专场出品人：郑岩
华为 集团AI数据底座产品总监
华为集团AI数据底座产品总监，前华为云AI应用首席架构师，华为数字化高级技术专家。
拥有16年企业数智化转型相关经验，曾在中石油、SAP等企业就职，在AI、大数据、数据底座、云原生等多个领域有丰富实践经验。
当前主导华为多模态数据湖及本体驱动决策产品落地和场景实践；曾主导AI大模型在华为云研发、营销服、资产运营等业务领域应用落地，辅助业务提效增质。
拥有16年企业数智化转型相关经验，曾在中石油、SAP等企业就职，在AI、大数据、数据底座、云原生等多个领域有丰富实践经验。
当前主导华为多模态数据湖及本体驱动决策产品落地和场景实践；曾主导AI大模型在华为云研发、营销服、资产运营等业务领域应用落地，辅助业务提效增质。
专场：Agentic AI 赋能传统企业数智化
传统企业数智化转型长期卡在落地浅、价值弱、碎片化瓶颈，单点工具改造、人工驱动模式早已难以适配业务需求，Agentic AI的自主智能协同能力，成为打破转型困局的核心突破口。当智能体能自主响应业务需求、联动全域系统完成流程闭环，该如何破解数智化碎片化难题？当Agentic AI深度渗透生产、运营、管理、营销全场景，如何平衡技术落地与业务适配，杜绝技术业务脱节？面对数据孤岛、人才短板等痛点，如何依托智能体实现低成本高效转型，让技术真正变现为业务价值？
带着这些行业核心困惑，本专场汇聚一线实践者与技术专家，聚焦Agentic AI落地实践，共探传统企业从数字化到数智化的务实路径，解锁智能体驱动的高质量转型新范式。
带着这些行业核心困惑，本专场汇聚一线实践者与技术专家，聚焦Agentic AI落地实践，共探传统企业从数字化到数智化的务实路径，解锁智能体驱动的高质量转型新范式。
梓骞
云兔 Lovrabet 体系实践：企业数据 AI 化与业务流程 AI 化的落地路径
杭州启智云图 创始人&CEO 前菜鸟技术总监
......
议题背景：
很多企业已经接入大模型，但落地仍停留在智能问答、报表解读或局部提效，难以真正进入业务系统和流程。云兔 Lovrabet 体系关注的不是“页面生成更快”，而是帮助企业完成数据 AI 化、业务流程 AI 化，以及 AI 原生系统的持续进化。本次分享将结合企业实践，围绕三项核心能力展开：一是数据库逆向理解，让 AI 能读懂企业存量数据资产；二是业务流程 AI 化，让 AI 从回答问题走向参与业务执行；三是 AI 原生系统自我进化，让运行中的 SQL、函数、规则和流程持续沉淀、复用与优化。希望通过这次分享，给传统企业推进 AI-Native 升级提供一套更务实的落地思路。
很多企业已经接入大模型，但落地仍停留在智能问答、报表解读或局部提效，难以真正进入业务系统和流程。云兔 Lovrabet 体系关注的不是“页面生成更快”，而是帮助企业完成数据 AI 化、业务流程 AI 化，以及 AI 原生系统的持续进化。本次分享将结合企业实践，围绕三项核心能力展开：一是数据库逆向理解，让 AI 能读懂企业存量数据资产；二是业务流程 AI 化，让 AI 从回答问题走向参与业务执行；三是 AI 原生系统自我进化，让运行中的 SQL、函数、规则和流程持续沉淀、复用与优化。希望通过这次分享，给传统企业推进 AI-Native 升级提供一套更务实的落地思路。
内容大纲
1. 企业 AI 落地浅层化的背景与真实卡点
2. 云兔 Lovrabet 体系与三大核心能力：数据库逆向、流程 AI 化、系统自我进化以及实现原理
3. 落地路径、治理要点与匿名案例共性
4. 收束与互动
听众受益
1. 理解企业 AI 落地为什么容易停留在“能问不能做”
2. 如何快速、低成本地将企业多年老系统升级为 AI-Native 系统
3. 看到传统企业推进 AI-Native 升级时更关键的技术与工程问题
Cao Yang 博士
从 Query 到 Task：企业 AI 系统的重构路径
——Harness、Agent First 与企业 Context Engine
华为 AI 技术专家组主任 资深人工智能专家
华为公司集团 AI 技术专家组主任，资深人工智能专家，现负责华为公司企业公共大模型、知识问答系统的底层算法设计。Cao Yang 拥有深厚的人工智能产业界经验，曾先后担任商汤科技研究总监、新加坡主权基金投资公司GIC高级副总裁、Grab算法研发负责人等，深度主导过 LLM、计算机视觉及机器学习等多项核心业务的技术架构演进。他在 TKDE、IJCAI 等顶级学术期刊会议发表过多篇论文，目前致力于通过算法创新提升企业级 AI 的智能化水平。
议题背景：
当前企业 AI 系统大多仍基于 Query 驱动（RAG / 搜索 / Prompt），本质是一次性信息获取与生成，难以支撑复杂任务执行。本次分享提出一个核心判断：企业 AI 的升级不是模型升级，而是系统重构——从 Query 驱动转向 Task 驱动。
围绕这一转变，将重新审视 Harness 的定位：在开源 Agent 框架已经具备 loop、state、tool 等能力的前提下，企业的关键不再是“实现能力”，而是“定义与控制能力”。本次将重点讨论开源框架在企业中的引入边界，以及哪些系统能力必须自建。
在此基础上，进一步阐述 Agent First 的系统设计思想，即企业软件从“服务人查询”转向“服务 Agent 执行”。最后，通过 Agent First Search 与 Context Engine 的实践，说明企业如何构建面向任务理解与执行的上下文系统，实现从“能回答”到“能完成”的能力跃迁。
内容大纲：
1. 问题背景：为什么企业 AI 系统难以落地
1.1 当前主流范式：Query 驱动系统
1.1.1 RAG / 搜索 / Prompt 的标准结构
1.1.2 一次性调用（single-shot）的系统特点
1.2 核心问题
1.2.1 无法完成多步任务（缺少执行闭环）
1.2.2 信息不完整时直接失败（无主动补充机制）
1.2.3 tool 调用不可控（无稳定执行约束）
1.2.4 系统不可复现、不可调试
1.3 关键判断
1.3.1 问题不在模型能力
1.3.2 在系统建模方式（Query vs Task）
2. 范式转变：从 Query 到 Task
2.1 Query 驱动系统的优化目标
2.1.1 单次回答准确率
2.1.2 信息召回与相关性
2.2 Task 驱动系统的目标
2.2.1 任务完成率（Task Completion）
2.2.2 多步执行能力（Loop）
2.2.3 执行闭环（Plan → Act → Observe → Retry）
2.3 Query 的能力边界
2.3.1 多步推理场景
2.3.2 信息不完整场景
2.3.3 跨系统任务
2.3.4 有副作用操作
2.4 核心结论
2.4.1 Query 解决“信息获取”
2.4.2 Task 解决“任务完成”
3. 系统重构核心：Harness（开源与自建的边界）
3.1 前提变化（必须强调）
3.1.1 开源 Agent 框架已经具备：
3.1.2 loop（多步执行）
3.1.3 state（基础状态管理）
3.1.4 tool calling
3.1.5 memory
3.1.6 “有没有这些能力”已经不是问题
关键结论：
- Harness 的核心不再是“实现能力”
- 而是“能力的策略控制与系统化”
3.2 开源框架的定位（可以直接引入的部分）
3.2.1 Agent runtime（loop / planning / tool 调用）
3.2.2 基础 tool / MCP 集成
3.2.3 基础 memory / retrieval 组件
特点：
- 通用能力
- 快速演进
- 无业务绑定
使用原则：
- 优先复用开源，不重复造轮子
- 保持 runtime 可替换
3.3 企业必须自建的部分（真正的 Harness）
3.3.1 策略控制（Policy Layer）
- 何时调用哪个 tool
- 何时继续 / 停止 / 重试
- 不同场景执行策略差异
关键点：
- 从“模型决定” → “系统定义”
3.3.2 执行约束（Execution Constraints）
- 工具调用边界
- 权限控制
- 副作用控制（避免重复执行）
关键点：
- 保证系统行为可控
3.3.3 任务建模（Task Modeling）
- 明确任务结构（而非隐式对话）
- 统一不同场景执行方式
- 支持跨系统任务编排
关键点：
- 从“对话驱动” → “任务驱动”
3.3.4 评测与反馈（Evaluation Loop）
- 任务完成率评估
- 场景级 benchmark
- 持续优化策略
关键点：
- 从“回答质量” → “任务完成能力”
3.3.5 可观测性（Observability）
- 执行路径可视化
- 错误定位能力
- 系统行为分析
关键点：
- 系统必须可调试、可解释
3.4 一个关键分界线（总结）
3.4.1 开源 Agent：让系统“能运行”
3.4.2 企业 Harness：让系统“按预期运行”
4. 架构升级：Agent First
4.1 从 Query First 到 Agent First
4.1.1 Query First：围绕搜索设计系统
4.1.2 Agent First：围绕任务执行设计系统
4.2 系统结构变化
4.2.1 输入：Query → Goal
4.2.2 输出：Answer → Result
4.2.3 执行：单步 → 多步流程
4.3 Agent First 的工程要求
4.3.1 明确任务建模
4.3.2 可控执行路径
4.3.3 策略与执行解耦
5. 关键能力：Agent First Search 与 Context Engine
5.1 Agent First Search
5.1.1 Search 从“返回内容” → “服务任务执行”
5.1.2 多轮检索、多策略组合
5.1.3 面向 Agent 的结构化输入输出
5.2 Context Engine
5.2.1 从检索系统升级为“上下文理解系统”
5.2.2 统一企业知识（人 / 组织 / 系统 / 数据）
5.2.3 支持任务级理解与推理
5.3 与传统 RAG 的差异
5.3.1 RAG：Query → Retrieve → Answer
5.3.2 Context Engine：Goal → Understand → Plan → Retrieve → Reason
6. 典型场景拆解：Query vs Task
6.1 企业知识分析任务
6.1.1 Query：信息拼接
6.1.2 Task：跨系统分析与推理
6.2 Agent First Search 场景
6.2.1 Query：文档返回
6.2.2 Task：问题定位与解释
6.3 工程类任务（代码 / 数据）
6.3.1 Query：建议输出
6.3.2 Task：执行 + 验证闭环
6.4 场景总结
6.4.1 Query 在简单场景有效
6.4.2 Task 在复杂场景不可替代
7. 工程取舍与落地策略
7.1 恢复策略设计
7.1.1 Task-level vs Step-level Recovery
7.1.2 不同场景的成本与收益
7.2 必备工程能力
7.2.1 幂等性（Idempotency）
7.2.2 可复现性（Reproducibility）
7.2.3 可观测性（Observability）
7.3 关键原则
7.3.1 简单场景：允许粗粒度恢复
7.3.2 复杂场景：必须精细控制
8. 总结
8.1 核心结论
8.1.1 企业 AI 的升级是系统重构
8.1.2 从 Query 驱动走向 Task 驱动
8.2 三个关键能力
8.2.1 Harness（策略与控制层）
8.2.2 Agent First（架构范式）
8.2.3 Context Engine（上下文能力）
8.3 最终目标
8.3.1 从“能回答”走向“能完成”
当前企业 AI 系统大多仍基于 Query 驱动（RAG / 搜索 / Prompt），本质是一次性信息获取与生成，难以支撑复杂任务执行。本次分享提出一个核心判断：企业 AI 的升级不是模型升级，而是系统重构——从 Query 驱动转向 Task 驱动。
围绕这一转变，将重新审视 Harness 的定位：在开源 Agent 框架已经具备 loop、state、tool 等能力的前提下，企业的关键不再是“实现能力”，而是“定义与控制能力”。本次将重点讨论开源框架在企业中的引入边界，以及哪些系统能力必须自建。
在此基础上，进一步阐述 Agent First 的系统设计思想，即企业软件从“服务人查询”转向“服务 Agent 执行”。最后，通过 Agent First Search 与 Context Engine 的实践，说明企业如何构建面向任务理解与执行的上下文系统，实现从“能回答”到“能完成”的能力跃迁。
内容大纲：
1. 问题背景：为什么企业 AI 系统难以落地
1.1 当前主流范式：Query 驱动系统
1.1.1 RAG / 搜索 / Prompt 的标准结构
1.1.2 一次性调用（single-shot）的系统特点
1.2 核心问题
1.2.1 无法完成多步任务（缺少执行闭环）
1.2.2 信息不完整时直接失败（无主动补充机制）
1.2.3 tool 调用不可控（无稳定执行约束）
1.2.4 系统不可复现、不可调试
1.3 关键判断
1.3.1 问题不在模型能力
1.3.2 在系统建模方式（Query vs Task）
2. 范式转变：从 Query 到 Task
2.1 Query 驱动系统的优化目标
2.1.1 单次回答准确率
2.1.2 信息召回与相关性
2.2 Task 驱动系统的目标
2.2.1 任务完成率（Task Completion）
2.2.2 多步执行能力（Loop）
2.2.3 执行闭环（Plan → Act → Observe → Retry）
2.3 Query 的能力边界
2.3.1 多步推理场景
2.3.2 信息不完整场景
2.3.3 跨系统任务
2.3.4 有副作用操作
2.4 核心结论
2.4.1 Query 解决“信息获取”
2.4.2 Task 解决“任务完成”
3. 系统重构核心：Harness（开源与自建的边界）
3.1 前提变化（必须强调）
3.1.1 开源 Agent 框架已经具备：
3.1.2 loop（多步执行）
3.1.3 state（基础状态管理）
3.1.4 tool calling
3.1.5 memory
3.1.6 “有没有这些能力”已经不是问题
关键结论：
- Harness 的核心不再是“实现能力”
- 而是“能力的策略控制与系统化”
3.2 开源框架的定位（可以直接引入的部分）
3.2.1 Agent runtime（loop / planning / tool 调用）
3.2.2 基础 tool / MCP 集成
3.2.3 基础 memory / retrieval 组件
特点：
- 通用能力
- 快速演进
- 无业务绑定
使用原则：
- 优先复用开源，不重复造轮子
- 保持 runtime 可替换
3.3 企业必须自建的部分（真正的 Harness）
3.3.1 策略控制（Policy Layer）
- 何时调用哪个 tool
- 何时继续 / 停止 / 重试
- 不同场景执行策略差异
关键点：
- 从“模型决定” → “系统定义”
3.3.2 执行约束（Execution Constraints）
- 工具调用边界
- 权限控制
- 副作用控制（避免重复执行）
关键点：
- 保证系统行为可控
3.3.3 任务建模（Task Modeling）
- 明确任务结构（而非隐式对话）
- 统一不同场景执行方式
- 支持跨系统任务编排
关键点：
- 从“对话驱动” → “任务驱动”
3.3.4 评测与反馈（Evaluation Loop）
- 任务完成率评估
- 场景级 benchmark
- 持续优化策略
关键点：
- 从“回答质量” → “任务完成能力”
3.3.5 可观测性（Observability）
- 执行路径可视化
- 错误定位能力
- 系统行为分析
关键点：
- 系统必须可调试、可解释
3.4 一个关键分界线（总结）
3.4.1 开源 Agent：让系统“能运行”
3.4.2 企业 Harness：让系统“按预期运行”
4. 架构升级：Agent First
4.1 从 Query First 到 Agent First
4.1.1 Query First：围绕搜索设计系统
4.1.2 Agent First：围绕任务执行设计系统
4.2 系统结构变化
4.2.1 输入：Query → Goal
4.2.2 输出：Answer → Result
4.2.3 执行：单步 → 多步流程
4.3 Agent First 的工程要求
4.3.1 明确任务建模
4.3.2 可控执行路径
4.3.3 策略与执行解耦
5. 关键能力：Agent First Search 与 Context Engine
5.1 Agent First Search
5.1.1 Search 从“返回内容” → “服务任务执行”
5.1.2 多轮检索、多策略组合
5.1.3 面向 Agent 的结构化输入输出
5.2 Context Engine
5.2.1 从检索系统升级为“上下文理解系统”
5.2.2 统一企业知识（人 / 组织 / 系统 / 数据）
5.2.3 支持任务级理解与推理
5.3 与传统 RAG 的差异
5.3.1 RAG：Query → Retrieve → Answer
5.3.2 Context Engine：Goal → Understand → Plan → Retrieve → Reason
6. 典型场景拆解：Query vs Task
6.1 企业知识分析任务
6.1.1 Query：信息拼接
6.1.2 Task：跨系统分析与推理
6.2 Agent First Search 场景
6.2.1 Query：文档返回
6.2.2 Task：问题定位与解释
6.3 工程类任务（代码 / 数据）
6.3.1 Query：建议输出
6.3.2 Task：执行 + 验证闭环
6.4 场景总结
6.4.1 Query 在简单场景有效
6.4.2 Task 在复杂场景不可替代
7. 工程取舍与落地策略
7.1 恢复策略设计
7.1.1 Task-level vs Step-level Recovery
7.1.2 不同场景的成本与收益
7.2 必备工程能力
7.2.1 幂等性（Idempotency）
7.2.2 可复现性（Reproducibility）
7.2.3 可观测性（Observability）
7.3 关键原则
7.3.1 简单场景：允许粗粒度恢复
7.3.2 复杂场景：必须精细控制
8. 总结
8.1 核心结论
8.1.1 企业 AI 的升级是系统重构
8.1.2 从 Query 驱动走向 Task 驱动
8.2 三个关键能力
8.2.1 Harness（策略与控制层）
8.2.2 Agent First（架构范式）
8.2.3 Context Engine（上下文能力）
8.3 最终目标
8.3.1 从“能回答”走向“能完成”
听众收益：
1. 理解企业 AI 难以落地的根本原因（系统范式问题而非模型问题）
2. 明确开源 Agent 框架在企业中的合理使用边界
3. 掌握 Harness 中“哪些必须自建”的关键系统能力
4. 理解从 Query 到 Task 的系统升级路径
5. 掌握 Agent First 的系统设计思路
6. 理解 Agent First Search 与 Context Engine 的技术定位
7. 获得企业落地 Agent 系统的核心工程原则（策略控制、约束、评测等）
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：186-0005-0529 张老师
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
