专题演讲嘉宾： 亓隆基

随着大模型能力从内容生成走向任务执行，AI Agent 正开始进入企业核心业务系统。但相比知识问答和办公协同，实时交易系统对 Agent 提出了更高要求：它既要理解用户目标，也要面对实时状态、复杂约束、多目标决策和高可靠执行等工程挑战。
本次分享将结合货拉拉在 AI 下单、智能调度、司机找单和 AI 运营 Agent 等场景中的实践，介绍 Agent 如何逐步进入实时交易系统的“理解、决策、执行、反馈”链路，并重点分享 Agent 与推荐、预测、运筹优化、规则及交易系统的协同方式，以及在 Context Engineering、Tool Calling、决策边界、评测体系和生产可靠性等方面的实践经验。通过这些案例，我们也将总结 Agent 从单点能力走向业务闭环、从 Copilot 走向更高程度自主执行的演进路径。

演讲提纲：

1. 背景：Agent 为什么开始进入实时交易系统
   • 从“生成内容”走向“理解目标、参与决策、执行任务”
   • 实时交易系统对 Agent 带来的新挑战：强实时、复杂约束、高可靠、结果可执行
   • 货拉拉 Agent 实践的整体演进：理解 → 决策 → 执行 → 反馈
2. AI 下单：从自然语言理解到真实交易执行
   • 将用户自然语言需求转换为结构化订单
   • 多轮信息补全、任务状态管理与 Tool Calling
   • Agent 与地图、计价、车型、规则、订单等现有系统的集成
   • 如何控制大模型幻觉，保证交易链路的确定性与可靠性
3. AI 调度：Agent 如何参与复杂实时决策
   • 实时供需场景下多目标、多约束决策的特点
   • Agent 与预测、推荐、运筹优化、规则系统的能力分工
   • 构建 LLM Reasoning + ML Prediction + OR Optimization + Business Rules 的组合式决策架构
   • 如何通过执行反馈持续优化 Agent 的决策效果
4. 司机 Agent：从推荐订单到代表司机寻找交易机会
   • 从“平台推荐什么”转向“司机把目标委托给 Agent”
   • 综合位置、方向、时间、收入目标、司机偏好和实时订单进行任务规划
   • Agent 与推荐、地图、交易系统结合，持续帮助司机寻找合适订单
   • 从 Recommendation 到 Delegation 的产品与技术范式变化
5. AI 运营 Agent：从辅助分析到业务自主闭环
   • Agent 自动完成业务观察、异常诊断、策略规划、工具执行和效果评估
   • 打通数据、运营 SOP、实验、配置和触达等业务工具
   • 构建 Observe → Diagnose → Plan → Act → Evaluate 的持续反馈闭环
   • 从运营 Copilot 向 Autonomous Business Agent 演进
6. 从 Demo 到生产：Agent 落地实时交易系统的关键工程挑战
   • Context Engineering：如何构建实时、可信的业务上下文
   • Tool Engineering：如何将传统业务能力封装为 Agent 可调用工具
   •  Decision Boundary：如何划分 Agent、规则系统与人工决策边界
   • Evaluation：从模型正确率转向任务完成率和业务指标
   • Reliability：降级、重试、幂等、审计与人工接管机制
7. 总结：Agent 进入业务系统的四级演进
   • AI Interface：AI 下单
   • Personal Agent：司机找单
   • Decision Agent：AI 调度
   • Autonomous Business Agent：AI 运营
   • 从单点 Agent 能力走向实时交易系统端到端智能化

实践痛点：

1. 概率性与确定性的冲突
   • Agent 擅长处理模糊问题，但交易、计价、派单等系统要求结果稳定、可审计。
   • 需要在 Agent 自主性和规则约束之间做平衡。
2. 效果、实时性与成本的取舍
   • 更复杂的推理、更大的 Context、更多 Tool Calling 往往意味着更高延迟和成本。
   • 实时调度场景不能一味追求模型能力。
3. Agent 与传统算法的边界难划分
   • 推荐、预测、运筹优化等传统算法仍然更适合大规模数值计算。
   • Agent 更适合目标理解、复杂推理和工具编排，两者需要合理分工。
4. Tool Calling 带来真实业务风险
   • Agent 从“回答错误”变成“执行错误”后，风险显著放大。
   • 需要完善权限、校验、幂等、回滚、降级和人工兜底机制。
5. 评测和线上治理更复杂
   • 不能只看模型准确率，还需要关注任务完成率、业务指标、人工接管率、延迟和成本。
   • 从 Demo 到生产，还需要解决可观测性、状态管理、异常恢复等工程问题。

听众收益：

1. 了解 Agent 进入核心业务系统的完整路径
   • 从 AI 下单、司机找单，到智能调度和运营 Agent，理解 Agent 如何从单点能力逐步进入业务主链路。
2. 掌握 Agent 与传统算法系统的融合方式
   • 理解 LLM、推荐、预测、运筹优化和规则系统之间如何分工协作，而不是简单用 Agent 替代已有系统。
3. 获得可复用的 Agent 生产化架构经验
   • 包括 Context Engineering、Tool Calling、状态管理、决策边界、Guardrail、降级和人工接管等关键设计。
4. 理解 Agent 落地中的核心 Tradeoff
   • 如何在效果、实时性、成本、自主性和业务风险之间做取舍，避免 Agent 只停留在 Demo 阶段。
5. 获得从单点应用走向规模化复制的方法论
   • 通过实时交易场景的实践，总结从 AI Interface、Personal Agent、Decision Agent 到 Autonomous Business Agent 的演进路径，为其他行业 Agent 落地提供参考。