浙江大学计算机硕士，蚂蚁金服高级技术专家，数据研发平台技术负责人。深耕数据平台多年，擅长数据研发平台（集成、离线、实时）和数据分析平台的建设，现阶段主攻非结构化数据研发和数据研发Agent两大领域。前后建设过的两款平台在公司内部累计MAU超越5万。

内容大纲：
1. 为什么数据Agent是“地狱级"难度?(问题定义)
2. 通过双轨制同步支撑探索型与生产型入口(探索型vs生产型)
3. 六层架构:不只是分层，而是信任契约(方法论)
4. 样板间实战:当Agent接管数据生产(落地案例)
5. 未来已来:数据飞轮与Digital Worker(趋势展望)

记忆张量-解决方案架构师，专注于 AI 记忆产品在企业场景中的落地。
作为一线 AI 实践者，聚焦在"如何让 AI 真正用起来"这件事上。在记忆张量，负责将团队自研的 AI 记忆系统 MemOS 与 Agent 平台ClawForce对接到客户的真实业务中，目前已成功落地多个行业项目，沉淀了从需求洞察、方案设计到交付实施的完整经验。
对 AI 前沿技术保持高度热情，是各类 AI 软硬件产品的重度用户与深度玩家，习惯在第一时间体验、拆解并思考它们如何与企业场景结合。希望能在论坛与各位同好交流——无论是关于 AI 记忆、Agent 落地，还是新一代 AI 产品形态，都欢迎多多探讨。

内容大纲：
1.记忆张量团队介绍
2.MemOS系统介绍
3.MemOS基础功能
4.MemOS高阶能力
5.MemOS解决方案-情感陪伴
6.MemOS解决方案-智能硬件
7.MemOS解决方案-AI客服
8.MemOS解决方案-企业知识库
9.ClawForce产品介绍
10.ClawForce交付方案

听众受益：
1. 弄清"上下文窗口 ≠ 长期记忆"，理解记忆工程在 Agent 架构中的位置与边界，掌握记忆高阶能力属性树（构建用户画像）、事件记忆、多视角记忆等关键设计的工程化思路。
2. 看清 Agent 从"Demo 惊艳"到"生产可用"的真实路径，   收获一份可复用的企业级 Agent 落地 checklist。
3. 学到 Skill 范式如何在「不能用大模型、必须私有化、信创受限」等   高合规场景中让 Agent 真正跑起来。
4. 拿到企业级 Agent 平台的五大能力清单——部署、经验沉淀、人效度量、   系统对接、安全治理，可直接作为选型与自建的参考框架。
5. 收获一套"底座 + 平台"双轮驱动的方法论，理解长期记忆如何反哺业务，   组织经验如何沉淀为可复用的 AI 资产。

内容大纲：
1. 背景与挑战：企业知识检索的“最后一公里”困境
    1.1 当前主流检索方式的局限性分析
    1.2 空间/全文检索：范围不可控，逻辑不透明，无法处理复杂多轮对话。
    1.3 传统向量检索（RAG）：依赖切片质量，存在“语义幻觉”，难以应对长文档截断与数量不确定性问题。
    1.4 知识图谱检索：构建成本高，查询门槛高（需特定语句），对节点内细节检索能力弱。
    1.5 核心痛点归纳
          1.5.1 查不准：  Embedding技术上限导致语义匹配偏差，无法精准定位特定业务场景文档。
          1.5.2 查不全： 固定工作流（Workflow）无法动态判断检索次数与范围，导致关键信息遗漏。
         1.5.3 人机Gap： 缺乏可解释的检索过程，用户无法信任或干预AI的查找逻辑。
2. 核心理念：索引树与智能体的双重驱动
    2.1 愿景目标：极简、白盒化、可配置的知识检索
          2.1.1 从“黑盒”向“白盒”转变：检索范围可见、检索逻辑可配、检索过程可溯。
          2.1.2 组装式架构：支持MCP（模型上下文协议）插拔，灵活适配数字员工、IM群聊及各类智能体前端。
    2.2 关键技术一：索引增强树（Index-Enhanced Tree）
          2.2.1 构建机制： 自动化抽取iCenter/文档系统的层级目录，利用大模型生成“叶子节点摘要”与“父节点聚合摘要”。  
         2.2.2 核心价值： 为AI提供类似人类的“目录导航图”，使其在检索前即可预判内容分布，支持“浏览-钻取-阅读”的拟人化操作。
    2.3 关键技术二：ReAct智能体动态推理
          2.3.1 从Workflow到Agent： 摒弃固定流程，采用“思考-行动-观察”循环，由模型自主决定检索深度与广度。
          2.3.2 分层查询策略： 结合索引树结构，实现“先定范围、再精确定位、最后原文验证”的闭环逻辑。
3. 产品演进与实践路径
    3.1 演进路线回顾
          3.1.1 1.0时代（技术底座）： 单项目定制脚本，人工配置MCP，仅解决有无问题。
          3.1.2 2.0时代（功能增强）： 优化算法但缺乏通用性，仍依赖项目级定制，推广难度大。
          3.1.3 3.0时代（产品化）： “索引树”产品成型，前后端全面升级，支持用户自助配置、白盒化检索与多场景复用。
     3.2 典型应用场景落地
           3.2.1 个人办公助手： 日报追踪、私有知识库问答，打造“每个人的私人专家”。
           3.2.2 团队研发提效：
                   存量特性树重构：辅助编写新特性文档，采纳率从40%提升至80%。
                   故障诊断辅助：基于硬件中心与波分中心的故障案例库，实现精准定位。
    3.3 复杂规范问答： 有线院顶层知识规范解读，开放性问题回答准确率达90%以上。
    3.4 本地文档深度检索： 单板说明书等长文档解析，解决召回截断问题，支持图文回填。
4. 应用价值与未来展望
    4.1 量化收益展示
          4.1.1 效率提升： 特性编写效率提升50%（1天缩短至0.5天），检索准确率提升20%-30%。
          4.1.2 质量保障： 突破个人经验局限，实现文档输出的标准化与规范化。
          4.1.3 用户体验： 支持多轮交互修正，检索过程透明可视，用户信任度显著增强。
    4.2 生态定位与推广计划
          4.2.1 解耦与集成： 既可作为独立MCP服务嵌入现有系统，也可依托兴小秘等平台快速部署。
          4.2.2 未来规划： 探索自适应索引构建、Codebase代码域检索对接，以及更深度的“数字化+平台化”人机协作模式。

听众收益：
1. 掌握前沿落地方案： 获取一套经过大规模实战验证的、解决大模型“幻觉”与“检索不准”问题的企业级架构思路。
2. 理解人机协作新范式： 学习如何从“固定流程自动化”转向“智能体自主决策”，显著提升复杂任务的处理效率。
3. 获得可复用的方法论： 借鉴“索引树”构建与“白盒化”配置经验，低成本快速搭建适合自身业务的知识检索系统。
4. 明确数字化转型路径： 洞察如何通过知识工程与大模型的深度融合，打破数据孤岛，实现组织知识的沉淀与复利。

任职在有线研究院数据系统部，负责有线院和数据研发中心需求过程改进。有线院方案设计域AI应用负责人。
软件工程本硕，数通产品15年以上工作经验。目前专注于需求工程和系统设计，将大模型、知识工程、多智能体落地到研发场景，推动研发提效。

本次分享围绕需求分析支撑测试、方案设计支撑开发，构建知识工程（向量库、知识图谱与记忆机制）与 Harness（编排、Hook、原则与评审约束）协同的多智能体体系，覆盖研发全链路场景、需求、特性、组件、代码、用例、故障等知识关联。通过多智能体并发协作完成分析与设计，实现存量知识结构化沉淀；针对不同需求类型提供差异化路径，兼顾架构可靠性、兼容性等质量属性，形成可落地的智能化研发实践。

一、报告引言
1. 大模型应用发展趋势：从单一对话转向多智能体协作
2. 多智能体系统工作记忆核心构成
3. 当前主流推理架构存在的核心技术痛点
4. 报告研究核心方向与价值意义
二、多智能体推理核心技术瓶颈分析
1. 多智能体工作记忆体量庞大的问题
2. 独立文本请求推理模式的缺陷
3. 重复上下文无意义Prefill计算的危害
4. 显存碎片化与端到端高延迟问题根源
5. 多智能体系统规模化发展的核心瓶颈
三、记忆感知优化核心思路与Mooncake框架概述
1. 全新优化视角：KVCache作为智能体物理工作记忆载体
2. 框架核心设计理念：打破计算与存储强耦合
3. Mooncake框架定位：以KVCache为中心的开源大模型服务框架
4. 框架核心目标：实现智能体记忆一次计算、全局共享
四、Mooncake框架核心架构设计
1. 分离式推理架构：Prefill与Decode解耦
2. 全局共享KVCache池构建方案
3. 跨节点底层张量零拷贝技术实现
4. 智能体记忆高效复用机制原理
五、Mooncake框架关键技术实践与挑战剖析
1. 基于记忆感知的请求调度路由策略
2. 显存中长短记忆动态分层管理方案
3. 智能体记忆淘汰机制设计与实现
4. 高并发场景下系统吞吐极限优化方法
六、技术实践结论与行业启示
1. Mooncake框架技术实践核心成果总结
2. 多智能体时代Agent Memory建设核心结论
3. 底层记忆流转对算力与智能潜能的释放价值
4. 未来多智能体推理优化技术发展方向
七、报告总结
1. 多智能体推理优化核心关键点回顾
2. 开源框架实践对行业发展的推动作用