提取、归纳总结能力落地
3.4.3 作业全流程自动质检与短板识别算法
4. 工程落地实战技术踩坑与解法
4.1 高维特征冗余：特征噪音难收敛，通过业务场景化筛选与建模调优，将准确率提升至95%。
4.2 模型行业适配弱：通用模型水土不服，通过垂域微调与Prompt工程，实现专业度跃升。
4.3 金融AI合规风控：合规门槛难跨越，通过全链路风控体系，实现合规与创新平衡。
4.2 模型行业适配弱：通用模型水土不服，通过垂域微调与Prompt工程，实现专业度跃升。
4.3 金融AI合规风控：合规门槛难跨越，通过全链路风控体系，实现合规与创新平衡。
5. 落地技术成效与行业复用价值
5.1 业务成效：营收净增200亿，继续率从93.0%提升至94.8%。
5.2 效率与成本：时效提升52%，综合成本降低40%，件均提醒14次优化至5次。
5.3 技术沉淀：16项专利、12项行业权威奖项。
5.4 场景复用：已在寿险多场景复用，并快速赋能集团内银行、消金等业态。
5.2 效率与成本：时效提升52%，综合成本降低40%，件均提醒14次优化至5次。
5.3 技术沉淀：16项专利、12项行业权威奖项。
5.4 场景复用：已在寿险多场景复用，并快速赋能集团内银行、消金等业态。
6. 结语｜技术总结与未来规划
6.1 技术总结：实现大模型+多智能体在千亿保险核心业务的全链路工程化落地。
6.2 未来演进规划：引入OpenClaw工业级Agent框架；打造保险行业专属基座模型；向全金融场景规模化复制落地。
6.2 未来演进规划：引入OpenClaw工业级Agent框架；打造保险行业专属基座模型；向全金融场景规模化复制落地。
听众收益：
1. 掌握千亿级金融核心业务的智能体架构设计：学习“大模型+多智能体”分层架构、模块拆分与大模型选型落地思路，可直接复用至银行、保险、资管等同类型复杂核心系统。
2. 系统学习四大核心技术的工程实战方法：掌握高维特征建模、四维策略引擎、大模型NLP语音、AI助手的落地方法，并学会规避特征冗余、模型适配、合规风控等常见落地坑。
3. 获取金融AI“效果-成本-合规”平衡的落地方法论：理解如何在业务价值、成本控制与合规要求之间取得平衡，适合技术负责人制定AI落地路线与预算规划。
1. 掌握千亿级金融核心业务的智能体架构设计：学习“大模型+多智能体”分层架构、模块拆分与大模型选型落地思路，可直接复用至银行、保险、资管等同类型复杂核心系统。
2. 系统学习四大核心技术的工程实战方法：掌握高维特征建模、四维策略引擎、大模型NLP语音、AI助手的落地方法，并学会规避特征冗余、模型适配、合规风控等常见落地坑。
3. 获取金融AI“效果-成本-合规”平衡的落地方法论：理解如何在业务价值、成本控制与合规要求之间取得平衡，适合技术负责人制定AI落地路线与预算规划。
Hana
从企业级 Agent 到数字员工：MiniMax 的 AI Native 组织进化与实践
MiniMax 解决方案 AI 架构师
MiniMax 架构师，曾任华为昇腾云架构师，深耕 AI Infra 与大模型行业应用，拥有丰富的架构设计及落地实践经验。
当 AI 从回答问题走向执行任务，企业如何把 Agent 能力转化为可衡量的工作成果？
本次分享结合 MiniMax Code 的能力、MiniMax 内部数字员工与效率提升实践，探讨企业级 Agent 如何进入真实业务流程。围绕工具与系统连接、岗位职责、流程协作和结果评估，分析从智能能力到数字员工的关键环节，并讨论企业如何选择场景、推进落地、验证价值。
本次分享结合 MiniMax Code 的能力、MiniMax 内部数字员工与效率提升实践，探讨企业级 Agent 如何进入真实业务流程。围绕工具与系统连接、岗位职责、流程协作和结果评估，分析从智能能力到数字员工的关键环节，并讨论企业如何选择场景、推进落地、验证价值。
吴汤迅
Agentic 项目管理新范式——小红书自研 PMOBP Agent
小红书 技术 PMO
硕士毕业于帝国理工学院通信与信号处理专业，持有PMP专业认证，现就职于小红书中台技术部技术PMO团队，负责小红书重大规模战略项目的全生命周期管理与组织级PMO体系建设。持续推动团队向Agentic模式转型，演进AI项目管理工具的多轮优化与迭代；牵头落地PMOBP Agent，实现项目进展总结、风险识别、待办追踪等多场景自动化闭环，被公司数百个项目与数十个业务线广泛使用，为大型互联网技术组织的项目治理提供新范式参考。
议题背景：
本次演讲将分享小红书技术 PMO 团队自研 PMOBP（AI Project Management Agent）落地历程：从 AI 顾问到项目专属 BP 的五次架构跃迁，以及它如何嵌入日常协作——项目成员 @ 即响应，实时获取进展、风险与待办；PMO 负责人无需手动汇总，Agent 自动跨项目、跨群聊聚合动态，按角色分层输出差异化信息。
在运作模式上，PMOBP 同时支撑项目模式与敏捷模式，覆盖从百人技术项目到业务线需求迭代的多元场景；在 Context 层面，知识工程将纪要、周报等增量信息编译为 Wiki + Graph 知识网络，关联项目间风险分析。Agent 承担从信息聚合到写入、推送的全链路执行，将 PMO 从重复搬运中释放出来，聚焦真正需要人判断的决策与跨团队协调。
本次演讲将分享小红书技术 PMO 团队自研 PMOBP（AI Project Management Agent）落地历程：从 AI 顾问到项目专属 BP 的五次架构跃迁，以及它如何嵌入日常协作——项目成员 @ 即响应，实时获取进展、风险与待办；PMO 负责人无需手动汇总，Agent 自动跨项目、跨群聊聚合动态，按角色分层输出差异化信息。
在运作模式上，PMOBP 同时支撑项目模式与敏捷模式，覆盖从百人技术项目到业务线需求迭代的多元场景；在 Context 层面，知识工程将纪要、周报等增量信息编译为 Wiki + Graph 知识网络，关联项目间风险分析。Agent 承担从信息聚合到写入、推送的全链路执行，将 PMO 从重复搬运中释放出来，聚焦真正需要人判断的决策与跨团队协调。
内容大纲：
1. 百人项目的协作困局
1.1 信息孤岛：三类角色 × 多渠道
1.2 真实案例：交付链路险些中断
1.3 核心观点：协作模式重构
1.2 真实案例：交付链路险些中断
1.3 核心观点：协作模式重构
2. 驾驭之路：五次架构跃迁
2.1 五次跃迁全景
2.2 v1.0 AI顾问
2.3 v2.0 workflow agent
2.4 v3.0 Agent进群
2.2 v1.0 AI顾问
2.3 v2.0 workflow agent
2.4 v3.0 Agent进群
3. 重构写作：PMOBP实战
3.1 核心架构L1-L5
3.2 角色感知
3.3 Auto Dream
3.4 常规模式 & 敏捷模式
3.5 能力矩阵
3.2 角色感知
3.3 Auto Dream
3.4 常规模式 & 敏捷模式
3.5 能力矩阵
4. 未来展望
4.1 评测体系
4.2 认知工程
4.3 落地三期路线
4.2 认知工程
4.3 落地三期路线
听众受益：
了解项目管理Agent全流程落地、对AI提效项目管理有更近一步感知、获得大型互联网技术组织的项目治理参考
李奇龙
客服 Agent 如何从"搭得出"走向"答得稳"？
——揭秘京东客服域 Agent 落地、评测与自进化实践
京东零售 客服产品研发部 产品经理
现任京东客服域 Agent 平台产品负责人，长期从事企业级智能客服 Agent 的产品规划与落地实践。负责京东客服域智能化 Agent 平台的整体建设，支撑日均百万级工业级 Agent 智能对话的规模化应用与持续效果优化。
在产品形态上，平台覆盖咨询机器人、AI 智能托管、人机合一辅助及智能质检四大方向。在业务场景上，平台服务零售、物流、保险等多个业务单元，形成跨业务、可复用的客服 Agent 能力体系。
主导推动客服 Agent 由固定流程编排向大模型自主决策演进，在保障关键业务链路确定性的同时，充分释放大模型的推理与决策能力。围绕 Agent 全生命周期，构建了搭建、验证、评测、自进化一体化的平台能力。其中，以归因分析、知识挖掘、Prompt 进化为核心的自进化体系已覆盖多个业务场景，提升客服域内的核心指标。
长期致力于推动大模型在企业级场景中实现从"可用"到"好用、可靠、可持续优化"的落地转化。
在产品形态上，平台覆盖咨询机器人、AI 智能托管、人机合一辅助及智能质检四大方向。在业务场景上，平台服务零售、物流、保险等多个业务单元，形成跨业务、可复用的客服 Agent 能力体系。
主导推动客服 Agent 由固定流程编排向大模型自主决策演进，在保障关键业务链路确定性的同时，充分释放大模型的推理与决策能力。围绕 Agent 全生命周期，构建了搭建、验证、评测、自进化一体化的平台能力。其中，以归因分析、知识挖掘、Prompt 进化为核心的自进化体系已覆盖多个业务场景，提升客服域内的核心指标。
长期致力于推动大模型在企业级场景中实现从"可用"到"好用、可靠、可持续优化"的落地转化。
议题背景：
大模型正加速进入企业服务一线，智能客服是规模最大、链路最长、对效果要求最严苛的落地场景之一。从咨询机器人到 AI 智能托管，从人机合一辅助到智能质检，Agent 的能力边界不断扩展。与此同时，行业面临一组核心难题：哪些场景适合 Agent 化？如何在大模型自主决策与业务流程可控之间取得平衡？效果如何被科学评估并持续提升？
作为京东客服域 Agent 平台团队，我们支撑日均百万级工业级 Agent 智能对话，业务覆盖零售、物流、保险等多个业务单元。在实践中，我们构建了从场景选择、架构升级、分层评测到自进化优化的完整方法体系。本次分享将聚焦企业级客服 Agent 的落地路径与关键技术实践。
内容大纲：
1. 企业级客服 Agent 的场景选择与核心挑战
大模型正加速进入企业服务一线，智能客服是规模最大、链路最长、对效果要求最严苛的落地场景之一。从咨询机器人到 AI 智能托管，从人机合一辅助到智能质检，Agent 的能力边界不断扩展。与此同时，行业面临一组核心难题：哪些场景适合 Agent 化？如何在大模型自主决策与业务流程可控之间取得平衡？效果如何被科学评估并持续提升？
作为京东客服域 Agent 平台团队，我们支撑日均百万级工业级 Agent 智能对话，业务覆盖零售、物流、保险等多个业务单元。在实践中，我们构建了从场景选择、架构升级、分层评测到自进化优化的完整方法体系。本次分享将聚焦企业级客服 Agent 的落地路径与关键技术实践。
内容大纲：
1. 企业级客服 Agent 的场景选择与核心挑战
1.1 场景选择方法：以业务量级、SOP 成熟度、效果可度量性、风险容忍度四个维度评估 Agent 化优先级，并给出从确定性场景到开放对话场景的演进路径。
1.2 客服域核心挑战：强业务规则与合规约束、多轮对话与工具调用高度耦合、转人工率与满意度等效果指标滞后且噪声大、存量流程资产迁移成本高。
1.2 客服域核心挑战：强业务规则与合规约束、多轮对话与工具调用高度耦合、转人工率与满意度等效果指标滞后且噪声大、存量流程资产迁移成本高。
2. 客服 Agent 平台架构升级：从流程编排到自主决策
2.1 Agent 1.0 到 2.0：从人工配置固定流程，升级为"决策—调用—执行—反思"的 Loop 循环。
2.2 分层设计原则：对话层交由大模型发挥推理决策能力，场景执行链路以 Workflow 工具化保留确定性，实现灵活性与可控性的平衡。
2.3 支撑能力建设：跨会话记忆用于开场预判与方案应答；共享中心支撑工具、Workflow 及 Agent 能力的跨租户、跨业务域复用。
2.2 分层设计原则：对话层交由大模型发挥推理决策能力，场景执行链路以 Workflow 工具化保留确定性，实现灵活性与可控性的平衡。
2.3 支撑能力建设：跨会话记忆用于开场预判与方案应答；共享中心支撑工具、Workflow 及 Agent 能力的跨租户、跨业务域复用。
3. 客服 Agent 的三层评测体系
3.1 体系设计：贯穿"能力选型—研发迭代—上线验证—业务效果"的全流程评测。
3.2 能力层评测：面向分流、识别等具备标准答案的场景，采用规则类确定性评测，保障结果稳定、可解释。
3.3 Agent 层评测：统一评测 API 支持内外部 Agent 以评测对象方式接入，实现端到端效果评测。
3.4 业务效果层评测：以转人工率、满意度、解决率评测。
3.2 能力层评测：面向分流、识别等具备标准答案的场景，采用规则类确定性评测，保障结果稳定、可解释。
3.3 Agent 层评测：统一评测 API 支持内外部 Agent 以评测对象方式接入，实现端到端效果评测。
3.4 业务效果层评测：以转人工率、满意度、解决率评测。
4. 自进化体系：驱动 Agent 效果持续跃迁
4.1 闭环设计：以"归因分析—根因治理—优化执行—效果追踪—数据回流"构建持续优化飞轮。
4.2 问题归因：区分事实性归因与系统性归因，自动识别转人工与不满意会话的根因，
4.3 QA 知识挖掘：针对知识缺失类问题自动挖掘补充
4.4 Prompt 进化：从单一学习目标升级为按场景、个性化、多维目标驱动的进化框架。
4.2 问题归因：区分事实性归因与系统性归因，自动识别转人工与不满意会话的根因，
4.3 QA 知识挖掘：针对知识缺失类问题自动挖掘补充
4.4 Prompt 进化：从单一学习目标升级为按场景、个性化、多维目标驱动的进化框架。
5. 未来展望
5.1 多轮仿真与对抗评测：以用户模拟与红队测试覆盖长链路、高风险场景。
5.2 客服域内的全域 loop 能力设计。
5.2 客服域内的全域 loop 能力设计。
听众收益：
1. 了解企业级客服 Agent 的场景选择方法、核心挑战与架构演进思路。
2. 了解客服域 Agent 分层评测体系与上线验证链路的建设实践。
3. 了解基于归因、知识挖掘与 Prompt 进化的自进化技术方案及其在规模化业务中的落地效果。
1. 了解企业级客服 Agent 的场景选择方法、核心挑战与架构演进思路。
2. 了解客服域 Agent 分层评测体系与上线验证链路的建设实践。
3. 了解基于归因、知识挖掘与 Prompt 进化的自进化技术方案及其在规模化业务中的落地效果。
Agentic AICon 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。
服务总线：400-183-9980
商务合作：151-2264-3988 木子
票务联系：185-1306-7287 静秋老师
E-mail：speaker@qecon.com.cn
关注SECon公众号
添加SECon小助手，获取
会议最新资讯
