过去二十年，业务系统的能力边界，由“能被明确定义的规则与模型”决定：推荐给出排序，预测给出概率，运筹给出最优解，交易系统保证每一次执行的确定性。凡是无法被提前定义的问题——开放的用户意图、跨越多次决策的目标、横跨多个系统的执行——都留给了人。

大模型第一次让系统具备了理解开放目标、持续行动的可能。但当概率性的模型进入确定性的实时交易系统，一系列根本问题随之而来：Agent 应该重做已有能力，还是拓展系统的能力边界？不确定的模型，如何在实时、不可回滚的交易链路中可靠行动？Agent 的“能力变好”，又如何确保等同于“业务变好”？

本次分享来自货拉拉在实时交易系统中的一线生产实践，覆盖交易链路的三个关键环节：

• 意图交易（AI 下单）：从“用户适应系统”，到“系统理解用户”
• 持续撮合（司机 Agent / AI 撮合）：从单次匹配，到围绕成交目标的持续行动
• 策略执行（AI 运营）：从人驱动系统，到 Agent 执行策略

这些 Agent 已在真实交易中规模化运行：意图识别准确率 99%，撮合 ROI 达到人工的 4 倍，33+ 运营 Agents 投入生产。

在此基础上，本次分享将从三个场景中提炼出一套面向 LLM Agent 生产系统的工程方法论——Agent 生产化四层模型，回答一个所有 Agent 团队都绕不开的问题：当模型能力人人可得，真正拉开 Agent 生产差距的，究竟是什么？

演讲提纲

1. 价值命题：Agent 的边界在哪里
   • 从 Chatbot、Copilot 到 Operator：Agent 进入核心业务系统，改变的究竟是什么？
   • 能力、复杂度与成本同步攀升，Agent 的业务价值如何被重新定义？
   • 拓展边界，还是重做已有能力：一个决定 Agent 投入产出的核心判断
2. 从意图到交易：AI 下单
   • 开放的自然语言，如何收敛为一笔可验证、可执行的交易？
   • 概率性理解与确定性事实之间，系统边界应该划在哪里？
   • 专业选车：长期依赖人的领域经验，如何转化为系统能力？
3. 从单次匹配到持续行动：持续撮合
   • 从“推荐下一单”到“托付一天的目标”：Recommendation 到 Delegation 的范式转变
   • 目标驱动的撮合闭环：系统如何在反馈中持续重规划？
   • Multi-Agent 架构：决策编排与专业执行如何解耦？
   • Agent 与推荐、运筹优化：替代关系，还是组织关系？
4. 从人驱动系统到 Agent 执行策略：AI 运营
   • 策略到执行之间，被低估的组织成本
   • 让 Agent 作用于真实业务系统：可控、可追踪、可审批的执行链路
   • 执行权与决策权：Agent 的责任边界应如何设定？
5. 工程范式：Agent 生产化四层模型
   • 起点 · 模型：为什么模型能力只是所有团队的共同起点？
   • 下限 · Harness：模型持续进化，哪些工程约束终将消失，哪些永远不会？
   • 方向 · Dual Loop：为什么只优化 Agent 自身，可能在错误方向上越走越远？
   • 上限 · 业务知识： LLM 不具备的领域经验，应该以什么形态进入系统？
   • 可复用性验证：同一套方法论，在三条异构业务线上的落地
6. 展望：下一代业务系统
   • 从执行已定义的流程，到理解目标、持续行动、在业务反馈中进化

听众收益

1. 一个战略判断框架：识别 Agent 的真实价值空间，厘清 Agent 与既有系统的分工边界，避免低效投入。
2. 三个规模化生产案例：覆盖交易链路前、中、后三个环节的 Agent 系统架构、关键设计与业务结果。
3. 智能体与传统系统的融合范式：Agent 如何与推荐、预测、运筹优化、规则引擎和交易系统协同，构建新的系统能力。
4.  一套可复用的工程方法论：Agent 生产化四层模型及其三条可操作原则：哪些约束必须写成代码？Badcase 应由谁定义？领域知识应落在系统的哪一层？
5. 业务结果驱动的进化体系：从模型准确率走向业务结果，构建规模化评测、经验萃取与持续优化的工程闭环。