专场出品人：章鹏
蚂蚁数科 AI技术负责人 大模型技术创新部 总经理
现任蚂蚁数科 AI技术负责人 大模型技术创新部 总经理 。于中国科学技术大学获得计算机科学博士学位，随后加入理光研究院，并在亚利桑那州立大学（ASU）担任博士后研究员。2014年回国后加入阿里巴巴集团，历任蚂蚁集团风控科技总监。参与蚂蚁科技商业化赛道核心AI算法技术研发，其研发产品服务于金融、制造、政务等多个行业的千余家机构客户的生产场景中。
专场：数据智能体与决策支持
数据已成为企业核心生产要素，过去我们依赖人工分析、离线建模、传统报表，用数据覆盖率、决策响应时延等指标衡量数据价值，支撑商业判断与风险防控。而随着Data Agent的崛起，数据处理与决策模式正迎来根本性变革——当Data Agent能自动完成数据清洗、分析建模与结论输出，大幅压缩人工成本，我们该如何重新定义数据生产力？当多源数据融合走向实时化、智能化，如何确保智能决策的准确性、可解释性与安全性？当Data Agent深度嵌入数据分析、商业智能、风险预警等核心场景，如何实现从“被动看数”到“主动预判”的决策范式升级？
带着这些行业核心疑问，本专场汇聚数据智能与决策领域一线实践者、技术专家，聚焦Data Agent的落地应用与多源数据融合的前沿探索，共同探讨智能体如何真正赋能高效、精准、自动化的决策，解锁数据价值最大化的全新路径。
马阳阳
通用Data Agent：构建下一代 AI 数据分析基建
去哪儿旅行基础平台负责人
去哪儿旅行基础平台负责人，负责研发效率、质量相关工具平台建设。
近2 年负责 AI Infra 及垂类 Agents 落地，自研的智能体平台QMoss获公司25 年金项奖最佳项目。
Qunar 第七届 Hackathon 大赛金奖，第四届 CR 大赛冠军、技术分享之星。 在 行业多个大会做技术分享并获得明星讲师等称号。
近2 年负责 AI Infra 及垂类 Agents 落地，自研的智能体平台QMoss获公司25 年金项奖最佳项目。
Qunar 第七届 Hackathon 大赛金奖，第四届 CR 大赛冠军、技术分享之星。 在 行业多个大会做技术分享并获得明星讲师等称号。
议题背景
随着大模型技术的发展，数据分析正从传统 BI 工具驱动模式，向 AI 原生的数据分析范式演进。Data Agent 通过将大模型推理能力与企业数据能力深度结合，使用户能够以自然语言完成复杂的数据查询、分析与洞察生成，从而大幅降低数据使用门槛，提升分析效率。
本次分享将从数据分析范式演进出发，系统介绍 Data Agent 的整体架构设计、核心技术实现（包括 NL2SQL、Agent 推理与工具调用机制等），并结合实际落地案例，讲解如何构建可扩展的数据分析 Agent 平台，以及其在提升数据分析效率与业务决策支持方面的实践价值，最后展望 Data Agent 在企业智能化中的未来演进方向。
随着大模型技术的发展，数据分析正从传统 BI 工具驱动模式，向 AI 原生的数据分析范式演进。Data Agent 通过将大模型推理能力与企业数据能力深度结合，使用户能够以自然语言完成复杂的数据查询、分析与洞察生成，从而大幅降低数据使用门槛，提升分析效率。
本次分享将从数据分析范式演进出发，系统介绍 Data Agent 的整体架构设计、核心技术实现（包括 NL2SQL、Agent 推理与工具调用机制等），并结合实际落地案例，讲解如何构建可扩展的数据分析 Agent 平台，以及其在提升数据分析效率与业务决策支持方面的实践价值，最后展望 Data Agent 在企业智能化中的未来演进方向。
内容大纲：
1. 数据分析范式的演进
1.1 从 BI 到 AI：数据分析模式的变化
1.2 传统数据分析体系的核心瓶颈
1.3 大模型带来的新机会
1.4 Data Agent 的核心理念
2. Data Agent 整体架构设计
2.1 Data Agent 的系统架构
2.2 Agent 驱动的数据分析流程
2.3 数据能力层与工具体系
2.4 扩展性设计
3. Data Agent 的关键技术
3.1 自然语言到数据查询（NL2SQL）
3.2 Agent 推理与任务规划
3.3 Tool 调用与数据能力集成
3.4 查询执行与结果生成
4. Data Agent 的产品能力
4.1 对话式数据分析体验
4.2 多轮分析与上下文理解
4.3 自动数据洞察能力
4.4 数据可视化与报告生成
5. 落地实践与业务价值
5.1 典型业务应用场景
5.2 数据分析效率的提升
5.3 真实案例分享
6. 总结与展望
6.1 企业级 Agent 建设体系
6.2 Data Agent 未来演进方向
焦文健
ABI分析平台驱动业务决策升级 —— 京东物流UData的AI化实践
京东物流 大数据产品总监
中国人民大学MBA，京东物流大数据产品总监，具有十年以上AI及大数据领域产品经验，涵盖数据分析平台、精准营销平台和用户洞察系统等多层次产品应用，带领大型数据分析平台完成智能化升级重塑，驱动业务决策创新升级。主导产品多次获得 CCFA 中国连锁经营协会数字化最佳实践，获得工信部中国软件评测中心优秀大数据产品及解决方案认证。
议题背景：
围绕京东物流UData平台AI化升级实践，分享数据智能体落地生产环境的工程化路径。揭秘月活20万+的分析平台如何实现AI转型，聚焦Agent调度 + Skills能力沉淀 + Harness工程保障三位一体范式，在业务分析归因与决策链路上实现智能升级。
内容大纲：
1. AI趋势演进
1.1 AI 演进的关键拐点 【AI正在从"辅助工具"变为"决策参与者"，数据分析领域正处于范式跃迁的临界点。】
1.2 AI如何让数据分析贴近生产落地 【拐点背后的技术驱动，模型能力（推理能力、上下文窗口、多模态理解等），工具生态成熟（Skill技术、Harness方法论等），数据集基础设施（语义层、Metric Store等）】
1.2 AI如何让数据分析贴近生产落地 【拐点背后的技术驱动，模型能力（推理能力、上下文窗口、多模态理解等），工具生态成熟（Skill技术、Harness方法论等），数据集基础设施（语义层、Metric Store等）】
1.3 数据领域的范式转变【传统BI的三重瓶颈正在被AI击穿，交互范式和分析深度持续提升，决策时效和决策深度得以突破】
2. 物流一站式ABI分析平台UData升级实践
2.1 产品定位【UData 不是一个"加了 AI 的 BI 工具"，而是物流全链路智能分析决策中枢。过往平台基础画像和三阶段演进，面临物流复杂的业务决策场景，进行新的探索和升级】
2.2 AI如何重塑数据分析体验
2.2 AI如何重塑数据分析体验
2.2.1 产品架构升级【从"BI+AI 插件"到"AI-Native 架构"的整体重构，三层架构让Agent任务编排与海量数据查询分析融合在一起，交互层给到用户简单顺滑的分析决策体验】
2.2.2 AI表格助力分析决策过程提效【Nl2Formula 智能新增列，降低数据处理门槛，数据总结与解读，帮助更快的获取数据背后的洞见。】
2.2.3 AI工作流驱动非结构化信息融合决策【结合非结构化数据的，在复杂场景下 Agent 自主规划分析步骤，动态调用不同数据源和分析工具综合决策，案例-客诉根因分析。】
2.2.4 Skill技术实现分析的端到端智能决策【Skill 体系的设计哲学，Agent 作为"调度中心"，根据任务复杂度动态选择和编排 Skill ，分析Skill构建的最佳实践。】
2.2.5 案例：物流丢损归因决策效能倍增【用一个端到端的真实案例，展示 ABI 平台的实际价值，原来1-2天的复杂分析，到结构化归因报告自动化生成。】
2.2.6 产品运营自动化提效【AI 不仅赋能终端用户分析，还深度优化了平台自身的运营效率，AI 分析平台用户使用模式，自动优化缓存推荐；QA知识沉淀、工单问题沉淀，自动化群回复和产品问题聚焦。】
2.2.2 AI表格助力分析决策过程提效【Nl2Formula 智能新增列，降低数据处理门槛，数据总结与解读，帮助更快的获取数据背后的洞见。】
2.2.3 AI工作流驱动非结构化信息融合决策【结合非结构化数据的，在复杂场景下 Agent 自主规划分析步骤，动态调用不同数据源和分析工具综合决策，案例-客诉根因分析。】
2.2.4 Skill技术实现分析的端到端智能决策【Skill 体系的设计哲学，Agent 作为"调度中心"，根据任务复杂度动态选择和编排 Skill ，分析Skill构建的最佳实践。】
2.2.5 案例：物流丢损归因决策效能倍增【用一个端到端的真实案例，展示 ABI 平台的实际价值，原来1-2天的复杂分析，到结构化归因报告自动化生成。】
2.2.6 产品运营自动化提效【AI 不仅赋能终端用户分析，还深度优化了平台自身的运营效率，AI 分析平台用户使用模式，自动优化缓存推荐；QA知识沉淀、工单问题沉淀，自动化群回复和产品问题聚焦。】
2.3 工程架构浅析
2.3.1 架构分层支撑月活20万+用户的日常分析【大规模 AI 分析平台的工程架构必须兼顾性能、稳定性和成本，接入层、服务层的优化控制。】
2.3.2 AI升级工程化方法论：Agent + Skills + Harness 三位一体保障【Agent层的harness约束，高并发下的 AI 调用挑战与应对：智能路由、异步执行和语义缓存】
2.3.3 准确率保障与调优过程：语义模型、Skill【语义模型+skill的调优】
2.3.4 质量保障：Harness方法论保障海量数据AI分析高可用。【AI结果的质量评测与优化，用户标记"结果不准确" → 自动触发 BadCase 收集 → 持续优化】
2.3.2 AI升级工程化方法论：Agent + Skills + Harness 三位一体保障【Agent层的harness约束，高并发下的 AI 调用挑战与应对：智能路由、异步执行和语义缓存】
2.3.3 准确率保障与调优过程：语义模型、Skill【语义模型+skill的调优】
2.3.4 质量保障：Harness方法论保障海量数据AI分析高可用。【AI结果的质量评测与优化，用户标记"结果不准确" → 自动触发 BadCase 收集 → 持续优化】
3. 未来的组织影响
3.1 岗位边界模糊与服务链路重构【AI 会重新定义岗位边界和协作方式】
3.2 数据应用方向的岗位能力演进思考
3.2 数据应用方向的岗位能力演进思考
听众受益：
1. 了解ABI一体化分析平台的产品架构演进与升级之路。
2. 了解数据分析Agent背后的最佳技术选型与实践。
3. 了解AI+数据的新范式在业务决策过程中的赋能角度和最佳案例
1. 了解ABI一体化分析平台的产品架构演进与升级之路。
2. 了解数据分析Agent背后的最佳技术选型与实践。
3. 了解AI+数据的新范式在业务决策过程中的赋能角度和最佳案例
陈涛
迈向生产级Agent：构建统一的多源实时上下文
阿里云产品专家 阿里云EventBridge及云原生 DataAI领域产品负责人
阿里云智能集团产品专家，深耕于消息中间件、事件驱动、Serverless，Agent上下文生态集成领域。目前，致力于赋能Agent开发者，让AI深入各行各业，真正实现AI普惠和平权。
议题背景：
“简单”和“可靠”是AI普惠的关键。然而，企业数据碎片化、Schema多变、Context-Rot、语义冲突等难题，正成为Agent迈向生产级的“深水区”。本次分享从环境工程出发，“简化”多源实时上下文：打破传统知识库不断“辛勤”打补丁的方式，通过内置的一键集成、状态机、闭环反馈，将原本散乱在各处的数据，“快速”变成真正有效的知识，提升Agent的感知能力。以统一的、一键集成的、Serverless的上下文服务,助力开发者轻松搭建生产级的Agent。
内容大纲：
1. 破局：AI普惠的理想与“数据墙”的现实
1.1 核心矛盾：只有“简单”和“可靠”，AI才能真正普惠；但当前企业Agent研发正陷入“复杂”与“不可靠”的深水区。
1.2 四大拦路虎（数据桥接的难点）：
1.2.1 数据碎片化（DataSilos）：信息散落在文档、DB、API、日志中，缺乏统一入口。
1.2.2 Schema易变性（SchemaVolatility）：接口协议不统一，上游数据结构随时变动，导致Agent频繁“失明”。
1.2.3 上下文熵增（ContextRot）：陈旧或无关信息堆积，干扰模型判断，导致“幻觉”频发。
1.2.4 语义冲突（SemanticConflict）：多源数据对同一事实描述不一致，Agent陷入逻辑死循环。
2. 演进：从“提示词”到“环境工程”的范式跃迁
1.2.2 Schema易变性（SchemaVolatility）：接口协议不统一，上游数据结构随时变动，导致Agent频繁“失明”。
1.2.3 上下文熵增（ContextRot）：陈旧或无关信息堆积，干扰模型判断，导致“幻觉”频发。
1.2.4 语义冲突（SemanticConflict）：多源数据对同一事实描述不一致，Agent陷入逻辑死循环。
2. 演进：从“提示词”到“环境工程”的范式跃迁
2.1 研发范式四部曲：提示词工程→上下文工程→环境工程（核心突破点）→自主进化。
2.2 核心洞察：解决数据桥接问题，不能只靠Prompt，必须引入“环境工程”，为Agent构建一个可感知、可交互的实时数据环境。
3. 方案：构建“统一的多源实时上下文”桥接引擎
3.1 异构数据“一键桥接”：以“事件（Event）”为标准协议，打破数据孤岛，实现文档、API、数据库的实时统一接入。
3.2 Schema自适应演进：引入AI语义化分析，自动探测上游数据变化，动态调整Schema，解决“接口一变，Agent就挂”的痛点。
3.3 Serverless化统一存储与检索：摒弃传统的MCP补丁模式，面向结构化/非结构化数据，提供“算存一体”的Serverless检索服务。
3.4 闭环反馈与自我净化：引入Human/Model-in-the-loop机制，利用状态机管理Agent思考路径，自动识别并纠正语义冲突，持续清洗上下文质量。
3.5 生产级CICD保障：提供可观测、可告警、可自定义Benchmark的一站式发布流程，确保每一次数据桥接变更都符合生产标准。
4.总结与展望：迈向自主进化的Agent数据生态
2.2 核心洞察：解决数据桥接问题，不能只靠Prompt，必须引入“环境工程”，为Agent构建一个可感知、可交互的实时数据环境。
3. 方案：构建“统一的多源实时上下文”桥接引擎
3.1 异构数据“一键桥接”：以“事件（Event）”为标准协议，打破数据孤岛，实现文档、API、数据库的实时统一接入。
3.2 Schema自适应演进：引入AI语义化分析，自动探测上游数据变化，动态调整Schema，解决“接口一变，Agent就挂”的痛点。
3.3 Serverless化统一存储与检索：摒弃传统的MCP补丁模式，面向结构化/非结构化数据，提供“算存一体”的Serverless检索服务。
3.4 闭环反馈与自我净化：引入Human/Model-in-the-loop机制，利用状态机管理Agent思考路径，自动识别并纠正语义冲突，持续清洗上下文质量。
3.5 生产级CICD保障：提供可观测、可告警、可自定义Benchmark的一站式发布流程，确保每一次数据桥接变更都符合生产标准。
4.总结与展望：迈向自主进化的Agent数据生态
听众受益：
1.洞察行业痛点与趋势：清晰识别当前Agent落地中“数据桥接”的核心阻碍，掌握从Prompt到环境工程的研发范式演进方向，提前布局下一代Agent架构。
2.掌握核心解决方案：深入理解多源实时上下文构建的原理，学习如何处理Schema演进、语义冲突等具体技术挑战，获得一套可落地的企业数据桥接方法论。
3.获取落地工具箱：通过类似产品/架构的解析，帮助企业在内部快速搭建一套“低代码接入、高可靠运行”的生产级Agent上下文服务，大幅降低AI落地门槛。
孟令公
得物大规模GPU性能分析Agent
得物 高级技术专家
得物机器学习高级专家，算法工程方向，主要负责得物算法平台的相关研发工作。在得物从0到1打造通用大模型训练和推理平台。曾就职于腾讯，阿里等多家互联网大厂。2022年加入得物，专注于云原生AI相关技术，包括模型推理加速与GPU性能提升等。
议题背景：
本次分享聚焦“如何把 GPU 性能优化从专家手工活，升级为可规模复制的 Agent 工程能力”。我将结合得物实践，拆解GPU性能分析的 Agent 设计方法：以“模型负责推理、系统负责约束”为原则，构建工具化、可观测、可扩展的分析闭环。内容覆盖从GPU性能数据提取、规则诊断到瓶颈排序与优化建议生成的四层流水线，并展示在推理与训练场景中的落地路径、典型瓶颈案例和收益评估方式，帮助团队建立可持续演进的 GPU 性能治理体系。
本次分享聚焦“如何把 GPU 性能优化从专家手工活，升级为可规模复制的 Agent 工程能力”。我将结合得物实践，拆解GPU性能分析的 Agent 设计方法：以“模型负责推理、系统负责约束”为原则，构建工具化、可观测、可扩展的分析闭环。内容覆盖从GPU性能数据提取、规则诊断到瓶颈排序与优化建议生成的四层流水线，并展示在推理与训练场景中的落地路径、典型瓶颈案例和收益评估方式，帮助团队建立可持续演进的 GPU 性能治理体系。
内容大纲：
1. 问题定义与目标
1.1 大规模 GPU 场景下的三类核心痛点：低利用率、高成本、定位慢
1.2 为什么传统“专家读 trace”难以规模化复用
2. Agent 设计方法论
2.1 基于 Google ADK 的设计原则：Agent Loop、工具编排、上下文治理
2.2 “Harness 思维”落地：能力边界、权限约束、可观测事件流
2.3 架构取舍：确定性规则引擎 + LLM 智能推理的职责分层
3. 得物 GPU 性能分析 Agent 架构实战
3.1 四层流水线：提取 → 诊断 →瓶颈 → 建议
3.2 提取/诊断 工程细节：GPU性能规则分层并发、证据化输出。
3.3 瓶颈/建议 智能化：TopN 瓶颈排序、知识库驱动优化策略与优先级。
4. 典型案例与优化闭环
4.1 典型问题复盘：GPU 饥饿、同步 API 阻塞、MemcpyAsync 退化
4.2 从“发现问题”到“执行动作”：缩容建议、框架参数优化、收益预估
4.3 如何将单次分析沉淀为组织能力：规则扩展、知识库迭代、CI回归
5. 方法沉淀与演进路线
5.1 可复制的落地模板：从 0 到 1 搭建性能分析 Agent
5.2 下一步：多 GPU 协同分析、自动巡检与自治优化
听众受益：
1. 拿走一套可直接复用的 GPU 性能分析 Agent 架构模板（而不是零散技巧）。
2. 学会把“专家经验”沉淀为规则与知识库，实现团队级复制。
3. 理解 Google ADK 体系下，如何做可控、可解释、可扩展的 Agent 工程。
4. 掌握从 Nsight 数据到优化动作的端到端闭环设计方法。
5. 获得典型瓶颈（饥饿、同步、传输退化）的诊断与优化实战范式。
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
