为保障您的参会权益，本次大会采用人脸识别入场；人脸信息仅用于本次核验，请放心使用

Agent in Practice：千行百业的 Agent 实践

会议室：首府2

出品人：何丹

当Agent技术从理论走向实践，面对娱乐，消费，金融、制造、政务、医疗等不同行业... 展开 >

旗下议题

出品人介绍

Topic 1
蚂蚁阿福：从 0 到生产的医疗 Agent 工程化落地
郭春晓
蚂蚁集团医疗健康资深专家
Topic 2
淘宝闪购：从骑手智能助手业务落地到 Agent 平台化建设
李克华
淘宝闪购高级技术专家
Topic 3
Agent in Practice——从⽀付迁移落地到评测驱动进化
郁丁鑫
PayPal Senior Manager - Software Engineering
耿树朋
PayPal Staff Machine Learning Engineer
Topic 4
从 Copilot 到 DataAgent：企业级智能数据开发治理平台的技术演进和实践
李卓豪
网易智企数帆 EasyData 技术负责人

专题出品人：何丹

网易游戏技术总监

产品型技术人，擅长发掘用户痛点，用技术解决问题。现任网易游戏技术总监，负责大数据，AI 基建和效能平台产研工作，喜欢研究新技术和产品，专注于 Data +AI 领域技术。

地点：首府2

专题：Agent in Practice：千行百业的 Agent 实践

当Agent技术从理论走向实践，面对娱乐，消费，金融、制造、政务、医疗等不同行业的业务痛点、数据壁垒、组织协同难题，一线操盘手如何完成从场景拆解、技术适配到试点落地、规模化复制的全流程？如何突破“技术好看、业务难用”的落地困境，实现Agent的商业价值验证？

本专题邀请各行业Agent落地的一线项目负责人、业务技术架构师、数字化转型操盘手，分享大家在Agent落地过程中的真实案例故事：复盘落地中的踩坑经历、资源协调难点、技术与业务的融合痛点，输出可复用的落地方法论、规模化复制的关键要素，以及Agent赋能行业的商业价值。

by 郭春晓

蚂蚁集团

医疗健康资深专家

蚂蚁阿福：从 0 到生产的医疗 Agent 工程化落地

随着大模型与智能体（Agent）技术的快速发展，如何高效构建一个Agent，以及在过程中做好评估、可观测等效果。我们提出了EBDD（评测集和badcase驱动的开发方式）驱动的研发模式不断地驱动了智能体的开发并构建了核心的如RAG、context、记忆等核心能力并在多个榜单取得SOTA的成绩。

演讲提纲

蚂蚁阿福Agent的痛点、挑战
- 工业级大规模研发的痛点
- 医疗Agent的核心挑战
- Agent研发范式与传统研发范式的区别
Agent研发范式的北极星指标与技术体系
- 评测体系的建设EBPP
  - 评测和badcase驱动的研发模型
- 技术体系的建设
  - 上下文工程、RAG、医疗个性化、推理加速
医疗上下文的挑战
- 长上下文的处理
- 主子Agent的上下文的共享
从RAG到Agent RAG的实战
- Agentic RAG的架构与医疗询证检索
医疗个性化
- 个性化的挑战与难点
- 医疗个性化的解决方案
推理加速
- 常见的性能优化方案
- 如何优化TTFT、TPOT以及最佳实践
总结与展望
- 未来架构展望

这样的技术在实践过程中有哪些痛点？

如何从最小评测集开始，设计一个适合当时生产力的方案
医疗Agent中处理解决幻觉与正确性的关键问题
如何在推理成本与用户体验平衡

演讲亮点
踩坑经验与架构创新：深入剖析 Agent 架构优化与演进历程，体系化地了解工业级的Agent背后的实战与选择。

听众收益

全面了解蚂蚁阿福内部从 0 到 1 构建医疗Agent 的实践历程
深入理解其中每个技术选型的过程与心得
体系化地了解Agent构建背后的技术体系以及技术布局

by 李克华

淘宝闪购

高级技术专家

淘宝闪购：从骑手智能助手业务落地到 Agent 平台化建设

淘宝闪购业务增长背景下，骑手履约过程中存在卡点、难点问题，影响骑手履约效率与体验，从而导致体验与效率类 CPO 工单增加。本次分享将重点介绍：使用 AI 知识库构建问答助手，解决业务规则咨询问题，降低咨询类 CPO 工单；通过构建业务 SubAgent 解决高频、复杂问题的解答等难题；以及通过平台建设提升 SubAgent 研发效率。

演讲提纲

困境：淘宝闪购业务增长，物流履约订单增多；履约链路复杂，骑手履约卡点多，作业&体验类 CPO 工单增多。
破局：基于知识库 + RAG 解决通用业务规则咨询，降低咨询类 CPO 工单；构建 Agent/Workflow 解决骑手履约高频问题与复杂问题；通过平台建设提升研发效率。
实战：通过知识库 + RAG 提升业务规则答疑准确率，并解决知识覆盖率与时效性问题；通过“骑手万能客服”（SubAgent）建设，高效解决骑手履约链路高频问答与复杂问题解答；技术能力下沉，以平台赋能淘宝闪购物流全域业务。
落地效果。
未来规划：在兼顾 RT 不劣化的前提下，探索使用 Agentic RAG 提升问答效果；构建骑手主动服务 Agent，预测潜在问题并前置干预（如即将超时主动提醒）；构建自进化 Agent/Workflow 能力。

这样的技术在实践过程中有哪些痛点？

服务性能、模型性能的 trade-off；
平台易用性、通用性、可定制化的 trade-off。

演讲亮点

结合物流骑手端场景，构建业务知识智能问答能力，使答疑能力达到行业水准（Advanced RAG → Graph RAG → Agentic RAG）；
攻克知识库 & Agent 平台建设中通用性与定制化之间平衡等技术难题。

听众收益

企业知识库落地与平台化建设经验；
如何构建贴合业务、支持深度定制、能力对标行业前沿的 Agent 平台；
如何系统性解决企业大模型应用落地中的多类痛点问题。

by 耿树朋

PayPal

Staff Machine Learning Engineer

Agent in Practice——从⽀付迁移落地到评测驱动进化

随着大模型与智能体（Agent）技术的快速发展，如何高效构建一个 Agent 并在生产环境中稳定运行，是工程团队面临的核心问题。我们以 PayPal 商户支付 API 迁移为真实场景，构建了三套 Multi-Agent 系统：MAIA（迁移执行）通过多 Agent 协作将商户代码从 legacy API 自动迁移到 REST v2，将人工数周压缩到小时级；Noise Injection（测试数据工厂）通过多 Agent 协作自动生成不同难度的代码变体用于评测；Evolution Engine（自动优化 Pipeline）通过多 Agent 协作从执行结果中提取经验并注入回 Agent。三套系统覆盖 8 个项目、4 种 legacy API（NVP/SOAP/WSDL/Payments V1）、4 种语言（Java/PHP/JavaScript/C#）和多个开源购物车（Magento、ZenCart、Medusa 等），形成评测和 Badcase 驱动的完整闭环。

演讲提纲

业务背景与成果
- PayPal 支付 API 迁移挑战（NVP/SOAP/V1 → REST v2）
- MAIA 的定位与核心价值
- Agent 迁移模式与传统人工迁移的区别
- Pilot 成果：从数周到 20 分钟，成本 $4-$10
MAIA：Multi-Agent 驱动的 API 迁移
- 评测和 Badcase 驱动的研发策略
- Multi-Agent 协作架构（分析、规划、执行、验证）
- Knowledge Base：支付流程知识 + Legacy 模式库
- Experience Agent：执行→测试→学习→反馈闭环
Noise Injection：Multi-Agent 驱动的测试数据工厂
- 4 级噪声 × 125+ 类型，自动生成难度变体
- Multi-Agent 协作：噪声分析、注入、验证的自动化流水线
Evolution Engine：Multi-Agent 驱动的自动优化 Pipeline
- 10 个 Agent Skill 模块的全自动闭环
- Multi-Agent 协作：采集→分析→学习→应用的端到端优化
- 如何优化 Agent 的稳定性与一致性
总结与展望
- 核心经验与教训
- 未来展望

这样的技术在实践过程中有哪些核心痛点？

如何从最小可行 Agent 开始，设计一个适合自身业务的 Multi-Agent 方案；
如何在 Agent 中处理代码迁移的正确性验证，尤其是“表面成功实际未完成”（INCOMPLETE）的隐蔽问题；
如何构建可复现的评测体系，跨 8 个项目、4 种语言、多个开源购物车持续驱动 Agent 优化。

演讲亮点
从实际生产场景出发，深入到 Multi-Agent 架构设计与评测驱动的迭代方法论，体系化地展示了如何将 Agent 从原型推向规模化落地。不同于理论探讨，本演讲基于 PayPal 真实迁移实践——覆盖 Magento、ZenCart、Medusa 等开源购物车，Java/PHP/JavaScript/C# 四种语言，NVP/SOAP/WSDL/Payments V1 四类 legacy API，展示了噪声注入测试、自动经验提取（Gene 机制）、Evolution Engine 等工程化手段如何系统性地提升 Agent 的稳定性和质量。

听众收益

全面了解从 0 到 1 构建生产级 Multi-Agent 系统的实践历程与真实挑战；
深入理解评测驱动开发（Evaluation-Driven Development）的方法论及其在 Agent 优化中的应用；
体系化地了解 Agent 架构背后的技术体系：Multi-Agent 协作、Knowledge Base、Experience Loop 的设计与选型；
获得可复用的工程化经验：噪声注入测试、Gene 机制、Evolution Engine 等具体实践方案。

by 李卓豪

网易智企

数帆 EasyData 技术负责人

从 Copilot 到 DataAgent：企业级智能数据开发治理平台的技术演进和实践

作为同时支持网易内部互联网用户和外部各行业企业用户的数据开发治理平台，EasyData在AI浪潮下迎来了场景爆发，内部业务成熟场景如何持续提高数仓开发效率、辅助新人快速熟悉已有的复杂业务逻辑，外部如何快速实现典型数据业务构建落，如何持续优化基线、处理闲置数据资产，这些都可以通过Copilot、Agent以及Cli化实现。同时治理平台作为中间层，向下连接数据底座Agent实现全链路的任务故障定位排查、向上提供标准规范的数据基表模型辅助智能数据分析快速实施落地。

演讲提纲

背景与演进历程：从Coplit到DataAgent
- 数据开发治理平台在数据价值链路中的定位和业务痛点
- Copilot探索：提升开发效率
- Agent技术爆发：从"开发"到"全场景"的范式跃迁
DataAgent核心技术架构实现
- 工作流Copilot架构流程
- DataAgent 整体架构设计
关键能力的技术实现
- SQL片段提取
- SQL代码生成
- CLI体系的建设
落地挑战与评估体系
- Text-to-SQL 质量评估体系实践
- 产品适应Agent Native改造
未来展望
- 数据开发治理领域Skill的持续抽象与生态构建