专场出品人：柴思远
智谱副总裁
大数据算法技术专家，组建智谱解决方案团队，成功推动了大模型技术在多领域的突破性应用。深耕AI技术与企业智能化转型，带领团队与美团、360、金山、小米、小鹏、大众、荣耀等知名企业展开深度合作，为重点大模型项目落地提供强有力的技术解决方案，助力其实现智能化升级与业务创新。历任大搜车数据中台负责人，妙计旅行数据产品负责人，搜狗自然语言研究员等。
专场：垂直行业智能体应用
.......
张瀚文
破局“千厂千面”：基于多智能体协同与云边一体化的工业AI实践
中兴通讯 算法工程师
网元智能化与多智能体架构专家，致力于引领大模型多智能体协同与云边一体化技术在工业柔性制造领域的创新应用。主导构建了“业务智能体化”与“基础设施轻量化”的双轮驱动架构，并高效攻克了工业场景数据隐私、实时性及高昂算力成本的落地难题。有力推动了AI在工艺解析、柔性编排、质量安防等核心产线场景的规模化部署，为“千厂千面”的智能制造打造安全、敏捷、高效的工业AI新范式。
议题背景
面对工业柔性制造需求爆发与“千厂千面”的定制化挑战，传统AI应用深陷数据隐私、边侧时效性与高昂成本的“三座大山”。本次演讲将提出以“多智能体协同”重塑业务流程、以“云边端一体化”重塑部署架构的工业AI新范式。
我们将深入剖析知识助手、智能标注、智能编排、质量控制与行为分析等多智能体在复杂工业场景中的协同作战能力；并重点探讨如何通过“边缘分布式集群”与“大小模型协同”，跨越数据安全与实时性的鸿沟。最终，为行业展现一条大模型从“单点技术炫技”走向“规模化商业落地”的全栈智能化解决路径。
面对工业柔性制造需求爆发与“千厂千面”的定制化挑战，传统AI应用深陷数据隐私、边侧时效性与高昂成本的“三座大山”。本次演讲将提出以“多智能体协同”重塑业务流程、以“云边端一体化”重塑部署架构的工业AI新范式。
我们将深入剖析知识助手、智能标注、智能编排、质量控制与行为分析等多智能体在复杂工业场景中的协同作战能力；并重点探讨如何通过“边缘分布式集群”与“大小模型协同”，跨越数据安全与实时性的鸿沟。最终，为行业展现一条大模型从“单点技术炫技”走向“规模化商业落地”的全栈智能化解决路径。
内容大纲：
1. 引言：工业智能化的落地鸿沟与破局之道
1.1 业务痛点：柔性制造需求爆发与“千厂千面”定制化的深渊
1.2 落地鸿沟：横亘在ToB行业的“三座大山”（数据隐私保护、边侧低时延、算力与运维高昂成本）
1.3 破局范式：以“多智能体协同”重塑业务流，以“云-边-端一体化”重塑基础设施
2. 知识与数据：打破工业敏感数据壁垒与小样本困境
2.1 知识助手智能体：基于多模态图表识别，化解复杂工艺文档与图纸的理解难题
2.2 智能标注智能体：破解工业缺陷样本稀缺困境，实现智能批量标注与数据飞轮
3. 柔性编排：应对高频换线的大模型智能编排
3.1 核心挑战：产线频繁换型与传统AI应用开发周期长、成本高的矛盾
3.2 智能编排智能体：大模型驱动算子组合自动编排，低代码泛化解决复杂长尾场景
4. 质量与安防：边缘受限算力下的高实时性多模态分析
4.1 质量控制智能体：打通检验数据与工艺知识库，自动化生成深度的溯源与分析报告
4.2 行为分析智能体：安防巡检与复杂装配动作的多模态实时捕捉与预警
5. 架构创新：跨越隐私与成本障碍的规模化推广路径
5.1 部署困境：行业大模型如何兼顾数据绝对隐私、毫秒级时效性与成本控制？
5.2 破局方案：基于边缘分布式集群的“云-边-端协同”架构落地
5.3 协同演进：“云端大模型统筹+边缘小模型推理”的大小模型协同实践
6. 总结：工业AI新范式的未来展望
6.1 双轮驱动：“业务智能体化”与“基础设施轻量化”如何加速商业变现
6.2 终局思考：算网一体架构赋能智能制造的演进路线
听众受益
6. 总结：工业AI新范式的未来展望
6.1 双轮驱动：“业务智能体化”与“基础设施轻量化”如何加速商业变现
6.2 终局思考：算网一体架构赋能智能制造的演进路线
听众受益
深入理解“云端统筹大模型+边缘推理小模型”的算网一体化创新，破解制造企业最深的隐私与成本焦虑。
吴冕
OptiX供应链规划智能体——从自然语言到可执行决策方案
京东物流运营 AI 算法专家
京东物流运营 AI 算法工程师。毕业于同济大学，博士主攻方向为运筹优化和智能决策。目前负责京东物流供应链决策大模型OptiX的算法研发，包括供应链规划垂域端到端决策大模型、自动建模Agent、智慧员工等。
议题背景：
在供应链复杂决策场景中，传统运筹优化方法严重依赖专家经验，建模周期长、方案可解释性差，难以满足业务快速变化的需求。随着大语言模型能力的突破，如何让 AI 真正理解业务需求、自动构建数学模型、生成可落地的优化方案，成为工业界与学术界共同关注的焦点。本次分享将聚焦物流规划垂直领域Agent——OptiX的技术细节与工业级落地实践。以自然语言驱动端到端方案生成，实现一站式智能决策，大幅提高供应链规划方案质量和方案交付效率。
内容大纲：
1. 痛点与机遇：为什么供应链规划需要智能体？
1.1 传统方法的困境：专家依赖、周期长、可解释性差
1.2 业务痛点：需求多变、场景复杂、交付效率低
1.3 大语言模型的突破机遇：自然语言理解 + 推理能力
2. OptiX 产品矩阵：三版本能力全景
2.1 OptiX-lite：售前方案推荐，秒级响应
2.2 OptiX-flash：快速诊断优化，分钟级响应
2.3 OptiX-pro：精确求解交付，生产级输出
3. OptiX-flash 技术解析：端到端方案生成的智能体
3.1 整体架构：问题理解 → 初始解生成 → 迭代优化 → 方案输出
3.2 七大核心技能拆解：诊断分析、可解释启发式算子
3.3 策略演进引擎：规则引擎 → SFT → RL分层学习框架
4. OptiX-pro 技术解析：自动建模与精确求解
4.1 从业务需求到数学模型：问题识别、约束提取、目标定义
4.2 LPSM分层技能库 + OCCG约束完整性保障
4.3 自我校验：step-level + solution-level verifier保障落地
5. 工业落地案例与业务价值
5.1 落地应用案例：实际业务场景案例 + 业务价值量化
5.2 组织能力升级：知识资产沉淀 + 规模化复制
听众受益：
1. 掌握垂直领域智能体的架构设计方法论：从需求理解到方案输出的完整技术链路，可直接借鉴到其他复杂决策场景
2. 了解分层学习框架的设计思想：如何设计可迭代的智能体能力升级路径，从规则到学习的平滑演进，让大模型具备领域专家能力
3. 获得工业级落地的实战经验：真实业务指标提升案例，包括方案交付效率、采纳率、准确率的量化成果
李恒
从个人 Agent 到教育客户级 Agent：面向教育 SaaS 的 Agent Hub 实践
科大讯飞 高级系统架构师
来自科学讯飞教育技术团队，任职高级系统架构师，长期深耕高并发教育系统架构与大模型工程化方向。在大型复杂系统领域，完成核心考试系统全链路架构优化，将单场考试试题量提升至亿级，保障大规模高并发场景下的系统可靠性。在大模型应用领域，主导了从0到1的大模型产品技术落地，通过工程化手段显著提升模型效果与成本控制，产品上线后实现规模化应用与商业盈利闭环。目前重点探索 Agent 在教育场景的深度应用与工程化落地——致力于将优秀教师的教学理念与经验封装为可复用的Skills，构建"AI教师"智能体，以标准化、规模化的方式将名师教学能力普惠至更广泛的学生群体，推动因材施教从理念走向现实。
议题背景：
个人 Agent 工具已经证明了大模型具备理解任务、调用工具和操作软件的能力，但要真正服务教育客户，还需要解决生产级安全、权限隔离、资源成本和业务工具接入等平台化问题。
本次分享以科大讯飞教育类产品为背景，介绍我们如何将个人 Agent 能力转化为可服务真实用户的教育 SaaS 软件 Agent，并沉淀为可复用的 Agent Hub 平台能力。
内容大纲：
1. 背景：教育软件的个性化交付难题
1.1 科大讯飞教育类产品与智学网介绍：面向学校、教师和区域管理者的教育 B 端软件平台
1.2 对用户：教学场景需要千人千面的找题、学情分析和教学建议
1.3 对内运营：作战地图、区域分析和客户运营策略持续变化
1.4 基于 Agent Hub 的解决思路：用自然语言 + 业务工具 + 场景 Skills 承接高变化需求
2. 挑战与技术应对策略
2.1 客户级 Agent 的核心挑战：生产级安全、隔离、成本治理、Agent 友好软件能力
2.2 个人 Agent 的启发：参考 OpenClaw、pi-mono 等框架的软件操作能力和 tool-use loop
2.3 平台化应对策略：保留 Agent 执行能力，补齐权限、安全、成本和观测治理
3. 关键技术实现
3.1 整体架构分析：用 Agent Hub 架构统一承载 Agent 定义、运行、工具、接入和观测
3.2 Agent 定义层：通过模型、提示词、工具、Skills 搭积木式组装专家 Agent 模板
3.3 Agent 运行时环境：保障生产环境安全、用户隔离、会话持久化和资源成本可控
3.4 Agent 工具层：把业务 API 封装成 Agent 友好的软件操作工具，支持权限校验、结构化返回和可控副作用
3.5 Agent 接入层：提供统一对外协议，让教师助手、运营分析等不同产品入口以一致方式接入
4. 未来规划
4.1 Agent 自我进化：基于用户行为、采纳反馈和会话轨迹持续优化 Skills、提示词和工具策略
4.2 Agent 友好知识库：建设面向 Agent 检索、理解和调用的结构化知识与业务规则体系
4.3 沙箱容器方案：强化生产环境下的执行隔离、资源配额、网络边界和审计能力
4.4 持续治理体系：建设评测、用量、成本、安全和质量回归监控，让 Agent 平台可持续演进
个人 Agent 工具已经证明了大模型具备理解任务、调用工具和操作软件的能力，但要真正服务教育客户，还需要解决生产级安全、权限隔离、资源成本和业务工具接入等平台化问题。
本次分享以科大讯飞教育类产品为背景，介绍我们如何将个人 Agent 能力转化为可服务真实用户的教育 SaaS 软件 Agent，并沉淀为可复用的 Agent Hub 平台能力。
内容大纲：
1. 背景：教育软件的个性化交付难题
1.1 科大讯飞教育类产品与智学网介绍：面向学校、教师和区域管理者的教育 B 端软件平台
1.2 对用户：教学场景需要千人千面的找题、学情分析和教学建议
1.3 对内运营：作战地图、区域分析和客户运营策略持续变化
1.4 基于 Agent Hub 的解决思路：用自然语言 + 业务工具 + 场景 Skills 承接高变化需求
2. 挑战与技术应对策略
2.1 客户级 Agent 的核心挑战：生产级安全、隔离、成本治理、Agent 友好软件能力
2.2 个人 Agent 的启发：参考 OpenClaw、pi-mono 等框架的软件操作能力和 tool-use loop
2.3 平台化应对策略：保留 Agent 执行能力，补齐权限、安全、成本和观测治理
3. 关键技术实现
3.1 整体架构分析：用 Agent Hub 架构统一承载 Agent 定义、运行、工具、接入和观测
3.2 Agent 定义层：通过模型、提示词、工具、Skills 搭积木式组装专家 Agent 模板
3.3 Agent 运行时环境：保障生产环境安全、用户隔离、会话持久化和资源成本可控
3.4 Agent 工具层：把业务 API 封装成 Agent 友好的软件操作工具，支持权限校验、结构化返回和可控副作用
3.5 Agent 接入层：提供统一对外协议，让教师助手、运营分析等不同产品入口以一致方式接入
4. 未来规划
4.1 Agent 自我进化：基于用户行为、采纳反馈和会话轨迹持续优化 Skills、提示词和工具策略
4.2 Agent 友好知识库：建设面向 Agent 检索、理解和调用的结构化知识与业务规则体系
4.3 沙箱容器方案：强化生产环境下的执行隔离、资源配额、网络边界和审计能力
4.4 持续治理体系：建设评测、用量、成本、安全和质量回归监控，让 Agent 平台可持续演进
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
