专场出品人：李岩博士
京东零售 多模态与AIGC部负责人
京东零售多模态与 AIGC 部负责人，京东 AIGC 内容生成平台Oxygen Vision负责人，在京东主导构建全场景 AI 内容生成能力，推动 AIGC 技术在电商多场景的深度融合。此前，曾任快手可灵 AI· 可图大模型团队负责人，同时负责图像生成大模型的基座研发与应用落地。他早年是微信视频号内容理解团队负责人，负责视频号全场景的内容理解业务。主要研究方向为多模态内容理解与生成技术，在人脸识别、图像理解、图像生成、视频生成等领域有 15 年以上的算法研发、业务落地及管理经验，在国际顶级会议与期刊发表文章数十篇。
Agent 高价值商业场景应用与落地
Agent正在从“能力展示”走向“价值兑现”。 随着大模型推理能力、工具调用（Tool Use）、Agentic Workflow、多Agent协同等技术不断成熟，AI Agent已不再局限于Demo或效率工具，而是逐步深入金融、医疗、法律、制造、零售、电商、政务、能源、供应链、企业服务等关键行业，成为驱动业务增长、提升运营效率、优化决策质量的重要基础设施。然而，Agent的产业化落地远比技术验证更加复杂。如何构建稳定可靠的Agent系统？如何打通企业知识、业务流程与外部工具？如何解决复杂任务规划、长链路执行、模型幻觉、安全合规、效果评测、成本控制以及ROI衡量等关键问题，仍然是企业迈向规模化应用过程中必须面对的核心挑战。本专场将汇聚来自产业一线的技术负责人、业务专家及创新实践者，围绕Agent在金融、医疗、法律、制造等高价值行业的真实落地案例，分享从技术架构、工程实践到商业价值验证的完整经验，深入探讨企业级Agent系统设计、多Agent协同、知识增强、工具生态、生产环境部署、安全治理及未来演进方向等热点议题。期待通过真实案例、最佳实践与前沿思考，为企业构建可落地、可复制、可持续演进的Agent应用体系提供参考，共同探索AI Agent迈向规模化商业应用的新路径，加速千行百业智能化升级。
余俭
从流程数字化到智能经营：Agent 驱动企业业务模式变革的落地实践
碧桂园物业 技术总监
碧桂园物业公司研发管理部技术总监，拥有超过10年的企业数字化与人工智能应用经验，负责集团关键的企业级智能体项目技术规划与落地，覆盖经营问数、工单运营、客户服务、AI 外呼、智能采购和收费催缴等场景。最近两年重点参与推动公司多个 Agent 进入真实业务流程并取得可量化结果，长期关注 Agent 如何从“会对话”走向“能执行、可度量、可追溯”的生产级系统。
议题背景：
物业行业正从规模扩张转向存量运营、品质提升与精益管理。行业具有项目分散、人员密集、服务链条长、非标准事件多等特点，客户对响应速度和服务体验的要求持续提高，但大量业务仍依靠员工在多个岗位、系统和线下场景之间人工衔接。传统数字化解决了流程线上化和信息记录问题，却仍难以解决任务理解、跨系统执行、跨岗位协同和持续跟踪闭环等瓶颈。
面对这一挑战，碧桂园服务提出 PARA 战略，以人的判断力（People）、智能体的算力（Agents）、机器人的体力（Robots）和 AIoT 的感知力共同构成“新服务生产力”。其中，Agent 并非独立的对话入口，而是连接人、机器人、AIoT 与存量业务系统的协同中枢：承接业务目标，理解现场任务，调用系统工具，协同人员与设备执行，并持续校验和反馈结果，从而推动物业服务从“人串联流程”转向“人机协同闭环”。
本次分享将沿着“行业瓶颈—战略解法—智能体蓝图—能力底座—场景验证—未来演进”的逻辑展开，重点介绍企业如何围绕角色分工和端到端流程设计智能体矩阵，如何通过 AI Ready 改造、Agent 技术底座、MCP/Skill 与 AgentOps 支撑规模化落地，并结合 AI 外呼、工单运营、收费催缴等应用场景落地案例，呈现 Agent 对客户触达、现场作业和经营协同流程的具体重塑及实际效果。分享也将复盘人机职责边界、一线采用、流程闭环和规模化治理中的真实问题，形成一套可供传统服务企业参考的实施路径。
内容大纲：
1. 物业行业的发展现状与业务瓶颈
物业行业正从规模扩张转向存量运营、品质提升与精益管理。行业具有项目分散、人员密集、服务链条长、非标准事件多等特点，客户对响应速度和服务体验的要求持续提高，但大量业务仍依靠员工在多个岗位、系统和线下场景之间人工衔接。传统数字化解决了流程线上化和信息记录问题，却仍难以解决任务理解、跨系统执行、跨岗位协同和持续跟踪闭环等瓶颈。
面对这一挑战，碧桂园服务提出 PARA 战略，以人的判断力（People）、智能体的算力（Agents）、机器人的体力（Robots）和 AIoT 的感知力共同构成“新服务生产力”。其中，Agent 并非独立的对话入口，而是连接人、机器人、AIoT 与存量业务系统的协同中枢：承接业务目标，理解现场任务，调用系统工具，协同人员与设备执行，并持续校验和反馈结果，从而推动物业服务从“人串联流程”转向“人机协同闭环”。
本次分享将沿着“行业瓶颈—战略解法—智能体蓝图—能力底座—场景验证—未来演进”的逻辑展开，重点介绍企业如何围绕角色分工和端到端流程设计智能体矩阵，如何通过 AI Ready 改造、Agent 技术底座、MCP/Skill 与 AgentOps 支撑规模化落地，并结合 AI 外呼、工单运营、收费催缴等应用场景落地案例，呈现 Agent 对客户触达、现场作业和经营协同流程的具体重塑及实际效果。分享也将复盘人机职责边界、一线采用、流程闭环和规模化治理中的真实问题，形成一套可供传统服务企业参考的实施路径。
内容大纲：
1. 物业行业的发展现状与业务瓶颈
1.1 行业阶段变化：从规模扩张转向存量运营、品质提升与精益管理
1.2 物业服务的业务特征：项目分散、人员密集、链条较长、现场事件复杂且非标准
1.3 四类核心瓶颈：人力成本与用工压力、服务品质一致性、跨岗位协同效率、客户响应速度
1.4 传统数字化的能力边界：实现流程线上化和信息记录，但业务理解、跨系统执行和持续闭环仍高度依赖人工
1.2 物业服务的业务特征：项目分散、人员密集、链条较长、现场事件复杂且非标准
1.3 四类核心瓶颈：人力成本与用工压力、服务品质一致性、跨岗位协同效率、客户响应速度
1.4 传统数字化的能力边界：实现流程线上化和信息记录，但业务理解、跨系统执行和持续闭环仍高度依赖人工
2. 碧桂园服务的战略方向与解决思路：PARA 新服务生产力
2.1 战略目标：以 AI 赋能现场精益运营，推动服务模式与生产方式升级
2.2 PARA 框架：People、Agents、Robots、AIoT 四类能力的协同组合
2.3 新服务生产力：人的判断力 × 智能体的算力 × 机器人的体力 × AIoT 的感知力
2.4 四类角色分工：人负责目标、判断、服务与例外处置；Agent 负责任务理解、流程编排和系统协同；机器人负责标准化物理作业；AIoT 负责现场感知与事件触发
2.5 Agent 的核心定位：连接人、机器人、AIoT 和存量系统的业务协同中枢
2.2 PARA 框架：People、Agents、Robots、AIoT 四类能力的协同组合
2.3 新服务生产力：人的判断力 × 智能体的算力 × 机器人的体力 × AIoT 的感知力
2.4 四类角色分工：人负责目标、判断、服务与例外处置；Agent 负责任务理解、流程编排和系统协同；机器人负责标准化物理作业；AIoT 负责现场感知与事件触发
2.5 Agent 的核心定位：连接人、机器人、AIoT 和存量系统的业务协同中枢
3. 智能体业务框架与应用蓝图
3.1 从“建设功能”转向“重塑流程”：围绕客户旅程、现场作业和经营管理识别端到端业务闭环
3.2 智能体矩阵：面向项目经理、管家、一线作业人员及专业职能建设角色型与领域型 Agent
3.3 闭环运行框架：任务触发与上下文 → 目标理解与任务规划 → 工具调用与协同执行 → 结果校验 → 业务回写
3.4 人机职责边界：人负责目标、授权、情感连接和复杂例外；Agent 负责高频任务、跨系统协同、过程跟踪与闭环
3.5 规模化演进路径：单点助手 → 流程型 Agent → 多 Agent 协作 → Agent、机器人与 AIoT 协同
3.2 智能体矩阵：面向项目经理、管家、一线作业人员及专业职能建设角色型与领域型 Agent
3.3 闭环运行框架：任务触发与上下文 → 目标理解与任务规划 → 工具调用与协同执行 → 结果校验 → 业务回写
3.4 人机职责边界：人负责目标、授权、情感连接和复杂例外；Agent 负责高频任务、跨系统协同、过程跟踪与闭环
3.5 规模化演进路径：单点助手 → 流程型 Agent → 多 Agent 协作 → Agent、机器人与 AIoT 协同
4. AI Ready 的技术底座建设
4.1 业务 AI Ready：将业务对象、规则、SOP、状态与异常处置方式转化为 Agent 可理解的业务语义
4.2 系统 AI Ready：将存量系统的查询、创建、派发、审批和回写能力封装为标准化 MCP/Skill
4.3 组织 AI Ready：明确身份权限、职责边界、人工确认点、升级机制与运营责任
4.4 Agent 技术底座：统一 Agent Harness、上下文与记忆、模型路由、MCP 网关和 Skill 市场
4.5 生产级运行保障：Agent 注册发布、全链路可观测、审计追踪、版本回滚、Token 成本、安全防护与人工兜底
4.2 系统 AI Ready：将存量系统的查询、创建、派发、审批和回写能力封装为标准化 MCP/Skill
4.3 组织 AI Ready：明确身份权限、职责边界、人工确认点、升级机制与运营责任
4.4 Agent 技术底座：统一 Agent Harness、上下文与记忆、模型路由、MCP 网关和 Skill 市场
4.5 生产级运行保障：Agent 注册发布、全链路可观测、审计追踪、版本回滚、Token 成本、安全防护与人工兜底
5. 场景应用与落地效果：从单点能力到业务流程重塑
5.1 案例一——客户触达流程重塑：AI 外呼满意度调研
5.1.1 流程变化：从人工拨打、固定话术和手工记录，转向 Agent 自动对话、动态追问、诉求识别与结果沉淀
5.1.2 关键能力：多轮会话、上下文理解、异常分支处理、诉求深挖和任务统计
5.1.3 脱敏效果：单月完成约 XXX 万次拨打、约 XXX 万次接通、回收约 XXX 份样本；平均回收率约 14.32%，同期人工参考值约 XXX%；会话逻辑迭代后，问卷有效率初步提升约 XXX%
5.1.2 关键能力：多轮会话、上下文理解、异常分支处理、诉求深挖和任务统计
5.1.3 脱敏效果：单月完成约 XXX 万次拨打、约 XXX 万次接通、回收约 XXX 份样本；平均回收率约 14.32%，同期人工参考值约 XXX%；会话逻辑迭代后，问卷有效率初步提升约 XXX%
5.2 案例二——现场作业流程重塑：工单智能运营
5.2.1 流程变化：将计划、派单、执行、质检和复盘由多个割裂节点重组为可持续跟踪的作业闭环
5.2.2 关键能力：自动排班、智能调度、整改前后效果评估、虚假工单识别和 VOC 自动打标
5.2.3 脱敏效果：自动工单覆盖率超过 XXX%，巡检整改效果评估准确率达到 XXX%，VOC 三级标签准确率达到 88%
5.2.2 关键能力：自动排班、智能调度、整改前后效果评估、虚假工单识别和 VOC 自动打标
5.2.3 脱敏效果：自动工单覆盖率超过 XXX%，巡检整改效果评估准确率达到 XXX%，VOC 三级标签准确率达到 88%
5.3 案例三——收费协同流程重塑：催缴 Agent
5.3.1 流程变化：从管家依靠个人经验分散催缴，转向策略 Agent、AI 外呼与一线任务协同的全过程闭环
5.3.2 关键能力：欠费原因标签、策略生成、自动触达、任务派发、人工跟进和回款验证
5.3.3 脱敏观察：AI 外呼接通后的 7 天回款率约 XXX%；与同项目非试点组相比，试点组相对净表现约高 XXX 个百分点
5.3.4 关键复盘：当一线人员不接受“系统派任务”时，如何从任务管控转向工作助手，重新设计人机协作方式
5.3.2 关键能力：欠费原因标签、策略生成、自动触达、任务派发、人工跟进和回款验证
5.3.3 脱敏观察：AI 外呼接通后的 7 天回款率约 XXX%；与同项目非试点组相比，试点组相对净表现约高 XXX 个百分点
5.3.4 关键复盘：当一线人员不接受“系统派任务”时，如何从任务管控转向工作助手，重新设计人机协作方式
6. 总结与未来展望
听众收益：
1. 企业 Agent 设计框架和落地思路：覆盖智能体蓝图设计、AI Ready 改造、技术底座建设及规模化治理，可用于规划本企业的 Agent 落地路线图。
2. 掌握一套经过真实案例验证的业务流程重塑方法：看清人机职责如何划分、Agent 如何跨系统执行并形成业务闭环，以及如何避开“停留在对话 Demo、无法进入生产流程”的常见误区。
听众收益：
1. 企业 Agent 设计框架和落地思路：覆盖智能体蓝图设计、AI Ready 改造、技术底座建设及规模化治理，可用于规划本企业的 Agent 落地路线图。
2. 掌握一套经过真实案例验证的业务流程重塑方法：看清人机职责如何划分、Agent 如何跨系统执行并形成业务闭环，以及如何避开“停留在对话 Demo、无法进入生产流程”的常见误区。
程晓燕
客户服务：从成本中心到价值中心的探索
群核科技 资深服务运营
群核科技质量效能团队客户服务部高级服务运营，目前主要负责服务质检标准的制定与执行、服务语料库的系统化建设与优化、以及团队服务能力的培训与提升。通过全流程的质量监控、知识库的沉淀与迭代、以及针对性的赋能培训，有效提升了团队的服务效率、专业度和客户满意度。
议题背景：
问题背景：在线客服长期被当作「成本中心」：咨询量越大，人力和系统投入越高。但在我们每天处理的成千上万次对话里，其实同时发生着三件事——用户把真实需求说出来（用户声音）、对话被记录和沉淀（数据资产）、其中一部分人正在表达购买或升级意愿（商业机会）。
过去我们做了AI语料库的构建、这次我们做了语料闭环的探索复用以及 AI 从售后会话中挖掘潜在的购买企业版的线索
技术方案：在不损害服务体验的前提下，重新定义客服角色，根据不同维度探索新的可能性，多条路径同步推进，挖掘最大价值
实践避坑经验：
①不要试图人工做全量：文档强调人工质检只能覆盖15%，这说明在规模化后，纯人力无法支撑高质量运营，必须引入AI做“全量扫描”。
②知识库维护要闭环：以前的问题是“未命中”和“补QA”对不齐，现在的经验是必须建立“未命中/点踩驱动待办”的机制，哪里不会点哪里，精准补充知识。
③商机抓取要分层：实时性要求高的（C端升企）走实时推送；要求不高的（增购）走T+1挖掘。这说明AI的应用需要根据业务场景的时效性进行链路设计，而非一刀切。
项目落地效果
①VOC Skill ：从「等 3 天出报告」到「10 分钟听见用户声音」，我们升级了 「AI客诉分析Skill」，从“被动响应”到“主动预防”，从“人工抽样”到“全量智能分析”
② 语料闭环：2个人效提效到1.5个人效， 「15% 人工抽检」到「100% AI 质检」，我们自研了 AI 质检平台，把知识库运营从“人工抽检 + 手工提炼”升级成“全量覆盖 + 人工复核 + 自动入库”的流水线
③商机探索：7天成交3单，把购买/升级类会话整理成商机场景，用商机智能体在机器人阶段识别意向并转交售前或运营
结论：AI 能力成熟的当下，客服日均会话量已具备统计意义，值得系统化运营。我们要转变传统认知，探索更价值中心的更多可能性
内容大纲：
1. 认知重构：客服从「成本中心」到「价值中心」
问题背景：在线客服长期被当作「成本中心」：咨询量越大，人力和系统投入越高。但在我们每天处理的成千上万次对话里，其实同时发生着三件事——用户把真实需求说出来（用户声音）、对话被记录和沉淀（数据资产）、其中一部分人正在表达购买或升级意愿（商业机会）。
过去我们做了AI语料库的构建、这次我们做了语料闭环的探索复用以及 AI 从售后会话中挖掘潜在的购买企业版的线索
技术方案：在不损害服务体验的前提下，重新定义客服角色，根据不同维度探索新的可能性，多条路径同步推进，挖掘最大价值
实践避坑经验：
①不要试图人工做全量：文档强调人工质检只能覆盖15%，这说明在规模化后，纯人力无法支撑高质量运营，必须引入AI做“全量扫描”。
②知识库维护要闭环：以前的问题是“未命中”和“补QA”对不齐，现在的经验是必须建立“未命中/点踩驱动待办”的机制，哪里不会点哪里，精准补充知识。
③商机抓取要分层：实时性要求高的（C端升企）走实时推送；要求不高的（增购）走T+1挖掘。这说明AI的应用需要根据业务场景的时效性进行链路设计，而非一刀切。
项目落地效果
①VOC Skill ：从「等 3 天出报告」到「10 分钟听见用户声音」，我们升级了 「AI客诉分析Skill」，从“被动响应”到“主动预防”，从“人工抽样”到“全量智能分析”
② 语料闭环：2个人效提效到1.5个人效， 「15% 人工抽检」到「100% AI 质检」，我们自研了 AI 质检平台，把知识库运营从“人工抽检 + 手工提炼”升级成“全量覆盖 + 人工复核 + 自动入库”的流水线
③商机探索：7天成交3单，把购买/升级类会话整理成商机场景，用商机智能体在机器人阶段识别意向并转交售前或运营
结论：AI 能力成熟的当下，客服日均会话量已具备统计意义，值得系统化运营。我们要转变传统认知，探索更价值中心的更多可能性
内容大纲：
1. 认知重构：客服从「成本中心」到「价值中心」
1.1 传统指标的盲区——管理层真正在问什么
1.2 三维价值框架：每一次对话必出其一
1.2 三维价值框架：每一次对话必出其一
2. 时机判断：为什么现在是做这件事的窗口
2.1 AI能力拐点 + 规模拐点 + 验证成本拐点，三者叠加
3. 落地路径：三条价值路径的具体做法
3.1 VoC路径——AI客诉分析Skill：10分钟出报告 vs 3天人工
3.2 语料闭环路径——从「手工作坊」到「审稿+发布」
3.3 商机探索路径——对话里识别购买信号并实时转交
3.2 语料闭环路径——从「手工作坊」到「审稿+发布」
3.3 商机探索路径——对话里识别购买信号并实时转交
4. 结果验证：从概念到数据的闭环
4.1 三个维度的量化收益五、未来规划：从验证到规模化
5. 未来规划：从验证到规模化
5.1 从单点验证到体系化运营
听众收益：
1. AI+业务闭环的实操范式：本次分享不只是谈概念，而是给出了从"AI质检→蒸馏草稿→审核入库"（语料闭环）和"商机智能体→T+1挖掘→转交售前"（增收闭环）两条完整链路的落地细节。5年以上的技术人早已不缺单点能力，缺的是如何把AI能力嵌入业务流程、真正跑通闭环的参考——这篇文章提供了可复用的架构思路。
2. 存量数据的价值挖掘思路：本次分享的核心洞察是"购买信号已经存在于每天的对话里，区别只在于是否识别、标注、转交和复盘"。对于有经验的技术人来说，这启发了一个更普遍的方法论：在你已经拥有的数据里（客服日志、用户反馈、工单记录），用AI做意图识别和批量挖掘，可以零额外获客成本地产生新价值，而不必总是从零开始建新系统。
3. 客服从"灭火"到"情报站"的认知升级：5年以上从业者往往已经经历过"技术指标（处理时长、满意度）做得很好，但管理层仍在追问：除了花钱还留下了什么"的困境。本次分享将客服重新定位为三个角色（VoC情报站、数据沉淀池、商机捕获器），每一个对话要么消灭下一次同类咨询（降本）、要么沉淀可复用知识（提质）、要么接住购买信号（增收）——这一"三选一必中"的框架，帮助技术人重新理解自己系统的业务价值，从被动响应转向主动产出。
1. AI+业务闭环的实操范式：本次分享不只是谈概念，而是给出了从"AI质检→蒸馏草稿→审核入库"（语料闭环）和"商机智能体→T+1挖掘→转交售前"（增收闭环）两条完整链路的落地细节。5年以上的技术人早已不缺单点能力，缺的是如何把AI能力嵌入业务流程、真正跑通闭环的参考——这篇文章提供了可复用的架构思路。
2. 存量数据的价值挖掘思路：本次分享的核心洞察是"购买信号已经存在于每天的对话里，区别只在于是否识别、标注、转交和复盘"。对于有经验的技术人来说，这启发了一个更普遍的方法论：在你已经拥有的数据里（客服日志、用户反馈、工单记录），用AI做意图识别和批量挖掘，可以零额外获客成本地产生新价值，而不必总是从零开始建新系统。
3. 客服从"灭火"到"情报站"的认知升级：5年以上从业者往往已经经历过"技术指标（处理时长、满意度）做得很好，但管理层仍在追问：除了花钱还留下了什么"的困境。本次分享将客服重新定位为三个角色（VoC情报站、数据沉淀池、商机捕获器），每一个对话要么消灭下一次同类咨询（降本）、要么沉淀可复用知识（提质）、要么接住购买信号（增收）——这一"三选一必中"的框架，帮助技术人重新理解自己系统的业务价值，从被动响应转向主动产出。
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。
杨文武
荣耀销服体系 AI Agent 构建与多场景实践
荣耀终端 营销服领域 IT 总监 资深数字化与智能化转型专家
荣耀营销服领域 IT 总监，资深数字化与智能化转型专家，深耕互联网与科技行业十余年，横跨电商、金融、渠道与消费互联网四大核心赛道。早年于阿里巴巴主导用户、商品与大数据体系研发，奠定大规模互联网系统工程功底；在唯品会期间推动支付与消费金融全面数字化，亲历金融科技爆发式增长；转战华为后，主导渠道体系数字化变革，实现庞杂分销网络的端到端重构。现任荣耀营销服领域 IT 总监，主导营销服体系的数字化与智能化变革，牵头打造销服体系 AI Agent 平台，推动智能营销、智慧零售、智能服务三大高价值场景规模化落地，并主持制定荣耀 IT AI 路线图，引领传统营销服体系跃迁至消费互联网与智能体时代。长期专注企业数字化与智能化转型的战略规划、顶层架构与落地实施，擅长将前沿智能体（Agent）与大数据技术转化为可规模化的商业价值。
议题背景：
聚焦荣耀销服体系 AI Agent 平台，系统阐述企业级智能体从概念验证迈向规模化落地的方法论与实践路径。其一，将企业级 AI Agent 从概念提炼为可落地的方法论，提出「四层构建」框架与可复用的共享 Agent 矩阵。其二，拆解智能营销、智慧零售、智能服务三大高价值场景的落地实践：营销侧实现跨语言、跨地域的零成本内容规模化；零售侧将层层下发的信息传递重构为门店实时赋能；服务侧推动传统客服由被动响应向主动预判的全渠道智能服务转型。其三，立足规模化落地元年，发布荣耀 IT AI 路线图，前瞻性展望智能体在场景扩展、能力升级、组织变革、企业重构四个维度的长期影响。
内容大纲：
1. 认知与方法
聚焦荣耀销服体系 AI Agent 平台，系统阐述企业级智能体从概念验证迈向规模化落地的方法论与实践路径。其一，将企业级 AI Agent 从概念提炼为可落地的方法论，提出「四层构建」框架与可复用的共享 Agent 矩阵。其二，拆解智能营销、智慧零售、智能服务三大高价值场景的落地实践：营销侧实现跨语言、跨地域的零成本内容规模化；零售侧将层层下发的信息传递重构为门店实时赋能；服务侧推动传统客服由被动响应向主动预判的全渠道智能服务转型。其三，立足规模化落地元年，发布荣耀 IT AI 路线图，前瞻性展望智能体在场景扩展、能力升级、组织变革、企业重构四个维度的长期影响。
内容大纲：
1. 认知与方法
1.1 市场临界点：为什么是现在
1.2 AI Agent 本质：从工具到数字员工
1.3 企业级构建方法论：四层架构
1.4 荣耀价值主张：零成本规模化
1.2 AI Agent 本质：从工具到数字员工
1.3 企业级构建方法论：四层架构
1.4 荣耀价值主张：零成本规模化
2. 荣耀实践
2.1 荣耀 AI 平台底座：四层全栈 + 6 个共享 Agent
2.2 智能营销：跨语言跨地域的零成本内容规模化
2.3 智慧零售：门店一线的 AI 军师
2.4 智能服务：从成本中心到价值入口
2.2 智能营销：跨语言跨地域的零成本内容规模化
2.3 智慧零售：门店一线的 AI 军师
2.4 智能服务：从成本中心到价值入口
3. 战略展望
3.1 价值收敛与总结
3.2 荣耀 IT AI 路线图
3.3 未来展望
3.2 荣耀 IT AI 路线图
3.3 未来展望
听众受益：
1. 洞悉AI Agent 从概念走向规模化的真实落地路径，而非停留于远期愿景；
2. 了解可复用的 AI 中台「四层构建」架构范式与建设思路；
3. 获取营销、零售、服务3 大高价值场景的真实 ROI 数据；
4. 沉淀 6 个共享 Agent 的复用机制，新场景迁移成本大幅压缩；
1. 洞悉AI Agent 从概念走向规模化的真实落地路径，而非停留于远期愿景；
2. 了解可复用的 AI 中台「四层构建」架构范式与建设思路；
3. 获取营销、零售、服务3 大高价值场景的真实 ROI 数据；
4. 沉淀 6 个共享 Agent 的复用机制，新场景迁移成本大幅压缩；
敬请期待
敬请期待
......
......
......
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。
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
