数字员工与企业级 Agent 落地 -2026上海_SECon全球软件工程技术大会-橙柚科技

专场出品人：耿电

阿里云 AI汽车技术服务负责人

连续8年负责天猫双11大促稳定性保障工作，创新研发阿里巴巴全链路压测、全链路功能等代表阿里质量里程碑产品。目前深耕AI汽车行业，基于通云哥和技术服务，助力智能驾驶与座舱的深度融合，构建坚实的AI Infra底座，通过XPU评测与底层算子优化，提升AI大模型算力在智驾领域的应用价值。在数据产线链路上打通从AI大模型创新到安全生产的工程化链路，确保技术稳定性与车规级可靠性服务。同时引领组织从传统研发向AI全栈能力转型，打造数据、算法算力、智能体、Skills、XClaw协同进化的高效团队，持续迎接AI Token时代的全栈转型。

专场：数字员工与企业级Agent落地

本专场聚焦于AI Agent从“概念验证”迈向“规模化落地”的关键工程化路径，深入探讨如何构建安全可控的企业级智能体平台。我们将剖析数字员工在复杂业务流中的深度集成策略，分享从单点场景效率收割到多智能体协同（Multi-Agent）的转型实战。针对企业最关心的投入产出比，内容将涵盖数字员工部署后的ROI评估模型与全链路审计和驾驭机制（Harnees Engineer)，确保技术投入转化为可量化的商业价值。通过解析汽车、金融、互联网KA、低空飞行等头部企业的转型案例，我们将揭示如何打破数据孤岛，实现AI Native Agent与legacy系统的升级革新。这不仅是一场技术的交流，更是关于企业如何重塑人机协作范式、构建“原生数字员工”梯队，实现“能干活、敢授权、可审计”的企业级Agent的深度技术研讨。

于磊

Agentic 架构的规模化实践：

从零构建一个支撑数十万达人视频创作的全托管系统

岩山科技全栈架构师

岩山科技全栈架构师，15年互联网技术经验，专注于大规模分布式系统设计与优化。前游戏领域创业公司技术负责人，主导年收入过亿的游戏架构设计与迭代。目前任职于岩山科技全栈架构师，曾主导千万级DAU互联网应用架构优化，后转向AI应用层架构设计，主导设计并实现了支撑数十万视频创作者的多智能体协作平台。对架构设计有深入且独到理解，致力于探索AI时代的工程化实践与创新。

议题背景：
在短视频内容需求爆发的当下，传统人工创作模式面临响应慢、成本高、质量不稳的瓶颈。作为抖音、快手头部的分销商，岩山科技王牌智媒通过构建多智能体（Multi-Agent）协作平台，为每日数十万创作达人提供从文案策划、内容创作到全自动剪辑的一键托管服务。该系统成功将单视频制作耗时从“天”级压缩至“小时”级，并支撑了多个当日爆单充值10万+的实战案例。本次分享将深度拆解我们在支撑高并发业务场景下的Agent架构设计、多模型成本控制以及团队向AI-Native转型的真实一线踩坑经验。

内容大纲：
1. 行业演进：从单点提效到流程编排再到多智能体协作，平台如何适应推荐算法的流量池机制演进
1.1 平台介绍：视频创作多智能体（Multi-Agent）协作平台，抖音、快手等平台头部MCN服务商机构，服务数万视频创作者
1.2 平台进化路径：Prompt 工程 → Workflow 编排 → Multi-Agent，推荐算法适配：抖音推荐机制与流量池生存法则引出多 Agent 架构设计
2. 架构设计：多Agent架构的挑战与解决方案以及高并发下的稳定性保障
2.1 多 Agent 系统挑战和解决思路：约束下的自治
2.2 核心基座：Harness + Skills + Agents
2.3 智能体职责链：领域建模与解耦设计
2.4 调度引擎：”指挥官“和”仲裁器“配合状态机驱动的协作控制
2.5 高并发工程：支撑日数万创作请求的分布式调度
3. 核心技术：成本、效率与出片率的三重优化实践
3.1 视觉多模态算法工程：AI自动字幕、元素擦除、多模态检索的算法优化与工程化实践
3.2 出片率数据飞轮：数据驱动的Prompt与逻辑迭代
3.3 最后一道防线：端到端质量门禁设计与实践
4. 业务落地场景：聚焦高收益业务场景的Agent解决方案
4.1 场景一：高燃混剪，挑战：节奏感与信息密度的平衡
4.2 场景二：短剧出海语言适配，挑战：文化差异与时长语义对齐
4.3 场景三：电商营销，挑战：流量池生存法则的适配
4.4 场景四：AI 漫剧制作，挑战：角色一致性与剧情连贯
5. 经验总结与展望：技术落地的最后一公里
5.1 经验总结：架构跑飞、成本失控、数据飞轮、团队转型的全景回顾
5.2 未来展望：AI应用的护城河在哪里？技术落地的最后“一公里”

听众收益：
1. 获取一套支撑每日10w+用户的视频创作Agent技术架构方案：深入了解基于Harness与Skill架构的真实落地细节。
2. 掌握在短剧、电商、出海视频创作赛道下的Agent落地路径：拆解高燃混剪、自动打轴翻译等核心业务逻辑与爆单秘籍。
3. 获取一线项目场景下“成本/速度/质量”平衡的实战经验：分享多模型混合调度下的降本增效方案与真实的踩坑经历。

Pylon PENG

AI Agent 的身份认证难题：从零信任代理到 Skill 生态治理的工程实践

SAP Labs China 高级软件工程师

Pylon PENG，SAP Labs China Lead Developer & AI Agent Platform Architect，Business Data Cloud Catalog & Governance 团队，8 年企业级后端开发经验。
数据治理领域专家，主导 SAP Business Data Cloud 元数据治理核心，服务 1000+ 企业客户、10K+ data products。主导 Catalog Dev Harness 方向，推动 LLM 能力在企业级 Agent 系统的工程落地。
围绕 AI Agent 基础设施做了三件事：
开源 SigCLI（sigcli.ai），AI Agent 安全访问企业系统的零信任凭证层，被 Claude Code、Cursor、Codex 等主流 Coding Agent 采用
设计并落地 30+ Skill 生态，建立版本管理、遥测驱动评分、自动回归 gate 的完整工程体系
推动 Skill 从一次性脚本演化为可观测、可演化、可治理的可复用组件
同时组织 AI Agent 技术交流会，持续跟踪 Agent 架构、MCP 协议、多 Agent 协作等前沿方向。

议题背景：
当 AI Agent 需要在企业内部系统（Jira、Slack、Outlook、HANA、Confluence 等）上完成真实工作，团队会遇到三层难题：身份认证（凭证如何安全获取与注入）、领域知识（如何让通用 Agent 理解企业内部领域）、Skill 演化（如何让 Skill 写完之后还能持续变好）。
本次演讲基于开源项目 SigCLI 与 30+ 内部 Skill 生态的工程实践，分享从底层零信任凭证层、到 Skill 分层架构、再到 Skill 全自动演化与质量验证的完整方法论。
重点回答一个核心问题：如何确保 Skill 的演化是有效果的演化——演化时如何保留已 work 的不变量、修复已发现的 footgun、并通过确定性的 evals.json 而不是 LLM judge 来守门。

内容大纲：
1. 零信任代理：让 AI Agent 安全接入企业系统
1.1 从 Client-Server 到 Agent-Server：交互模型演进
1.2 业界认证方案的局限与凭证泄露风险
1.3 SigCLI：浏览器 SSO 捕获 + 加密存储 + 零信任代理注入
2. 领域知识注入：从连接器到 Skill 分层架构
2.1 企业场景的特殊挑战：历史代码 + 复杂领域知识
2.2 四层 Skill 分层架构设计与 30+ Skill 生态实战
2.3 效果：从手动半天到 Agent 几分钟自动完成
3. Skill 铸造与演化方法论
3.1 从重复劳动到 Skill：3x Rule 与 Forge 方法论
3.2 Curation Loop：Skill 全自动演化闭环
Skill → Agent 执行 → Trace 分析 → Evolve Agent → Verification → Skill
3.3 Trace 分析：trajectory 三层蒸馏（raw session → causal info → shared evidence base）
3.4 Evolve Agent：基于证据的 4 种演化动作（refine / create / skip / optimize_description）
4. 如何确保 Skill 的演化是有效果的演化
4.1 不变量轨道 vs 修复目标轨道：双轨验证模型
4.2 evals.json：确定性断言机制（regex / substring / absent_regex）
4.3 absent_regex：把每次踩过的坑永久关闭
4.4 与业界 LLM verifier 方案的对比与取舍
5. 完整 Harness 架构与展望
5.1 全 Harness 视图：从 SigCLI 基础设施到 Skill 演化体系
5.2 从 human-in-the-loop 到全自动演化的演进路径
5.3 Takeaways

听众收益：
1. 获取 AI Agent 接入企业系统的完整工程方案
从凭证层（SigCLI）、到 Skill 分层架构、再到演化与验证的端到端实践，可直接复用到内部 Agent 平台建设。
2. 掌握 Skill 工程化的核心方法论
理解"如何确保 Skill 演化是有效果的"这个根本问题——不变量保留、目标修复、确定性验证三位一体的工程范式，避免 Skill 越改越烂。
3. 借鉴 evals.json 这套工程武器
用 regex / substring / absent_regex 三种确定性断言代替 LLM judge，比业界方案更扎实，每次踩坑沉淀新的测试用例。

倪海峰

Data Agent在汽车行业的应用落地实践

阿里云 AI汽车行业技术服务高级专家

阿里云AI汽车行业技术服务高级专家，长期深耕云计算与AI在汽车行业业务场景的工程落地，十余年一线客户服务及专项实战经验，内容涵盖DevOps、FinOps、SRE、Data+AI等专业领域。多次国内顶级峰会主讲人。

议题背景：
围绕Data Agent在5家汽车企业的落地实践，分享数据智能体在销量预测与经营决策场景的工程化路径。聚焦多源数据整合、行业知识融合与企业级治理，展示从PoC验证到规模化推广的完整实践，为汽车行业数据分析智能化升级提供参考。

内容大纲：
1. AI趋势与汽车行业数据场景
1.1 AI驱动数据分析范式转变
传统BI的交互瓶颈与分析深度局限正在被AI击穿，数据分析从辅助工具向决策参与者演进。
1.2 汽车行业核心数据诉求
  销量预测、经营目标制定、市场调研与运营洞察是汽车企业最关注的场景，但面临数据整合难、预测周期长、市场响应慢等挑战。
1.3 Data Agent的切入点
  以销量预测为核心场景，整合多源数据与行业知识库，提供从预测到决策指导的完整能力。
2. 核心场景：销量预测与经营决策
2.1 场景概述
  基于历史销量数据预测未来趋势，指导自上而下的决策分析、目标分解与产能规划。
2.2 多源数据整合
  内部销售数据、外部市场数据、政策法规数据与本地Excel文件的统一接入与融合。
2.3 预测与分析能力
  支持多维度多周期预测、销量波动根因分析、政策影响评估与决策建议输出。
2.4 知识库与政策分析
  构建行业知识库与政策知识库，将术语规则、历史案例、国家政策等结构化，使政策影响纳入预测分析。
2.5 典型使用流程
  业务人员通过自然语言提问即可获得预测结果与分析建议，大幅降低数据分析门槛。
3. 汽车行业客户实践
3.1 某大型汽车集团：多源数据整合的销量预测平台
  整合内部销售、经销商、库存数据与外部市场、政策数据，构建完整销量预测体系。结合知识库实现政策变化快速响应，显著提升

预测准确率与决策效率。
3.2 某新能源汽车品牌：数据中台赋能营销运营
基于Data Agent二次开发构建营销数据分析体系，实现多维度数据整合与API服务输出。建立完整数据治理与安全管控体系，为品牌

快速扩张提供数据支撑。
3.3 某汽车制造商：Data Agent Open API集成DMS数据治理
通过Open API将Data Agent集成到经销商管理系统，实现数据质量检查、规则校验与异常检测自动化，显著降低人工数据治理

工作量。
3.4 某汽车集团：Data Agent作为数据中台赋能业务系统
将Data Agent定位为数据中台核心组件，为前端业务系统提供统一数据查询、分析与预测服务接口，实现数据分析能力集中化与

  标准化。
3.5 某汽车零部件供应商：汽配行业Data Agent应用
  构建面向汽配行业的数据分析体系，实现与主机厂数据自动化对接与分析，提升供应链数据透明度与库存管理优化能力。
4. 关键技术实践
4.1 多源数据整合方案
  通过统一数据接入层与MCP协议实现数据库、本地文件、外部API等标准化接入。
4.2 准确率保障：Code-based Reasoning
  让大模型生成可执行SQL和Python代码进行计算，避免模型幻觉，确保预测准确性。
4.3 政策因素量化方法
  通过政策知识库构建，将政策变化对销量影响纳入分析框架。
4.4 企业级安全治理
  细粒度访问控制、VPC隔离、数据脱敏等机制，确保数据安全合规使用。
  4.5 从PoC到规模化推广
  模块化架构与可配置能力实现从单场景验证到多场景扩展的平滑过渡。
5. 经验总结与未来展望
5.1 落地建议
  从核心场景切入快速验证价值，重视数据质量，构建政策知识库，业务专家深度参与，小步快跑逐步扩展。
5.2 常见陷阱与解法
  针对全品牌预测数据质量不达标、忽视政策因素、数据治理后置、知识库建设不持续等问题，总结相应对策。
5.3 未来方向
  从销量预测到全链路决策，从单品牌到产业协同，从预测分析到自动决策。

听众受益：
1. 了解Data Agent在汽车行业销量预测场景的真实落地效果与从PoC到规模化的实践路径。
2. 了解多源数据整合、行业知识库建设与企业级数据中台建设的技术方案与方法论。
3. 了解汽车行业Data Agent落地常见陷阱与最佳实践，为自身企业数据分析智能化升级提供参考。

Lucas Jiang

小红书 Agentic 项目管理实践

小红书技术PMO

拥有7年PMO从业经验。Agentic项目管理探索者，从2025年开始和团队一起从0到1构建项目管理AI Agent体系，经历四轮完整的架构迭代，将AI能力从「知识问答」逐步演进至「企业级项目专属BP Agent」。推动项目管理AI Agent用户规模从十几人增长至数千人，主导将项目管理能力打包为Skill上架公司内部Skill Hub，探索Agentic项目管理新范式。

议题背景：
过去一年，小红书技术PMO团队对项目管理AI Agent进行了4次完整架构迭代：1.0将AI定位为项目管理顾问，以知识问答为切入点夯实基础；2.0提出「Agent规划 + Sub Agent执行」原则，让Agent真正能干活，接入内部IM实现实时交互；3.0基于OpenClaw框架打造个人项目管理助理，实现长记忆与跨会话能力，用户规模从十几人增长至数千人；4.0将架构从「1人×1Session」升级为「1项目×N人×M Session」，为每个项目组打造共享动态上下文的专属PMOBP Agent。本次分享将完整还原4次演进背后的架构决策、踩坑经历与7条实践经验。

内容大纲：

1. AI时代项目管理应该是什么样子？
1.1 人治→机制化→工具化→AI化的演进逻辑
1.2 两个关键判断：AI是新生产力 / AI将完全接管项目管理
2. 演进全景：4次架构层演进
2.1 版本时间线与核心命题一览
3. 1.0 项目管理AI顾问
3.1 打法：知识库 + RAG + 大模型
3.2 最大收获：评测集才是最有价值的产出
4. 2.0 Agent + 多渠道接入
4.1 三条设计原则：原子Agent自闭环 / 复合Agent不嵌套 / 统一消息协议
4.2 推进Agent进入用户已在的地方（内部IM）
5. 3.0 基于OpenClaw的个人助理
5.1 长记忆四件套：UserProfile / SessionMessage / KnowledgeItem / ContextBuilder
5.2 自建项目注册平台：主数据是Agent冷启的关键
5.3 用户从十几人暴增至数千人的路径复盘
6. 4.0 PMOBP Agent：从个人助手到项目专属BP
6.1 核心新认知：PMOBP Agent首先是信息中枢
6.2 架构升级：共享多渠道动态项目上下文 + 角色感知
6.3 12项已落地能力矩阵
7. 7条实践经验 + 展望
7.1 从「人驾驭AI管项目」走向「AI主导、人打辅助」

听众受益：
1. 获得一套完整的企业级项目管理Agent架构演进路线图，避免踩坑
2. 掌握原子Agent设计、长记忆工程、项目主数据建设三大核心实践
3. 理解OpenClaw框架在企业落地中的实际价值与边界
4. 学到「评测集即单元测试」「领域Agent=Source of Truth」等可直接复用的工程原则
5. 了解从十几人到数千人规模化的真实增长路径与关键决策

梁博

从工具调用到场景流程稳定交付：

企业 SaaS 智能体转型的演进路径与关键架构设计

上海东方屹腾科技有限公司副总裁、创始合伙人

上海东方屹腾科技有限公司副总裁、创始合伙人。目前全面主导公司SaaS产品矩阵向Agent（智能体）方向的战略转型与研发落地。深耕行业SaaS与银行移动互联网渠道领域多年，在SaaS服务的智能化重塑方面，兼具前瞻性的深度思考与扎实的实战积累。尤其擅长将抽象的Agent设计模式，转化为具象、清晰且可落地的系统架构。技术专长涵盖高级软件工程，Kubernetes和Agentic系统架构等领域。教育背景方面，本科毕业于西安交通大学，于上海交通大学取得硕士及医学博士学位，具备跨学科的复合型视野。

议题背景：

面向企业既有 SaaS，如何构建能准确编排异构API、自动帮用户完成复杂流程操作的执行型智能体？本分享将结合我们的落地实践给出关键演进路径，并结合实际的业务场景，为感知、推理、行动、记忆、上下文工程等各个抽象的Agent设计模式提供经过验证的实现细节，为企业Saas的智能体转型提供可验证、可落地的方法论和关键架构设计参考

内容大纲：

1. 问题定义——企业 SaaS 流程智能体的真实挑战

2. 感知演进——从意图识别到场景收敛

3. 推理与行动协同——从 ReAct 到双引擎架构

4. 执行工程化——从工具可调到流程可交付

5. 契约与参数治理——构建可验证执行闭环

6. 状态与上下文工程——从混合上下文到三态平面

7. 记忆与反思闭环——从辅助回复到决策约束

8. 规模化演进——企业工具平面与工业化接入

听众受益：

1. 获得一条从 0 到 1 的企业智能体转型路线图：明确先做什么、后做什么，以及每一阶段要验证的“是否真的解决了业务问题”。

2. 学会用业界通用抽象组织工程落地：感知、推理、行动、记忆、反思、上下文管理不再是概念清单，而是可映射到代码、契约、门禁的执行框架。