京东零售基于 Multi-Agents 理念搭建的商家助手大模型在线推理服务架构，打通数据系统、算法系统和业务系统，不仅能够帮助商家快速了解平台规则、优化经营策略，还能通过自然语言交互提供个性化、多轮次的即时沟通服务，以及端到端的 Tools 调用执行服务。这一系统的核心是算法层基于 ReAct 范式定制多个 LLM AI Agents，每个 Agent 都有专门业务角色和服务功能，可以调用不同的工具或多 Agent 协同工作来解决相应的问题。

演讲提纲：

1. 商家经营：从多角色协作现实空间到 Multi-Agent 算法空间

2. ReAct 构建与 Multi-Agent 架构

• ReAct Agent
• Multi-Agent workflow
• 架构小结与展望

3. 商家智能助手：落地技术难点

• 落地进程
• ReAct SFT：垂域样本构建
• 复杂输入下的 Thought 训练
• 全链路监控

4. 落地技术规划

听众收益：

• 了解 Multi-Agent 如何模拟真实的商家经营
• 了解 ReAct 范式的 Multi-Agent 在线推理架构
• 了解 Agent 落地垂域的样本、训练与评估监控的方法

随着人工智能技术的飞速发展，大模型已成为推动智能系统科技进步的关键力量。本次演讲将深入探讨具身智能领域从 GPT-4V 到端到端具身大模型的发展过程和最新进展。首先，演讲将从以 GPT-4V 为核心的集成式智能体系统出发，探讨其如何通过集成不同模块和功能，实现更加灵活和高效的具身智能体。其次，演讲将更一步地探索如果训练端到端的具身智能大模型，实现端到端可泛化的指令理解，任务规划和指令执行。最后，演讲将展望未来，探讨多模态大模型在开放语义具身操作和导航领域的发展潜力及面临的挑战。

演讲提纲：

1. 大模型和具身智能领域的最新进展

2. 以 GPT-4V 为核心的集成式具身智能体

3. 端到端具身大模型智能体

4. 具身大模型智能体潜力展望与挑战

听众收益：

• 了解大模型和具身智能领域的前沿技术和成果
• 了解多模态大模型和具身智能相结合的发展新思路
• 展望具身大模型潜力与挑战

方案痛点：

• 具身智能领域基础知识
• 多模态大模型基础知识

演讲内容打磨中……

对企业而言，构建统一知识管理体系对企业发展至关重要，它在传承内部经验、管理企业知识、减少信息重复生产等方面成效显著。结合大模型 AI 技术的知识库，则赋予了这一管理体系智能化的生命力，使其能实时整合、精准分析各类知识资源，为企业的创新发展提供强有力的支持。本次分享将介绍金山办公在 AI 知识库业务上的一些实践经验，包括 AI 在知识库的落地场景、技术架构设计、RAG 技术、大模型踩坑和调优、技术演进等方面内容。

应用于呼叫中心的语音机器人是在互联网金融等等许多领域广泛采用的用户触达工具，它利用AI能力实现了和大批量用户的自动化交互，以达成业务的各种任务目标，如信息送达、营销、身份核实贷后管理等。

大模型技术在多个领域，特别是自然语言处理能力、对话方面，能力水平上有了质的飞跃，这给语音机器人的能力提升带来了巨大的想象空间。本次演讲将概括梳理信也的语音机器人领域的一些大模型应用的尝试，来展示大模型技术对传统上较为成熟的AI应用领域带来的变革。

在复杂的业务场景下，语音机器人不是独立工作的，它的上下游有很多环节，如呼叫和策略模块，对话分析和效果评估模块，质检和标注模块等等。大模型的作用是在合适的场景下，从效率、成本、效果和能力方面对原语音机器人的生态进行升级。通过一年多的实践，大模型的作用是被实践验证了的，并且仍然在持续加速迭代，拥有广阔的前景。

演讲提纲：

1. 大模型在传统建模方面带来的变革

• 快速搭建特征抽取工程、NLU 方面的功能，
• 大模型可以快速适配多种 NLP 任务，实现自动标注、以辅助模型训练
• 对话结论支持策略选择

2. 大模型在对话方面带来变化

• 大模型经对话微调后，进行直接对话服务
• 大模型如何利用历史数据、知识和对话历史训练坐席的模型
• 大模型对话管理的能力
• 大模型在座席对话质检、培训中作用

3. 大模型在语音处理上带来的变化

• 大模型训练 ASR
• 大模型 TTS 模型的作用
• 语音和文本的多模态模型

4. 大模型和 AIGC 技术给原 AI 框架带来革新的动力

• 开拓新场景、新语言、新功能的加速
• 大模型简化 AI 开发成本和开发逻辑带来的好处

听众收益：

• 从互金的一个赛道（语音机器人），可以管窥整个互金行业和 AI 技术的深度融合程度
• 系统地了解大模型在落地实践中的关键点，给实际业务带来的增益的方法论

方案痛点：

• 大模型在实际应用的问题是从通用能力到特定业务能力转变的过程中，有效果的损失、成本的升高、甚至在具体指标上还是落后于传统 AI 建模的效果，因此，找准大模型的落地点，以及和传统 AI 的结合，仍是一个长期的任务