新房是58同城安居客的一个关键业务，平台连接着B端楼盘商和C端用户，用户可以在平台上找新房楼盘，可以通过微聊或者电话与楼盘的置业顾问交流。
随着大模型技术的发展，我们打造了AI找房助手，在微聊场景可以自动与用户进行对话，解答用户关于楼盘、政策的相关问题，根据用户需求精准推盘。在电话场景，可以在顾问忙或下班时自动接听用户电话，使用大模型能力解答用户咨询的问题，并引导用户明确购房需求并留资。
本次演讲我们将分享大模型、RAG技术的实践，包含微聊中的传统方案到大模型改造，楼盘/政策知识库搭建，以及大模型微调的相关技术，最后介绍在电话场景的实时语音对话方案。

1. AI找房助手的背景
2. 新房知识库服务搭建
   • 多源数据整合方案
   • 结构化与向量混合检索
3. 微聊场景中的大模型+RAG架构
   • 传统对话方案的痛点
   • 大模型升级方案兼容性
   • 基于RAG的大模型微调方法
4. 电话场景中的实时语音对话方案
   • 电话场景的语音对话架构
   • 大模型任务型对话
   • 大模型拟人化的难点与优化
5. 实践过程中的思考与未来展望

技术实践痛点

1. 大模型要在一定程度上兼容传统；
2. 新房知识库结构复杂，组织和搜索有难度；
3. 大模型微调需要适配知识库结构；
4. 实时语音对话需要兼顾准确性、自然度和实时性。

听众收益

1. 了解在业务场景落地大模型的一种实现，包括传统对话方案的大模型改造；
2. 了解知识库搭建以及搜索方案；
3. 大模型+RAG的微调以及落地方案
4. 实时语音对话的难点及相应的解决方案

随着企业数据规模和复杂性的不断提升，传统的 BI 和规则引擎在响应速度、决策智能和跨系统协同方面逐渐力不从心。与此同时，大模型的兴起为构建具备“感知-决策-行动”闭环能力的数据智能体提供了可能。本次演讲将围绕“数据智能体”的演进逻辑与工程落地路径，系统解析从数据融合、多模态理解、决策机制到执行触发的关键技术环节。

1. 数据类应用现状简介
   • 全球500强企业中，73%已部署数据中台和分析，但仅有17%真正实现价值跃升——问题出在哪里？
2. 认知重构：重新定义数据智能体
   • 概念拆解：数据智能体 ≠ 数据分析工具，而是“感知-决策-行动”闭环系统
   • 进化图谱：传统BI → 预测分析 → 自主决策型智能体（案例：特斯拉工厂的实时生产调度AI）
   • 企业级价值矩阵：四维价值：降本增效（30%+）、风险预警（如供应链中断预测）、体验重塑（个性化推荐）、创新孵化（数据驱动的产品设计）
3. 深度解剖：技术架构与落地路径
   • 核心架构金字塔
     • 基础层：多模态数据融合（IoT/CRM/社交数据治理）
     • 引擎层：动态知识图谱 + 强化学习决策树
     • 应用层：行业专属场景套件（如零售的“智能补货大脑”）
4. 行业穿透：六大领域实战案例分享
5. 高阶突破：从自动化到自治化
   • 认知升维路线图：L1（规则执行）→ L3（场景自适应）→ L5（跨域战略规划）
   • 混合智能范式：人类与AI的博弈协同：某投行的“人类PM+AI策略师”组合收益超越纯AI策略21%
   • 自进化机制：基于数字孪生的持续迭代：化工企业工艺优化AI的3000次虚拟实验/天
6. 前沿趋势研判
   • 下一代技术融合
   • 组织形态变革

您认为，这样的技术在实践过程中有哪些痛点？

1. 数据的标准化，数据治理对产品的效果的影响很大；
2. 机器资源和客户本身的成本。

您的演讲有哪些前沿亮点？

1. AI如何赋能数据智能化决策；
2. MutiAgent应用场景分析；
3. 私域结构化非结构化数据融合。

听众收益

1. 了解相对前沿的AI应用在企业的实际产生价值的场景；
2. 对大模型如何深度赋能企业，数据和系统私域部署带来的挑战感兴趣。

面向B端客户的物流营销，往往链路长、转化难、信息不对称明显。以京东物流为例，其客户开发中存在线索质量参差、转化率不稳定、销售周期冗长等问题，尤其在非人脉获客的场景下，依赖技术手段成为关键突破口。
本次演讲将分享京东物流如何基于大模型构建“智能营销体系”，通过线索挖掘、外呼培育、人机协同、客户画像、知识赋能等方式，覆盖营销链路各环节，并逐步由“AI赋能”升级为“Agent主导”的智能运营形态。本次分享将重点介绍营销大模型在企微机器人、语音外呼、销售助手等产品形态上的落地经验。
同时，也将结合模型训练、指令遵循、RAG检索、Agent编排等关键技术模块，展示如何在满足专业性与实时性要求的同时，实现签约数量、签约收入、ROI 等关键业务指标的提升。

演讲大纲

1. 背景与挑战：B端物流客户的营销难点
   • B端客户决策链长、客户认知门槛高、转化难，尤其是关键决策人挖掘困难。
   • 京东物流销售拓客主要有两种模式：销售自主挖掘 & 市场/AI渠道支持。部分省区线索资源薄弱。
   • 如何通过“前置线索挖掘+AI培育”，提升销售效率、缩短签约周期，是提升营收的关键。
2. 大模型应用探索
   • 面对B端复杂的业务场景，结合业务构建营销大模型，并将其应用到智能外呼、企微营销、智能销售助手等大模型应用落地中，目前营销大模型除了基座模型使用的是开源的Qwen、DeepSeek系列，其他的后训练等模块、如QA路由、RAG、agent、指令遵循、自动化评估、样本生成和合成等模块均为自己团队自主构建。通过划分不同的层级，不同场景使用不同的样本进行大模型微调，以及知识库、RAG结合，有效支撑了业务需求和保证了回复的准确性和专业性。
3. 关键技术与能力建设
   • 样本和数据建设
     • 语音+文本线索语料数千万级
     • 自研数据清洗+合成体系，覆盖多个营销场景
   • 模型训练与优化
     • 基于CoT指令体系，采用SFT+DPO方式优化模型指令遵循能力
     • 微调适配不同业务场景，保证应答专业度和上下文一致性
   • 智能外呼和企微营销
     • 多模态语音大模型实现模拟销售沟通流程
     • 企微机器人支持模块灵活调配、流程跳转动态适应
   • 检索增强与智能评估
     • 构建RankRAG体系，结合Ragas与人工质检实现95%+准确率
     • 自动化运营覆盖90%以上badcase，形成稳定SOP
   • Agent编排与自我反思
     • 完成8个典型场景的agent流程上线，单轮响应<1秒
     • 支持按业务输入动态规划与调整
4. 下一步演进方向

您认为，这样的技术在实践过程中有哪些痛点？

1. 样本质量和数量选择：样本选择和种子样本的构建，包括进行拒绝采样去提升种子样本质量，使用思维链样本去解决复杂的业务逻辑和问题。
2. 客户意图识别的准确率：需要很细致的badcase分类和自动化运维去减少标注人力，合理配比不同分类的微调样本。
3. 语音等多模态准确率提升：适当解耦不同的能力模块，比方ASR、TTS、LLM等，每个部分可以适配不同的微调模型，以及对比不同厂商的接入方案。

听众收益

• 如何落地应用技术，实现技术与业务的深度融合。

人工智能正深刻变革企业的人才管理方式。本次演讲将围绕 AI 面试、AI 培训和 AI 考试三大场景，通过对候选人/员工的语言理解、行为分析与能力建模，企业可以实现更高效、客观、可规模化的人才管理流程。演讲将重点展示大模型在真实业务中如何落地，包括技术方案、挑战与应对策略，以及可量化的业务成效。相关方案已在多家大型企事业单位落地实施，覆盖招聘、培训和测评等多个环节。

演讲提纲

1. 背景和趋势
   • 企业人才管理中的长期痛点：效率、主观性、难评估
   • AI 对企业人力资源管理的深远影响
   • 大模型为人岗匹配与能力发展带来的新路径
2. 应用实践
   • 大模型在面试中的应用实践
   • 大模型驱动的个性化培训
   • 大模型辅助的能力测评
3. 挑战与落地经验
   • 数据质量、评估标准、人工校验的必要性
   • 模型调整与业务理解的协同机制
   • 企业内部推广过程中的常见阻力与应对
4. 总结与展望：持续优化的方向

技术实践痛点

模型理解与业务语义之间存在偏差：大模型虽具备语言生成与推理能力，但在具体招聘或培训场景中，如何准确理解岗位职责、行业术语与行为特征，仍需要精细调教与大量场景数据支撑。

听众收益

• 理解大语言模型在企业人才选拔与培养中的核心应用场景与技术路径。
• 获取AI驱动下的人才管理方法论与实战经验，包括面试自动化、个性化培训及能力评估的最佳实践。