随着 AI 技术的发展，智能体逐渐成为未来互联网的核心节点，智能体通信协议的重要性日益凸显。MCP、A2A和ANP是当前主要的智能体通信协议，各自侧重点不同：MCP标准化模型与工具的连接；A2A专注企业内部复杂任务协作；ANP则定位智能体在互联网的连接与协作。

本次演讲将全面介绍MCP、A2A、ANP在解决问题、协议架构、核心概念、身份认证、设计理念上的实现与差异。最后，给出我们对未来智能体协议的发展趋势，以及智能体互联网的一些判断。

演讲提纲

1. 智能体通信协议的背景与重要性
   • AI与数字世界交互的挑战
   • 为什么需要专门的通信协议
2. 协议概览及其特点
   • MCP协议简介及技术意义
   • A2A协议的特点与适用范围
   • ANP协议的核心愿景与技术架构
3. 深入对比：MCP、A2A与ANP
   • 协议架构的差异
   • 核心概念的差异
   • 身份认证方案的差异
   • 信息组织方式的差异
4. 智能体通互联网的未来趋势
   • 智能体将取代现有软件，个人助手成为互联网新入口
   • 所有智能体都可以互联互通，并且可以直接连接
   • 智能体使用协议通信，将会出现一个AI原生数据网络

您认为，这样的技术在实践过程中有哪些痛点？

• 目前智能体通信协议还处于早期阶段，还存在多个问题需要进一步完善，比如安全问题、隐私问题、成本问题等。

您的演讲有哪些前沿亮点？

• AI、智能体、智能体通信协议是当前行业热点，MCP、A2A、ANP的关注度一直都很高。
• 协议对互联网至关重要，甚至有可能会改变互联网的结构和商业模式。

听众收益

• 深入理解当前最完备的三个智能体协议（MCP、A2A、ANP）的核心设计思路。
• 了解智能体通信协议的现在与未来的趋势，知道如何在工作中使用协议。
• 了解智能体互联网未来的趋势。

随着 Agent 成为应用开发的重要方向，如何高效构建和管理Agent成为开发者关注的问题。本次分享将聚焦仓颉打造的 Agent 开发框架 Cangjie Magic，该框架通过轻量化 Agent DSL、原生 MCP 协议支持、动态任务调度引擎，实现了 Agent 的声明式建模与自适应运行管理。演讲将结合具体应用案例，展示如何基于 Cangjie Magic 高效构建智能 Agent，帮助开发者理解其方法论与实际开发技巧。

演讲大纲

1. 基于 CangjieMagic 构建 Agent 应用示例
2. 框架能力拆解：Cangjie Magic 如何支持高效 Agent 构建
   • 统一工具接入（MCP 协议支持）
   • 自适应任务规划机制（动态调度、上下文感知）
   • 组件化智能体开发范式（如何管理 Agent 生命周期）
3. 技术基础：仓颉语言对 Agent 开发的原生支撑
4. 仓颉语言在其他 AI 方向上的探索

您的演讲有哪些前沿亮点？
仓颉已正式推出革新性Agent开发框架Cangjie Magic。作为首个基于仓颉编程语言原生构建的LLM Agent开发框架，该框架通过三大核心技术突破重构 Agent 开发范式：

1.  独创Agent DSL架构 - 基于仓颉语言特性设计的领域专用语言，实现智能体建模的声明式编程；
2. 原生支持MCP（Model Context Protocol）通信协议；
3. 智能调度引擎 - 集成模块化服务调用机制与动态任务规划算法。

听众收益

• 了解 Cangjie Magic 在实际项目中的开发效率和落地优势。
• 掌握如何通过 Cangjie Magic 快速构建和部署 Agent 应用。
• 理解仓颉语言如何通过eDSL，流式运算符等原生特性支撑高效Agent DSL的构建。

AI编码不是一个新话题，业界已有诸多实践，如外部的cursor、GitHub Copilot、bolt.new、cline，内部的oneday、weavefox等等一系列的平台或工具，都提供了AI辅助编码的能力，但这些平台工具与现有的生产链路如何结合还存在极大的挑战：一是没办法很好的和现有研发流程进行集成，二是协作过程碎片化，有一定门槛。

本次演讲将从阿里业务研发场景出发，并结合真实的业务应用，阐述R2C（requirement 2 code）Agent如何从知识库+钉钉文档+设计稿驱动整个研发链路，带来系统性的效率提升，并分享其中的最佳实践。

演讲提纲

1. AI辅助编程的现状分析
2. AECP R2C Agent框架
3. 基于钉钉文档构建工程师的知识库
4. 阿里研发场景实操：MCP服务和Agent工作流驱动端到端的研发链路
5. AI编程最佳实践背后的坑有哪些
6. 实践效果分享

您认为，这样的技术在实践过程中有哪些痛点？

随着对 AI 的不断深入运用，在 R2C 场景中，即使是强大的 Claude 模型，依然面临以下问题需要tradeoff：

1. 准确性下降明显：随着输入信息增多，模型的注意力机制导致准确性下降，输出内容质量降低。例如，在处理复杂需求时，模型可能会忽略某些关键细节或误解需求意图。
2. 忘记任务要求：随着执行步骤增多，信息增加，模型容易"失忆"，不记得前面输入的准确要求。这在多步骤的开发流程中尤为明显，可能导致前后不一致的代码生成。
3. 执行速度下降显著：上下文增长后，模型响应速度显著下降，处理任务效率大大降低。在实际项目中，这可能导致开发流程被拖慢，影响整体效率。
4. 项目迭代提效：R2C Agent 能够有效提高项目0-1过程的开发效率，但项目迭代提效还需要继续探索，而影响大家运用Agent的原因大部分都是“场景复杂，不合适”。

您的演讲有哪些前沿亮点？

1. cline嵌套任务机制：改造cline的任务系统，支持父子任务。父任务负责任务分配，负责任务分配和结果审核，而具体任务执行交给子任务。这种分层架构可以减轻单个任务上下文的负担，提高整体效率和准确性。
2. 基于钉钉文档体系构建标准化技术方案：根据需求文档、接口文档、视觉稿产出标准化的技术方案，方案中包括页面组件划分、数据流向、状态管理，组件设计中包含组件功能描述、输入属性、相对于页面的定位信息，开发时根据技术方案和视觉稿进行开发，探索标准化的需求输入使生成的代码更加规范和高效。

听众收益

1. 了解阿里巴巴在AI编程方向的前沿探索技术和成果
2. 开拓一些新思路，用新方法如何解决AI编程集成到研发流程问题
3. Agent+MCP服务最佳实践

多智能体强化学习（MARL）已成为处理日益复杂任务的重要范式。然而，异构智能体之间的联合进化仍面临合作效率低与训练不稳定等挑战。为此，京东提出了一种面向MARL的联合进化算法框架 JDAgents-R1，该方法首次将组相对策略优化（GRPO）应用于异构多智能体的联合训练中。通过迭代优化智能体的大语言模型（LLMs）与自适应记忆机制，JDAgents-R1实现了决策能力与记忆能力的动态均衡，并能有效减少重复推理、加快训练收敛。在通用场景以及商家定制化场景中的实验表明，JDAgents-R1在基于更小规模开源模型的情况下，依然能够达到与大规模语言模型相媲美的性能表现。

演讲提纲

1. 多智能体训练技术
   • 多智能体应用案例
   • LLM决策与Memory进化
   • 多智能体强化学习
2. JDAgents-R1: 联合进化算法方案
   • 多智能体协作
   • GRPO联合训练算法技术
   • Memory更新技术
3. 电商领域落地实战
   • 通用与垂直领域任务
   • 商家多智能体联合进化
4. 未来展望

您认为，这样的技术在实践过程中有哪些痛点？

1. 多个大模型联合训练的信息通信难题：多卡多机，如何实现模型斩断与更新？
2. 智能体memory进化：memory会干扰决策质量，如何评估memory的增减？

您的演讲有哪些前沿亮点？

1. 多智能体联合进化的算法设计，符合复杂多智能体场景的online learning需要
2. 决策与记忆机制联合更新

听众收益

1. 多智能体如何协作
2. 多个模型训练的更新策略

当前 Agent 技术正在经历从工作流式向自主规划式的转型，但在真实的企业应用中，更多的是对可控性的要求，所以我们发现这两类 Agent 在企业落地中都有各自可以发挥的场景，并且还有可能做联动和补充。工作流 Agent 可以负责实际完成某些具体岗位的任务，而自主 Agent 有机会成为“Agent 工厂”，帮助构建和优化大规模可控、可演化的工作流 Agent。

演讲提纲：

1. 企业级智能体范式

• 2025 Agent 的发展方向

• 企业场景中 Agent 落地现状

• 企业 Agent 的下一步是什么？

2. “Agent 工厂”的提出：让智能体优化智能体

• 什么是 Agent 工厂？

• 为什么企业需要 Agent 工厂？

3. Agent 工厂核心能力模型

• 日志感知能力

• 偏差识别能力

• 流程建模能力

• 优化建议生成

• 自动迭代与测试

4. Agent 工厂架构设计

• 数据感知层

• 智能分析层

• 流程建模与优化层

• 执行与反馈层

5. 落地挑战与未来展望

• 流程抽象困难

• 数据隐私与安全问题

• 版本管理与灰度发布机制

• 从做 Agent 到培养 Agent 的转变

• 企业新角色与新岗位机会

您认为，这样的技术在实践过程中有哪些痛点？

• 企业流程如何结构化表达形成 Agent 工作流？
• 如何自动化发现 Agent 执行中的缺陷？
• 如何让“优化建议”具备可执行性以及如何执行“优化建议”？
• Agent 优化后的版本如何发布与回滚？

您的演讲有哪些前沿亮点？

• 首次系统性提出“Agent 工厂”的能力模型
• 融合了自主 Agent 与工作流 Agent 的协同范式
• 构建企业级 Agent 群体的进化机制蓝图

听众收益：

• 理解企业中 Agent 落地为何困难，又如何突破
• 掌握“Agent 工厂”的设计方法与技术构成
• 获取企业 AI 架构演进中的关键思路与落地方向
• 获得构建“智能体进化系统”的组织层启发

随着大模型与企业数据融合的需求日益增强，传统基于数据分析师主导的流程面临效率与可扩展性瓶颈。数势科技基于自主研发的 Multi-Agent 架构，构建了一套可自动解析需求、调度资源并完成任务闭环的 Data Agent 系统，支持企业在不同业务场景中实现“从查询到决策”的自动化智能链路。
该系统将复杂的数据任务拆解为可组合的智能 Agent 单元，分别处理数据接入、指标生成、因果分析和策略推荐等环节，并通过 Agent Orchestrator 编排调度。演讲将结合实际落地经验，深入介绍 Data Agent 架构的核心能力与演化路径，重点解析在金融、供应链、制造等行业的具体应用案例与挑战，包括跨团队数据标准统一、Agent 协同调度效率，以及面向特定行业知识图谱的适配策略。

演讲提纲

1. Data Agent 架构的演进路径
   • 从单体型 BI 工具到具备推理与反馈能力的 Agent
   • Data Agent 的定义与能力边界
2. Data Agent 的五大核心能力（MAGIC 框架）
   • 多模态环境感知（Multimodal Environmental Perception）
   • 动态复杂推理（Adaptive Complex Reasoning）
   • 面向目标的行动规划（Goal-Oriented Planning）
   • 智能工具调用执行（Inteligent Tool Orchestration）
   • 持续学习进化（Continuous Learning & Iteration）
3. 架构拆解与工程实现
   • Multi-Agent 协作机制设计
   • Orchestrator 的调度策略与优先级规则
   • 语义对齐机制：自然语言到数据模型的转译流程
   • Tool层抽象设计：连接外部工具/数据库/推理模块
4. 实践难点与经验分享
   • Agent 之间的冲突与死锁处理策略
   • 多部门/多系统间的数据接入与统一建模难题
   • 如何评估 Agent 行为的有效性与影响面
   • 典型应用案例
5. 未来展望
   • 未来Agent架构的发展趋势与突破
   • 企业如何通过Multi-Agent架构提升数据分析和决策的智能化

这样的技术在实践过程中有哪些痛点

• 在多Agent系统中，如何有效协调各个智能体的行动，避免冲突并提升整体效率，是一个主要挑战。
• 数据隐私与安全问题：随着智能体系统处理的数据越来越复杂，如何确保数据的安全性与隐私保护，成为关键问题。
• 系统的可扩展性与高可用性：多Agent系统需要具备良好的扩展性和高可用性，以应对大规模的数据和复杂的计算需求。

听众收益

• 对 Data Agent 架构的系统性认知
• 企业实际部署 Agent 系统的关键技术节点和工程经验
• 面向特定行业场景构建智能数据分析系统的策略启发

当前企业级Agent评测面临两大断层：通用Benchmark脱离垂直场景业务目标，生成效果无法量化决策价值。本人在教育、金融、轨交运维等严肃场景中，探索出一套融合领域知识、多模态感知与决策链追溯的评测体系。本次分享将解析如何通过动态数据沙盒、决策链可解释性验证、业务指标映射模型，解决“高分低能”痛点，并推动Agent从对话能力向决策智能进化。

演讲提纲

1. 企业Agent评测的难点：
   • 数据真空：研发阶段无法提前获取真实数据
   • Agent的效果没有统一的标准，依赖人的“感受”，难以衡量实际价值，长尾场景无法模拟
2. 现有评测机制的介绍和问题：
   • 通用benchmark难以反映真实业务需求
   • “高分低能”
3. 自动化评测系统：
   • 数据的模拟和生成
   • 多维度指标的构建
   • 迭代过程中评测的原则
4. 严肃场景实战案例：
   • 结合业务Agent实践分享

您认为，这样的技术在实践过程中有哪些痛点？
严肃场景下，Agent评测过程和结论仍然需要业务专家的review，无法完全脱离人

您的演讲有哪些前沿亮点？
针对企业的Agent自动化评测的流程与方法

1. 垂直领域评测的独特性：严肃场景约束：教育-体育中考/高铁检修/银行等场景对容错率要求极高，需结合传感器融合与时序推理能力验证。
2. 决策智能的量化评估
   • 从生成质量到决策价值
   • 传统指标：关注响应相关性、流畅度
   • 决策指标：动作执行闭环率（如AI教练纠正动作后学生体能达标率提升）、异常处理时效（轨交Agent故障响应缩短）
   • 可解释性验证工具链：展示决策链追溯界面，证明评分结论如何关联到视频动作分割、传感器时序对齐等底层证据
3. 低成本动态评测系统
   • 业务指标映射：将“体育考试效率”转化为“单日考生吞吐量”“误判率”等可量化Agent指标

听众收益

• 了解toB场景下，Agent构建和评测的难点
• 如何构建符合需求场景的评测集
• 如何在评测分数的指导下，迭代智能体的开发