专题演讲嘉宾：徐文健

在创作者侧，传统音频内容生产高度依赖人工录制，成本高、产能有限，难以实现面向消费者的个性化内容生产，更无法实现创作的 Scaling Law。

在消费者侧，个性化内容的诉求依赖传统推荐算法难以满足。人是个体，不是群像，传统推荐很难捕捉每个人独特的兴趣与语境。

为了解决上述问题，我们选择构建从数据采集到内容生成的 AI 采编 Agent，支撑音频节目的可批量生产。同时，构建基于大语言模型（LLM）的用户偏好、行为、记忆的个性化分发链路，实现真正“千人千面”的内容匹配。

相关技术细节包括：

• 信息采集 Agent：支持热点追踪、用户故事的 LLM 排序筛选、互联网内容的爬取与清洗、用户意图分析以及 DeepSearch；
• 内容生成 Agent：基于场景、人设、情绪，生成风格化故事内容；
• 内容评估 Agent：通过多维度标准对故事进行评估，保障输出为高质量的消费内容；
• 多模态生成模型：支持输出“有人味儿”的音频，提升听觉体验。

在实际应用中，我们实现了内容生产的数量级跃升：单日音频产能相比人工提升约 400 倍（从 8 个人 8 小时到 1 个人 10 分钟）。在首批 100 个内测用户中，普遍反馈内容效果良好。

演讲提纲

01-Agent 是什么

• MultiAgent vs Context?

02-音频 Agent 做什么

• 现有音视频业务的问题
• 音频 Agent 解决的问题
• 创作者创作难、无法 scaling up
• 真正为消费者生成千人千面内容

03-我们的音频 Agent 之路

• 输入侧：核心信息的载体质量决定生成内容的上限。怎么做？
• 处理侧：技术是工具，而音频内容的本质是与人沟通。怎么做？
• 输出侧：跟随最先进的音视频模型，永远站在巨人的肩膀上。怎么做？
• 工程化的挑战
  • 输出不可靠的问题
  • 响应速度的问题
  • Agent/模型迭代带来的不稳定问题

04-对音频 Agent 未来的展望

您认为，这样的技术在实践过程中有哪些痛点？

1. 复杂链路下的内容评估模型很难建设，局部最优不代表全局的最优。需要哪些维度哪些指标，好内容究竟是什么？
2. 每次模型更新后整个 Agent 链路都会受到影响，如何建立可控链路？
3. 初创团队如何积累技术壁垒？

您的演讲有哪些前沿亮点？

1. AI 时代下音频内容的新思考
2. AI Agent 应用的新趋势

听众收益

1. AI Agent 框架在生产中的落地实践
2. 获得音频内容的自动化生产链路构建经验
3. 了解创业者在资源有限的情况下如何做 AI