专题演讲嘉宾： 亓隆基

AI Agent 正在从回答问题走向执行任务，但当 Agent 真正进入实时交易系统时，挑战才刚刚开始。

在货拉拉这样的大规模实时交易场景中，推荐、预测、调度和交易系统已经相当成熟。Agent 的价值究竟在哪里？是替代已有系统，还是创造过去无法实现的新能力？本次分享将结合货拉拉在 AI 下单、司机 Agent、智能调度和 AI 运营等场景中的生产实践，探讨 Agent 如何从理解用户意图，走向持续决策、跨系统执行，并最终影响真实业务结果。

不仅分享 Agent 如何与传统算法和交易系统协同，也会讨论实践中的关键问题：为什么模型能力提升了，业务效果反而可能下降？为什么 Agent 越自主，生产系统反而可能越不可靠？如何让业务专家的经验真正成为 Agent 的能力？通过这些实践，总结 Agent 进入核心业务系统的关键方法，以及从 Demo 走向规模化生产的工程经验。

演讲提纲

1. 为什么做 Agent：拓展系统能力边界
   • Agent 从回答问题走向执行任务，真正带来了什么变化？
   • 当传统业务系统已经足够成熟，Agent 的新价值在哪里？
   • 如何判断一个场景是否真的需要 Agent？
2. 三个真实业务场景：Agent 如何进入交易主链路
   • AI 下单：从填写表单到表达意图，如何让 Agent 真正完成一笔交易？
   • 持续撮合：从推荐订单到主动寻找交易机会，Agent 如何持续推动成交？
   • AI 运营：从人工跨系统操作到 Agent 执行策略，运营工作方式将如何改变？
3. 从 Demo 到生产：我们踩过的坑
   • Agent 越自主越好吗？如何平衡智能与业务确定性？
   • 为什么 Agent 表现越来越好，业务指标却可能下降？
   • 如何让 Agent 与推荐、预测、运筹优化和交易系统协同，而不是互相替代？
4. 三个核心工程认知：如何构建真正可用的 Agent
   • Harness 决定下限：如何让不确定的模型可靠执行？
   • Dual Loop 决定方向：如何让 Agent 优化真正的业务结果？
   • 业务知识决定上限：如何让专家经验成为可持续进化的系统能力？
5. 总结：Agent 将如何改变业务系统
   • Agent 不只是新的交互入口，而是在拓展业务系统的能力边界。
   • 从单点智能到持续行动，Agent 正在改变业务系统解决问题的方式。

实践痛点

1. Agent 的价值边界不清晰
   • 哪些问题真正需要 Agent？哪些仍然应该交给传统算法和业务系统？如何避免为了 Agent 而 Agent？
2.  智能与确定性难以兼得
   • 大模型擅长开放式推理，但交易系统要求低延迟、高可靠和确定性执行。如何在自主性与可控性之间找到平衡？
3. 模型效果与业务效果不一致
   • 为什么模型准确率提高了，成交率却可能下降？如何建立真正面向业务结果的 Agent 评测和优化体系？
4. Demo 容易，生产很难
   • 状态管理、工具调用、异常恢复、业务规则和风险控制，如何支撑 Agent 在复杂实时交易环境中稳定运行？
5. 业务知识难以规模化复制
   • 如何将业务专家的经验转化为 Agent 能力，让系统不仅能执行任务，还能持续改进？

听众收益

1. 理解 Agent 在核心业务系统中的真正价值
   • 通过真实交易场景，理解 Agent 如何突破传统系统的能力边界，而不只是增加一个 AI 交互入口。
2. 了解 Agent 与传统算法融合的实践路径
   • 学习 Agent 如何与推荐、预测、运筹优化、规则和交易系统协同，构建新的业务能力。
3. 获得生产级 Agent 的工程方法
   • 了解 Harness Engineering、Context Engineering、状态管理、工具执行和可靠性治理在真实业务中的应用。
4. 掌握业务结果驱动的 Agent 优化方法
   • 理解如何从模型准确率走向任务完成率和业务指标，建立 Agent 能力与业务效果的双重反馈闭环。
5. 获得 Agent 规模化落地的思考框架
   • 理解 Harness、评测体系与业务知识如何共同决定 Agent 的生产能力，为其他行业的 Agent 落地提供参考。