专场出品人：张海立
LangChain Ambassador
《LangGraph实战》《LangChain实战》作者，LangChain 官方大使，LFAPAC 开源布道师。B 站万粉 UP 主，开源爱好者，长期关注和致力于 GenAI、云原生和前沿互联网技术的技术落地和推广。曾就职于英特尔亚太研发有限公司，担任高级研发经理和架构师。
专场：智能体开发框架与架构模式
智能体从概念验证走向规模化落地，框架与架构不再是工程细节，而是决定成败的基础设施。当 Agent 从单点工具进化为多智能体协作系统，从流程脚本升级为具备记忆、规划与反思能力的自主体，开发框架的表达能力与架构模式的系统设计，直接决定了智能应用的可靠性、可扩展性与落地成本——这正是当前 AI 工程化从“能跑”到“好用”跨越的核心命题。
本专场聚焦智能体开发框架的演进趋势与架构模式的工程实践，覆盖从单智能体能力构建到多智能体协作编排的关键技术路径，深入探讨记忆与状态管理、确定性流程与自主决策的平衡、工具调用机制、容错与可观测性等工程难题，强调问题驱动的架构演进方法论——从生产级痛点出发做出架构决策，并结合行业落地案例分享从原型到生产的踩坑经验，呈现 AI 应用从实验级 Demo 到生产级系统的完整工程化思路。
本专场聚焦智能体开发框架的演进趋势与架构模式的工程实践，覆盖从单智能体能力构建到多智能体协作编排的关键技术路径，深入探讨记忆与状态管理、确定性流程与自主决策的平衡、工具调用机制、容错与可观测性等工程难题，强调问题驱动的架构演进方法论——从生产级痛点出发做出架构决策，并结合行业落地案例分享从原型到生产的踩坑经验，呈现 AI 应用从实验级 Demo 到生产级系统的完整工程化思路。
魏政刚
微流程SOP+Agentic：平衡客户体验与企业流程的金融 AI 快捷服务实践
平安人寿
数字时代的思考者和践行者，热衷于在企业发展的不同阶段，通过数字科技(人工智能、大数据、云计算、交互、分析等)与商业价值的优化整合，创新、赋能企业可持续发展。在二十多年的职业生涯中，在全球范围内服务过金融、生产制造、医疗健康、生命科学、信息通信技术(ICD)、消费品、自然资源、物流配送等行业。
内容大纲：
1. 金融AI客服的核心矛盾：客户体验与企业流程的失衡困境
2. 行业现状：金融AI客服的双重诉求——客户端追求“快、准、简”，企业端坚守“合、严、可”
3. 矛盾拆解：过度侧重企业流程导致客户体验割裂（流程繁琐、应答机械）；过度追求客户体验导致企业流程失控（合规缺失、链路不可追溯）
4. 前端核心命题：如何通过技术实现“客户体验便捷化”与“企业流程严谨化”的双向兼顾，破解协同难题
核心解决方案：微流程SOP+Agentic，双向赋能实现平衡
1. 设计理念：以“双向平衡”为核心，让SOP守护企业流程，让Agentic服务客户体验
2. 微流程SOP设计：贴合企业流程需求，拆解金融业务场景、定义标准化合规流程、嵌入关键管控节点，兼顾流程严谨性与前端可交互性
3. Agentic智能体设计：立足客户体验需求，优化意图识别、多轮对话管理、业务流程自主规划，实现“少交互、快响应、准解答”
4. 协同逻辑：前端作为衔接核心，实现SOP流程与Agentic智能的动态联动，既不突破企业流程底线，也不牺牲客户交互体验
前端落地实践：平衡体验与流程的全链路实现
1. 前端架构设计：构建“流程管控+体验优化”双核心架构，实现SOP引擎与Agentic智能体的高效通信、状态协同
2. 核心模块实现：客户体验侧（多轮对话组件、个性化适配、快速响应交互）；企业流程侧（SOP流程可视化、合规节点校验、操作链路追溯）
3. 双向优化：客户体验优化（加载提速、多终端适配、交互简化）；企业流程优化（敏感信息脱敏、流程日志留存、合规校验兜底）
典型业务场景落地：体验与流程的平衡实践案例
1. 保险咨询与理赔指引：SOP规范理赔流程、保障合规，Agentic简化咨询流程、引导材料上传，实现“流程不缺位、体验不打折”
2. 落地效果：客户交互时长缩短、满意度提升，企业流程合规率100%、运营成本下降的量化数据呈现
未来展望：持续深化体验与流程的双向平衡
1. 体验升级：前端视角下的个性化交互、情感识别，进一步简化客户操作，提升交互舒适度
2. 流程优化：结合RAG与大数据，实现SOP流程的动态适配，兼顾企业管控与客户体验效率
3. 行业延伸：将“体验+流程”平衡模式适配更多金融细分场景，打造全链路、双兼顾的金融AI客服解决方案
听众收益
1. 明确金融AI客服中“客户体验与企业流程”的核心矛盾，掌握“微流程SOP+Agentic”的平衡设计思路。
2. 获取兼顾客户体验与企业流程的前端落地方案，掌握核心模块实现、交互优化与流程管控的关键技巧。
3. 借鉴典型业务场景中“体验与流程双向平衡”的实践经验，可直接复用相关技术方案与组件设计。
4. 了解金融AI客服在“体验优化+流程管控”方向的未来发展趋势，为自身项目迭代提供参考。
1. 金融AI客服的核心矛盾：客户体验与企业流程的失衡困境
2. 行业现状：金融AI客服的双重诉求——客户端追求“快、准、简”，企业端坚守“合、严、可”
3. 矛盾拆解：过度侧重企业流程导致客户体验割裂（流程繁琐、应答机械）；过度追求客户体验导致企业流程失控（合规缺失、链路不可追溯）
4. 前端核心命题：如何通过技术实现“客户体验便捷化”与“企业流程严谨化”的双向兼顾，破解协同难题
核心解决方案：微流程SOP+Agentic，双向赋能实现平衡
1. 设计理念：以“双向平衡”为核心，让SOP守护企业流程，让Agentic服务客户体验
2. 微流程SOP设计：贴合企业流程需求，拆解金融业务场景、定义标准化合规流程、嵌入关键管控节点，兼顾流程严谨性与前端可交互性
3. Agentic智能体设计：立足客户体验需求，优化意图识别、多轮对话管理、业务流程自主规划，实现“少交互、快响应、准解答”
4. 协同逻辑：前端作为衔接核心，实现SOP流程与Agentic智能的动态联动，既不突破企业流程底线，也不牺牲客户交互体验
前端落地实践：平衡体验与流程的全链路实现
1. 前端架构设计：构建“流程管控+体验优化”双核心架构，实现SOP引擎与Agentic智能体的高效通信、状态协同
2. 核心模块实现：客户体验侧（多轮对话组件、个性化适配、快速响应交互）；企业流程侧（SOP流程可视化、合规节点校验、操作链路追溯）
3. 双向优化：客户体验优化（加载提速、多终端适配、交互简化）；企业流程优化（敏感信息脱敏、流程日志留存、合规校验兜底）
典型业务场景落地：体验与流程的平衡实践案例
1. 保险咨询与理赔指引：SOP规范理赔流程、保障合规，Agentic简化咨询流程、引导材料上传，实现“流程不缺位、体验不打折”
2. 落地效果：客户交互时长缩短、满意度提升，企业流程合规率100%、运营成本下降的量化数据呈现
未来展望：持续深化体验与流程的双向平衡
1. 体验升级：前端视角下的个性化交互、情感识别，进一步简化客户操作，提升交互舒适度
2. 流程优化：结合RAG与大数据，实现SOP流程的动态适配，兼顾企业管控与客户体验效率
3. 行业延伸：将“体验+流程”平衡模式适配更多金融细分场景，打造全链路、双兼顾的金融AI客服解决方案
听众收益
1. 明确金融AI客服中“客户体验与企业流程”的核心矛盾，掌握“微流程SOP+Agentic”的平衡设计思路。
2. 获取兼顾客户体验与企业流程的前端落地方案，掌握核心模块实现、交互优化与流程管控的关键技巧。
3. 借鉴典型业务场景中“体验与流程双向平衡”的实践经验，可直接复用相关技术方案与组件设计。
4. 了解金融AI客服在“体验优化+流程管控”方向的未来发展趋势，为自身项目迭代提供参考。
张栋
智能体框架：能力演进及安全深度解析
腾讯 研发/安全专家，悟空研发安全负责人
拥有 10+ 年平台研发与架构经验，先后负责大数据、网络、主机、代码、软件供应链等多个基础安全产品的设计与落地，参与多项研发与安全领域国家标准制定。
当前专注于 AI Agent 安全与大模型供应链安全方向，在腾讯内部主导多个 AI 原生安全场景的前沿探索与规模化应用，致力于构建面向智能体时代的安全基础设施。
当前专注于 AI Agent 安全与大模型供应链安全方向，在腾讯内部主导多个 AI 原生安全场景的前沿探索与规模化应用，致力于构建面向智能体时代的安全基础设施。
议题背景：
从 Chat 到 Act，AI 正在从"对话助手"进化为"自主行动者"。无论是席卷个人效率的 AI 助手，还是企业级多智能体协作系统，当我们赋予 Agent 调用工具、操作环境、跨系统协作的能力时，一个关键问题浮出水面：除模型外，还有什么值得我们关注？
本次分享将从研发安全视角，横跨个人助手、生产级编排、编程 Agent 三大类框架，拆解其源码架构与安全设计差异，揭示每一次能力跃迁背后的攻击面扩张，并给出核心判断：Agent安全 ≠ 外挂防护层，而应是框架原生的安全能力。 选框架 = 选安全架构——帮你看清选择背后的代价与机会。
从 Chat 到 Act，AI 正在从"对话助手"进化为"自主行动者"。无论是席卷个人效率的 AI 助手，还是企业级多智能体协作系统，当我们赋予 Agent 调用工具、操作环境、跨系统协作的能力时，一个关键问题浮出水面：除模型外，还有什么值得我们关注？
本次分享将从研发安全视角，横跨个人助手、生产级编排、编程 Agent 三大类框架，拆解其源码架构与安全设计差异，揭示每一次能力跃迁背后的攻击面扩张，并给出核心判断：Agent安全 ≠ 外挂防护层，而应是框架原生的安全能力。 选框架 = 选安全架构——帮你看清选择背后的代价与机会。
内容大纲：
1. 从 Chat 到 Act ：大模型与智能体的能力演进
1.1 从对话到行动：AI 范式的三次跃迁
1.2 能力跃迁背后的攻击面扩张
1.3 为什么现在是智能体框架爆发的关键节点
2. 智能体框架拆解 —— 从个人助手到生产级系统
2.1 个人助手 Agent：离用户最近、增长最快的智能体形态
2.2 编排平台与编程 Agent：从低代码搭建到自主研发协作
2.3 生产级编排框架：四种主流设计哲学
2.4 框架选型：能力、场景与安全维度的综合权衡
3. 智能体安全深度解析 —— 从外挂防护到原生安全能力
3.1 Agent 安全基础设施：当前缺什么
3.2 从 Web 安全演进看 Agent 框架的必经之路
3.3 智能体时代的核心安全原语
3.4 未来趋势
听众受益：
1. 建立完整的智能体框架认知地图
系统理解 AI 从大模型对话到自主行动的演进路径，掌握个人助手、编排平台、编程 Agent 与生产级框架的核心差异，快速判断不同框架适合的业务场景。
2. 看清智能体能力背后的安全风险
从研发安全视角识别 Agent 在工具调用、长期记忆、插件生态、多智能体协作中的关键攻击面，理解为什么"智能体越强，安全边界越重要"。
3. 获得面向落地的框架选型与安全建设思路
掌握从能力、场景、安全三维度评估智能体框架的方法，了解未来 Agent Security Framework 的演进方向，为企业级智能体建设提供可落地的决策参考。
尚卓燃
当数据库开始承载 Agent 运行过程：Harness、数据闭环与可扩展性
ASF Member，OceanBase 技术专家
Apache 软件基金会 Member，开源工程师，长期关注数据基础设施、开源生态与生成式 AI 的结合。目前在 OceanBase 关注数据库与智能应用基础设施方向，探索数据库原生 Agent Harness、Agent Runtime 数据管理与智能体工程实践。他也是 Agent Client Protocol（ACP）的早期贡献者，参与推进 Agent 与客户端、工具及运行环境之间的开放协作协议建设。过去的技术实践覆盖云原生数据仓库、GraphRAG 与大模型应用等方向。曾多次在 ApacheCon Asia、PyCon China、Rust China Conf 等技术会议分享开源基础设施、数据系统与 GenAI / Agent 工程相关主题。
议题背景：
如果把模型比作一匹马，那么 Harness 就是人驾驭它抵达目的地所需要的一整套东西：缰绳、马鞍、路线、反馈、记录和训练方法。
在 Agent 场景里，模型本身并不等于一个可持续运行的系统。真正让 Agent 能在团队和产品中稳定工作的，是围绕模型构建的上下文管理、工具调用、状态记录、运行轨迹、调试回放、评测反馈和数据闭环。
这次分享会围绕 Agent Harness 的数据闭环与可扩展性展开：当 Agent 从一次性的任务调用走向长期运行的基础设施，如何设计这套“驾驭模型”的系统，如何扩展工具、渠道、模型和运行环境，以及如何把每一次运行过程自然沉淀为可查询、可回放、可评测、可训练的数据资产。
本次演讲会结合现有 Agent 系统中运行时数据碎片化的问题，以及 OceanBase 开源团队在 AgentSeek 中对数据库原生 Agent Harness 的探索，讨论：当数据库不再只是保存业务结果，而是直接承载 Agent 的运行过程时，下一代智能应用基础设施可能会长什么样。
如果把模型比作一匹马，那么 Harness 就是人驾驭它抵达目的地所需要的一整套东西：缰绳、马鞍、路线、反馈、记录和训练方法。
在 Agent 场景里，模型本身并不等于一个可持续运行的系统。真正让 Agent 能在团队和产品中稳定工作的，是围绕模型构建的上下文管理、工具调用、状态记录、运行轨迹、调试回放、评测反馈和数据闭环。
这次分享会围绕 Agent Harness 的数据闭环与可扩展性展开：当 Agent 从一次性的任务调用走向长期运行的基础设施，如何设计这套“驾驭模型”的系统，如何扩展工具、渠道、模型和运行环境，以及如何把每一次运行过程自然沉淀为可查询、可回放、可评测、可训练的数据资产。
本次演讲会结合现有 Agent 系统中运行时数据碎片化的问题，以及 OceanBase 开源团队在 AgentSeek 中对数据库原生 Agent Harness 的探索，讨论：当数据库不再只是保存业务结果，而是直接承载 Agent 的运行过程时，下一代智能应用基础设施可能会长什么样。
内容大纲：
1. 从模型到 Harness：为什么需要被“驾驭”
1.1 模型不是系统，Harness 才是运行时：上下文、工具、状态、权限、记忆、反馈共同构成 Agent 的可持续运行基础。
1.2 Harness 的核心职责：把提示词、工具调用、任务流程、运行轨迹和调试能力组织成稳定的工程系统。
1.3 生产级 Agent 的真正难点：不是单次回答有多聪明，而是长期运行中能否可控、可观测、可复盘、可演进。
2. 从 Bub 看 Agent Harness 的运行形态：可扩展性和数据沉淀
2.1 Hook-first 的可插拔运行管线：模型、工具、渠道、提示词和技能都可以被替换、组合和扩展。
2.2 把运行过程变成可追溯上下文：消息、工具调用、事件、反馈如何沉淀，支持回放、分支与协作。
2.3 Harness 的扩展边界：从单 Agent 扩展到多模型、多工具、多渠道、多团队协作和持续迭代。
3. 从 AgentSeek 看数据库原生 Harness：数据闭环如何形成
3.1 运行过程不应散落在日志、Trace 和临时文件里：Agent 的上下文、任务、记忆、工具调用、反馈和评测需要统一的数据底座。
1.1 模型不是系统，Harness 才是运行时：上下文、工具、状态、权限、记忆、反馈共同构成 Agent 的可持续运行基础。
1.2 Harness 的核心职责：把提示词、工具调用、任务流程、运行轨迹和调试能力组织成稳定的工程系统。
1.3 生产级 Agent 的真正难点：不是单次回答有多聪明，而是长期运行中能否可控、可观测、可复盘、可演进。
2. 从 Bub 看 Agent Harness 的运行形态：可扩展性和数据沉淀
2.1 Hook-first 的可插拔运行管线：模型、工具、渠道、提示词和技能都可以被替换、组合和扩展。
2.2 把运行过程变成可追溯上下文：消息、工具调用、事件、反馈如何沉淀，支持回放、分支与协作。
2.3 Harness 的扩展边界：从单 Agent 扩展到多模型、多工具、多渠道、多团队协作和持续迭代。
3. 从 AgentSeek 看数据库原生 Harness：数据闭环如何形成
3.1 运行过程不应散落在日志、Trace 和临时文件里：Agent 的上下文、任务、记忆、工具调用、反馈和评测需要统一的数据底座。
3.2 数据库开始承载 Agent 运行本身：AgentSeek 探索把 Harness 直接构建在数据库之上，让运行轨迹天然可查询、可回放、可分析。
3.3 从运行记录到智能应用的数据闭环：每一次执行都沉淀为调试、评测、优化和训练的数据资产，推动 Agent 系统持续进化。
3.3 从运行记录到智能应用的数据闭环：每一次执行都沉淀为调试、评测、优化和训练的数据资产，推动 Agent 系统持续进化。
听众受益：
1. 第一，理解 Agent Harness 为什么是生产级 Agent 的核心，而不是外围工程；
2. 第二，理解如何把上下文、运行轨迹、工具调用和反馈统一成可扩展架构；
3. 第三，理解数据库原生 Harness 如何把每一次 Agent 运行自然沉淀为可查询、可回放、可评测、可训练的数据资产。
1. 第一，理解 Agent Harness 为什么是生产级 Agent 的核心，而不是外围工程；
2. 第二，理解如何把上下文、运行轨迹、工具调用和反馈统一成可扩展架构；
3. 第三，理解数据库原生 Harness 如何把每一次 Agent 运行自然沉淀为可查询、可回放、可评测、可训练的数据资产。
李伟山
Agent 编排框架选型 和 AI 工程的 CI/CD：
从模型发版到 Skill 灰度的完整流水线
科大讯飞高级AI架构师
江湖人称“山哥”，在人工智能、数字化、电商与金融等领域积累了丰富的平台架构设计经验，擅长组建产品研发团队、塑造部门文化，乐于分享并致力于提升团队效能，打造学习型技术团队。公众号：“技术方舟”主理人。出版《架构宝典》《程序员的三门课》《性能之道》。
议题背景：
AI 发版变量不止代码，还含模型版本/参数、System Prompt、Tools、Skills、MCP Server、评测集与数据等多源变更，回滚与灰度机制各异，需拆分通道独立治理。CI 用分层 Eval Gate（Tier A 必过、n_runs 控制不确定性）并做成本/延迟与影响范围分析。
AI 发版变量不止代码，还含模型版本/参数、System Prompt、Tools、Skills、MCP Server、评测集与数据等多源变更，回滚与灰度机制各异，需拆分通道独立治理。CI 用分层 Eval Gate（Tier A 必过、n_runs 控制不确定性）并做成本/延迟与影响范围分析。
内容大纲：
1. AI 系统的变更源
1.1 八类变更源
1.2 八类变更源的特性差异
1.3 一个被严重低估的反模式
2. CI 阶段
2.1 传统 CI 三件套 + AI 三件套
2.2 Eval Gate：分层卡，不一刀切
2.3 增量评测：只跑相关 case
2.4 通过率而非单次通过
2.5 Cost / Latency 预算检查
2.6 变更范围分析
3. 发版策略
3.1 传统灰度：百分比是核心
3.2 AI 灰度：维度比传统多得多
3.3 推荐的灰度阶段
3.4 灰度期间盯什么
3.5 自动化的"灰度推进"
4. 模型版本
4.1 锁定 snapshot，不要用 alias
4.2 但 snapshot 也会被废弃
4.3 模型升级的标准流程
4.4 多模型并存的策略
5. Prompt 与 Skill 的发版
5.1 Prompt 是代码，不是配置
5.2 Skill 发版：按 stability 分级
5.3 多 Skill 同时变更的难题
5.4 Prompt / Skill 的快速回滚
6. MCP Server 发版
6.1 MCP Server 发版的特殊性
6.2 Registry 的版本声明
6.3 MCP Server 灰度策略
6.4 Tool Schema 变更：最棘手的变更
7. 数据变更
7.1 哪些算"数据变更"
7.2 数据变更的版本化
7.3 评测集自己也要版本化
7.4 数据回滚的现实困难
8. 回滚
8.1 回滚的真实难题
8.2 回滚分类
8.3 回滚演练
8.4 回滚后的复盘
9. 十大反模式
AP1：把所有变更混在一次发版
AP2：用 alias 而非 snapshot 指定模型
AP3：把 prompt 当配置改
AP4：CI 只跑单测，不跑 eval
AP5：单次跑 eval 就下结论
AP6：灰度只看绝对数字
AP7：MCP Server 用 latest 标签
AP8：数据变更没版本化
AP9：没演练过回滚
AP10：回滚后不复盘
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
