专场出品人：
......
......
专场：智能体产品与架构设计
.......
王泽华
AI-3D Agent如何为电商购物注入新动力
京东 AI3D 产品负责人
京东XR/AI产品专家。十年互联网与3D产品经验。前3D领域创业公司负责创新产品与业务负责人，完成多项第二曲线产品与业务打造并最终被上市公司收购。前一线大厂创新业务产品负责人，持续深耕3D、AI与业务的结合方式。目前任京东AI-3D创作平台妙搭等XR业务的产品负责人，通过AI3D与AI-Agent低成本、高效的为电商购物带来3D破窗等新的展示效果
议题背景：
AI-3D Agent在电商领域已经带来了哪些变化，包括AI3D主图展示、AI3D直播、AI3D搭配等；未来还将带来什么变化，包括AI设计师24小时陪伴式0成本完成方案，如AI导购+空间计算从被动等待到主动挖掘需求
内容大纲：
1. 从AIGC到Agentic AI：电商3D内容生产的范式转移
1.1 技术演进：从单点3D模型生成（如3DGS、Object Capture）到多模态交互式Agent的跃升
1.2 核心痛点：传统3D电商工具的“高门槛”与“低流转”问题
1.3 Agentic AI带来的破局：意图理解、工作流编排与自主执行
2. AI-3D Agent 的产品定义与需求主动挖掘
2.1 产品定位：从“提效工具”到“AI陪伴式设计师/导购”的认知转变
2.2 需求挖掘的重构：基于多模态大模型的隐性需求捕获（如何从用户的自然语言或模糊意图中，拆解出精确的3D场景参数或商品属性）
2.3 边界界定：在电商业务中，哪些环节应该交给Agent，哪些环节需要保持Human-in-the-loop（人机协同）
3. 基于Agentic AI的电商3D场景UX设计实践（结合案例）
3.1 意图交互与生成：AI3D主图/场景生成的Prompt UX设计与“所说即所见”反馈机制
3.2 实时决策与呈现：AI3D直播（3D商品+数字人）背后的Agent中枢，如何通过感知弹幕情绪动态调整3D商品展示与话术
3.3 空间理解与推荐：AI3D商品搭配中的多轮交互设计，从“单向推荐”走向“对话式共创”
4. 未来展望：空间计算与Agent融合的下一站
4.1 主动式服务：AI导购从“被动响应”向“全生命周期主动挖掘”进化
4.2 边界拓展：3D Agent在跨平台、跨设备（如Vision Pro等XR终端）中的体验一致性设计
4.3 结语与Q&A
听众受益：
了解前沿技术趋势，了解电商领域既有应用，了解电商领域未来可能发展
彭佩乔
被真实问题逼出来的 Agent 架构
——企业内过万用户 Vibe Coding 平台的工程实战
蚂蚁集团 技术专家
Muse 妙思（Vibe Coding 平台）技术负责人。带领团队从 0 到 1 构建面向企业内部的 AI Coding 平台，21 个工作日完成上线，半年内 MAU 突破万级，月均 token 消耗超 1000 亿。在 Vibe Coding 场景的 Agent 架构设计上有深度实践：从编排式 Workflow 到自主决策的单体智能体、从全量上下文到动态 Memory 管理、从单场景 Agent 到通用型架构统一——每一个架构决策都来自企业内过万用户的真实生产问题。曾在 SEEConf、D2 技术大会、QCon 全球软件开发大会等外部技术会议分享 Vibe Coding 落地经验。
议题背景：
蚂蚁 Muse 是面向蚂蚁集团内部员工的 Vibe Coding 平台，月均消耗超 1000 亿 tokens，过万用户中近半数非技术背景。上线即暴露传统 Agent 架构无法承受的生产级问题：Token 成本失控、长轮次 Agent 失忆、巨型工程改不准、非技术用户"说"不清需求、多场景系统碎片化。本议题不谈理念，只讲战场——每个架构决策都是被问题逼出来的：全量输出→Search/Replace+Cache 治理、全量上下文→持久化索引+精准召回的 Memory 管理、盲目生成→Spec 驱动、独立 Agent→统一中枢调度多专家协作。给出数据、方案和踩过的坑。
蚂蚁 Muse 是面向蚂蚁集团内部员工的 Vibe Coding 平台，月均消耗超 1000 亿 tokens，过万用户中近半数非技术背景。上线即暴露传统 Agent 架构无法承受的生产级问题：Token 成本失控、长轮次 Agent 失忆、巨型工程改不准、非技术用户"说"不清需求、多场景系统碎片化。本议题不谈理念，只讲战场——每个架构决策都是被问题逼出来的：全量输出→Search/Replace+Cache 治理、全量上下文→持久化索引+精准召回的 Memory 管理、盲目生成→Spec 驱动、独立 Agent→统一中枢调度多专家协作。给出数据、方案和踩过的坑。
内容大纲：
1. 我们做了一个什么样的 Vibe Coding 平台（~5min）
1.1 产品定位与核心能力：自然语言对话生成前后端一体网站，四种能力层级（静态页面→自有接口→前后端一体→AI 应用）
1.2 生产数据：企业内过万 MAU、月均超 1000 亿 tokens、生成成功率 99%+、近一半用户非技术背景
以下五个挑战，对应平台演进的五个关键阶段：跑不起 → 记不住 → 改不对 → 猜不准 → 扩不出
2. 挑战一：Token 成本失控——跑不起（~5min）
2.1 问题：重度用户月消耗 ¥5000；AI Coding 场景输入输出比约 200:1，成本大头在输入端
2.2 解法：精准化 Search/Replace 替代全量输出（Token 消耗降低 80%）+ KV Cache 深度优化（内部模型命中率达 90%，60% 命中率即可节省 54% 成本）
2.3 底层原理解释：AI Coding 场景 Cache 命中率天然高——上下文 18k tokens 中仅 ~200 tokens 在变化，不变部分占比 99%
3. 挑战二：超长轮次 Agent 失忆——记不住（~4min）
3.1 问题：百轮对话后 Agent 健忘与逻辑混乱，通用压缩方案意图保留不稳定
3.2 解法：自研 Memory 系统——意图提取 + 持久化索引（上下文消费后仅保留语义索引，需要时精准召回）+ AI 自主决定记忆的加载与释放
4 挑战三：巨型工程改不准——改不对（~4min）
4.1 问题：数千文件项目 Agent 定位迟缓、修改不准
4.2 解法：File Graph 构建文件依赖图谱 + LLMs.txt 工程索引提供全局导航 + 上下文按需调度而非全量载入
5. 挑战四：非技术用户"说"不清——猜不准（~7min） ⭐ 重点
5.1 问题：非技术用户无法精确描述表结构与业务逻辑，AI 盲目生成准确率有上限
5.2 解法：Spec-Driven Development
用户说"我要做个投票" → AI 先生成结构化 Spec（Requirements + Design + Tasks）→ 基于 Spec 再生成代码
用户零门槛：不需要理解 Spec 的存在，AI 自动完成
对比业界普遍需要多轮迭代修正，Spec 驱动显著提升一次生成准确率
在此之上，意图驱动自动建表 + Schema 快照版本链（V1→V2→V3）成为典型场景
6. 挑战五：多场景系统碎片化——扩不出（~5min） ⭐ 重点
6.1 问题：网页/营销/文档/企业版各自独立 Agent，功能和数据不互通，用户体验割裂
6.2 解法：从独立 Agent 到统一中枢调度
统一 Artifact 产物模型 + 元信息驱动产品形态——同一个 Agent 根据场景类型自适应
需要专业能力时，中枢 Agent 自动调度专家——任务完成后专家释放，回到单 Agent
关键设计原则：专家默认空闲（不主动发起对话）、任务驱动拉取（不推送）、五层防无限循环保护（超时、Token 预算等）
7. 架构演进总结：问题驱动的三条主线（~5min）
7.1 Agent：个体层面从编排式 Workflow 到自主决策+Skills 化，系统层面从独立分化到统一中枢+专家调度
7.2 Memory：从全量塞上下文到持久化索引+精准召回+动态加载/释放
7.3 Context：从单文件编辑到工程级索引（File Graph + LLMs.txt）+ 按需调度
8. 案例：非技术用户成为"超级个体"（~5min）
8.1 PMO 同事：纯自然语言 2000+ 轮对话，Vibe 出生产级战役管理平台
8.2 运营同事：零研发资源，全程 Vibe Coding 完成 C 端营销活动，亿级 DAU 场景 0 故障
8.3 这些案例背后的共性：AI 永远替代不了真正的程序员——AI Coding 时代，高级程序员的价值只会更高
9. AI 时代的基建必须天生 Agent 友好（~7min）
9.1 基础设施的受众正在发生根本性转移：从面向 Developer 转向面向 Agent
9.2 四个维度：Interface（保障 AI 会写）、Docs（保障 AI 会用）、llms.txt（流量入口 Token 化）、CLI（不可被 AI 驱动=淘汰）
9.3 AI 时代的软件设计哲学：一切内容都是文件、一切文件都用 Git 管理、一切会话都在 WorkTree 中发生
10. 收尾：面向变化（~3min）
10.1 五个挑战，三条主线，一个方法论：问题驱动的架构演进
10.2 AI 产品的架构师，第一设计优先级是面向变化——三个月后一切可能不同
听众受益：
1. 了解 Vibe Coding / AI Coding Agent 在企业内过万用户真实业务场景下的生产级问题，而非 Demo 级体验
2. 掌握 Token 成本治理（200:1 输入输出比下的 Cache 策略）、长轮次 Memory 管理、巨型工程上下文优化等可复用的工程方案
3. 获得 Spec-Driven Development 的实践经验——如何将非技术用户意图结构化，显著提升 AI 生成准确率
4. 理解多 Agent 协作架构设计——中枢调度+专家模式、Idle-by-default、Pull model 等模式如何在生产场景落地
5. 理解"问题驱动架构演进"的方法论——不是先设计架构再找场景，而是被生产问题逼着演进
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@qecon.com.cn
关注SECon公众号
添加SECon小助手，获取
会议最新资讯
