专场出品人：延君晨
Dify.AI 联合创始人
Dify.AI 联合创始人，十余年产品架构及商业化经验。涉足在线教育、OTA、电商零售、生命科学等多个领域。
专场：前沿智能体技术与商业应用
在 Agent 产业加速从技术原型走向规模化商用的产业拐点，高成本投入、技术落地与商业价值脱节、垂直场景落地难等痛点持续制约行业发展。本专场聚焦前沿智能体技术研发与商业化落地融合核心方向，汇聚产业初创标杆与头部大厂一线技术专家，从通用产业化落地、垂直行业落地、工程成本优化、底层框架自研四大实战视角，打通前沿智能体技术从实验室创新到商业化落地的全链路，拆解智能体可持续商业化落地的可行路径，助力参会者跳出概念误区，落地可量化商业价值的智能体项目。
Warren Wong
Agent元年的真命题：规模化、自进化与持续降本——从代码现代化到
智能安全运营，多场景量化数据实证
EvoMap 研发生态副总裁
EvoMap 的Warren Wong，EvoMap 研发生态副总裁，拥有逾10年 APAC 区域 AI 与云原生架构实战经验。曾任 Dify全球解决方案架构负责人，主导汽车、金融、保险、监管等多个头部行业客户从 PoC 到生产级部署的完整交付周期。此前于 GitLab 参与香港首个本地化 DevSecOps SaaS 平台 (gitlab.hk)，并负责全部港澳地区的企业客户商务和专业服务；在 Kong 任职期间主持多家国际顶级银行的 API 治理与微服务现代化架构改造；早年于 Microsoft 以云架构师身份赋能香港 ISV 生态，主导 Kubernetes、IoT 及区块链大规模落地项目。现专注于 AI Agent 集体智能基础设施研发，同时作为多个AI开源贡献者，持续探索 Agent 自主感知与组织知识永续传承的技术前沿。
议题背景：
AI Agent 正在从"会执行指令的工具"加速进化为"能学习、会传承、持续自我迭代"的企业级智能体。然而，当前绝大多数企业的 Agent 部署仍面临一个根本性困境：每个 Agent，孤岛运行。团队积累的经验无法沉淀，相同的问题被反复推理求解，AI 的价值随规模扩大而线性衰减，难以形成真正的组织智慧。
本话题围绕前沿智能体技术如何真正服务于企业复杂业务场景展开深度探讨，聚焦以下核心议题：
1. 知识如何在 Agent 之间持续积累与传承 —— 从单次推理走向跨会话、跨团队的经验复用，让每一次成功解决的问题成为组织的永久资产，而非随对话消失的临时输出；
2. Agent 如何应对真实企业场景的复杂挑战 —— 以两类高价值场景为例：在遗留系统现代化方向，Agent 如何自动分析数十万行 Java 代码、识别依赖关系、生成迁移方案并持续从每次改造中学习，大幅压缩人工投入；在安全运营（SIEM）方向，Agent 如何在每日百亿级日志中自动排查威胁、关联告警并生成可执行响应策略，实现从"人工值守"到"智能自愈"的跨越。两类场景均验证了 Agent 如何从"能跑通 Demo"走向"扛得住生产"；
3. 多 Agent 协作如何突破单一模型的能力边界 —— 专业化 Agent 的分工协同、任务路由与结果验证机制，如何在保证准确性的前提下大幅降低推理成本，实现质量与效率的双重提升；
本话题将通过真实落地案例的量化数据对比，帮助参会者建立对 AI Agent 规模化部署的系统性认知，探索适合自身企业技术栈与业务场景的智能体演进路径，共同推动 AI Agent 从概念验证走向持续创造业务价值的生产实践。
本话题围绕前沿智能体技术如何真正服务于企业复杂业务场景展开深度探讨，聚焦以下核心议题：
1. 知识如何在 Agent 之间持续积累与传承 —— 从单次推理走向跨会话、跨团队的经验复用，让每一次成功解决的问题成为组织的永久资产，而非随对话消失的临时输出；
2. Agent 如何应对真实企业场景的复杂挑战 —— 以两类高价值场景为例：在遗留系统现代化方向，Agent 如何自动分析数十万行 Java 代码、识别依赖关系、生成迁移方案并持续从每次改造中学习，大幅压缩人工投入；在安全运营（SIEM）方向，Agent 如何在每日百亿级日志中自动排查威胁、关联告警并生成可执行响应策略，实现从"人工值守"到"智能自愈"的跨越。两类场景均验证了 Agent 如何从"能跑通 Demo"走向"扛得住生产"；
3. 多 Agent 协作如何突破单一模型的能力边界 —— 专业化 Agent 的分工协同、任务路由与结果验证机制，如何在保证准确性的前提下大幅降低推理成本，实现质量与效率的双重提升；
本话题将通过真实落地案例的量化数据对比，帮助参会者建立对 AI Agent 规模化部署的系统性认知，探索适合自身企业技术栈与业务场景的智能体演进路径，共同推动 AI Agent 从概念验证走向持续创造业务价值的生产实践。
赵毓佳
打造金融投研AI OS：重构投研工作流的架构探索
Funda AI Co-Founder
Former Microsoft Principal Product Manager with 10 years of AI product development experience.
Former M365 Copilot Global Core Product Manager, led team to develop and launch the first mobile Copilot product, supporting LLM evaluation Platform for all Copilot products.
Former M365 Copilot Global Core Product Manager, led team to develop and launch the first mobile Copilot product, supporting LLM evaluation Platform for all Copilot products.
大模型能"聊"投资，却难以胜任严肃投资研究。在以基金经理和研究员为核心的专业场景中，研究结论必须证据可追溯、信息强时效、覆盖足够广。当通用大模型与通用 Agent 被直接搬进投研场景时，普遍暴露出四类失败模式：幻觉且证据链不可回溯、知识截止导致看不到前沿突破、"问答式"应付不了"研究式"的多专家多轮协作、以及缺少可对齐的专家判断基线。
当模型本身已经足够强，真正的胜负手在于是否拥有一套把人类分析师的研究流程工程化、可度量、可持续进化的"投研操作系统"。本话题以 Funda Platform 的真实落地为案例，围绕"通用模型的局限—架构与场景搭建—生产力边界重构"展开，聚焦以下核心议题：
专业研究的工作流如何被建模为可执行架构：把分析师的研究流程拆解为可组合、可沉淀的工程模块，让"专家方法论"成为系统资产而非一次性输出；
投研场景构建 Agent 的真实难点：证据链的全程可追溯、深度长任务的上下文管理、实时多源（结构化/非结构化）数据处理与估值模型联动，以及调动分析师边研究边标注，把每一次真实研究沉淀为高质量训练信号，驱动系统持续自进化；
让 Agent 能够度量并与分析师对齐：从能力定义、轨迹采集、Critic + 人类反馈，到奖励模型基线的构建，回答"凭什么相信 Agent 达到了分析师水平"这一关键问题。
本话题将通过真实落地的研究场景与效果对比，帮助参会者建立对垂直行业 Agent 规模化部署的系统性认知，并探索一条把"专家工作流 + 数据飞轮 + 评测对齐"三者打通、从概念验证走向持续创造业务价值的智能体演进路径。
当模型本身已经足够强，真正的胜负手在于是否拥有一套把人类分析师的研究流程工程化、可度量、可持续进化的"投研操作系统"。本话题以 Funda Platform 的真实落地为案例，围绕"通用模型的局限—架构与场景搭建—生产力边界重构"展开，聚焦以下核心议题：
专业研究的工作流如何被建模为可执行架构：把分析师的研究流程拆解为可组合、可沉淀的工程模块，让"专家方法论"成为系统资产而非一次性输出；
投研场景构建 Agent 的真实难点：证据链的全程可追溯、深度长任务的上下文管理、实时多源（结构化/非结构化）数据处理与估值模型联动，以及调动分析师边研究边标注，把每一次真实研究沉淀为高质量训练信号，驱动系统持续自进化；
让 Agent 能够度量并与分析师对齐：从能力定义、轨迹采集、Critic + 人类反馈，到奖励模型基线的构建，回答"凭什么相信 Agent 达到了分析师水平"这一关键问题。
本话题将通过真实落地的研究场景与效果对比，帮助参会者建立对垂直行业 Agent 规模化部署的系统性认知，并探索一条把"专家工作流 + 数据飞轮 + 评测对齐"三者打通、从概念验证走向持续创造业务价值的智能体演进路径。
周宇（Yeuoly）
说好的一起烧一辈子 token 呢
Dify.AI VP of Engineering
Dify.AI后端工程师，主导设计了平台的插件机制与应用市场功能
目前行业普遍存在一个共性问题：各家企业都在大规模投入算力、持续烧Token做AI落地，但真正跑通正向ROI、实现规模化有效提效的项目极少，大量算力投入都变成了无效成本。分析原因是什么，我们Dify是怎么解决的。
陈博理
基于强化学习的开放域智能体训练框架和落地实践
阿里巴巴 通义实验室研究员
现就职于阿里巴巴集团通义实验室，主要负责 Agent Post-training 及 Agentic RL 训练方法的研究与落地。在人工智能与自然语言处理领域拥有丰富的学术积累，多项研究成果发表于 ICLR、ACL、AAAI 等国际顶级学术会议。当前核心研究方向为 Agentic RL（智能体强化学习）训练方法，致力于探索和提升大模型智能体在复杂环境中的自主决策与泛化能力。
议题背景：
面对出行规划、深度研报等缺乏“唯一标准解”的开放域任务，传统强化学习常因奖励信号失真陷入训练瓶颈。本次演讲聚焦开放域智能体的工程化与算法落地，深度解析对比式强化学习方法 ArenaRL 及其开源轻量级训练框架。
内容大纲：
1. 背景与挑战：当强化学习遇到“无标准解”的真实世界
1.1 开放域出行的业务特性：模糊意图、动态约束与庞大的解空间
1.2 传统 RL 在开放域的失效困境：
1.3 “绝对打分”带来的奖励信号失真
1.4 模型进化后期的“信号淹没”与判别崩溃难题
2. 算法破局：ArenaRL 锦标赛式对比强化学习
2.1 核心思想转变：从“绝对标量优化”到“组内相对优势（Advantage）排序”
2.2 细粒度过程评估：基于双向评分协议的思维链与工具调用检验
2.3 拓扑结构演进：如何通过“种子单败淘汰赛”将算力开销降至 O(N) 的线性水平
3. 框架设计：专为开放域 RL 打造
3.1 训练框架架构解析：基于 slime 构建的轻量级、非侵入式扩展设计
3.2 支撑高吞吐训练：底层的异步调度机制
3.3 运行环境解耦：深度集成 MCP，实现本地/远程工具的即插即用与标准化
4. 落地实践：高德地图核心业务验证
4.1 确定性场景：如何在严苛规则下敏锐捕捉方案优劣，突破准确率瓶颈
4.2 开放式场景：时间、预算与个性化偏好的多维权衡策略
4.3 真实 Badcase 到 Goodcase 的进化拆解
内容大纲：
1. 背景与挑战：当强化学习遇到“无标准解”的真实世界
1.1 开放域出行的业务特性：模糊意图、动态约束与庞大的解空间
1.2 传统 RL 在开放域的失效困境：
1.3 “绝对打分”带来的奖励信号失真
1.4 模型进化后期的“信号淹没”与判别崩溃难题
2. 算法破局：ArenaRL 锦标赛式对比强化学习
2.1 核心思想转变：从“绝对标量优化”到“组内相对优势（Advantage）排序”
2.2 细粒度过程评估：基于双向评分协议的思维链与工具调用检验
2.3 拓扑结构演进：如何通过“种子单败淘汰赛”将算力开销降至 O(N) 的线性水平
3. 框架设计：专为开放域 RL 打造
3.1 训练框架架构解析：基于 slime 构建的轻量级、非侵入式扩展设计
3.2 支撑高吞吐训练：底层的异步调度机制
3.3 运行环境解耦：深度集成 MCP，实现本地/远程工具的即插即用与标准化
4. 落地实践：高德地图核心业务验证
4.1 确定性场景：如何在严苛规则下敏锐捕捉方案优劣，突破准确率瓶颈
4.2 开放式场景：时间、预算与个性化偏好的多维权衡策略
4.3 真实 Badcase 到 Goodcase 的进化拆解
5. 落地实践：云安全平行沙箱 Agent
5.1 基于 OpenCode 框架与真实环境交互的自主分析处置 Agent
6. 总结与展望
6.1 Open-Travel 与 Open-DeepResearch 评测基准开源介绍
6.2 从被动模仿（SFT）到智能体自我进化（Self-Evolution）的闭环构建
6. 总结与展望
6.1 Open-Travel 与 Open-DeepResearch 评测基准开源介绍
6.2 从被动模仿（SFT）到智能体自我进化（Self-Evolution）的闭环构建
听众受益：
1. 算法认知落地： 深刻理解在没有“唯一解”的复杂业务中，如何通过相对排序机制打破 RL 的奖励崩塌瓶颈。
2. 架构选型参考： 深入了解底层基于 slime 构建的训练框架的设计哲学，学习如何借助 MCP 协议高效搭建解耦的智能体训练流水线。
3. 实战经验复用： 获取高德地图在处理带有主观偏好与多维约束场景时，将前沿 RL 算法转化为核心业务增长指标的真实落地经验。
1. 算法认知落地： 深刻理解在没有“唯一解”的复杂业务中，如何通过相对排序机制打破 RL 的奖励崩塌瓶颈。
2. 架构选型参考： 深入了解底层基于 slime 构建的训练框架的设计哲学，学习如何借助 MCP 协议高效搭建解耦的智能体训练流水线。
3. 实战经验复用： 获取高德地图在处理带有主观偏好与多维约束场景时，将前沿 RL 算法转化为核心业务增长指标的真实落地经验。
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@qecon.com.cn
关注SECon公众号
添加SECon小助手，获取
会议最新资讯
