专题： 企业级 Agent 知识检索与平台工程实践

在 AI 时代，MongoDB 凭借灵活的文档模型和统一的多模态数据支持能力（包括向量搜索和全文搜索），有效解决了传统复杂数据架构对 AI 应用开发与扩展的限制，是构建 AI 智能体数据基础设施的关键平台。

演讲提纲

1. AI 浪潮下，传统数据架构难以应对复杂性与扩展性的双重挑战

2. MongoDB 文档模型支持多模态数据，能够灵活满足 AI 应用开发需求

3. 平台集成全文搜索与向量搜索，提供 AI 所需的核心检索能力

4. MongoDB 统一数据平台简化了 AI 智能体记忆体的开发与存储

5. MongoDB 作为战略伙伴，以高扩展性和安全性加速企业 AI 落地

听众收益

• 了解 MongoDB 在向量检索和全文检索领域的能力与特性，助力 AI 开发者加快应用现代化进程，缩短开发周期。

围绕企业服务与销售场景，打造了一个全球化企业级 Agent 智服平台。平台基于大模型、多 Agent 协同和知识驱动能力，帮助企业实现智能服务、智能质检、知识管理和业务洞察，推动企业从传统人力驱动升级为 Agent 驱动。该平台已在国内金融、汽车、大健康、跨境电商等行业落地，并在日本、阿联酋及欧洲等海外市场实现商业化落地，具备较强的技术实力、行业适配能力和国际化发展潜力。

演讲提纲

1. 为什么要做企业级 Agent 平台

2. 平台整体架构：从问答式 AI 到任务执行型 AI

3. 核心技术路线：为什么采用“大模型 + 小模型 + 规则引擎”

• 全栈可观测门户：在一个界面看尽所有，从业务大盘到单次 Trace到云产品观测
• 统一的集成中心：提供标准化的数据接入与治理能力，支持不同来源、不同形态的观测数据统一接入，通过预置的解析与校验规则，确保多源数据的口径一致性与高质量
• 预置看板：为典型 Agent 场景（如 RAG、代码生成）提供开箱即用的分析视图
• 预置告警规则注入：新 Agent 服务上线时，自动获得一套基础告警规则（如高延迟、高失败率）

4. 工程化难点：企业级落地真正难在哪里

• 案例一：金融行业如何实现全量质检和坐席辅助
• 案例二：运营商行业如何利用大模型检测涉诈

听众收益

• 一是了解商业化企业级 Agent 平台应该如何建设，而不只是关注单点模型能力
• 二是理解大模型在真实业务落地中的关键问题及解决思路
• 三是通过多个行业案例，获得一套可参考、可复用的 Agent 落地经验