在大模型快速演进的背景下，Agent 开发正成为企业智能化升级的重要突破口。然而，很多团队在实践中面临两难困境：一方面，希望能够快速试错、迅速构建原型；另一方面，又要求系统具备稳定性与可维护性，能真正承载线上业务。这种“既要敏捷，又要可靠”的挑战，成为制约 Agent 应用落地的核心问题。作为商汤科技面向企业级应用场景打造的开源框架，LazyLLM 诞生的目标就是解决这个矛盾：一套体系，既能高效开发，又能稳定上线。本次演讲将结合 LazyLLM 的设计理念和实践经验，分享我们是如何在 Agent 应用中实现“既要又要还要”的架构策略，助力团队构建更高效、更可靠的大模型应用系统。

演讲提纲：

1. 引言
   • 行业趋势：企业智能化需求持续增长，多模态、Agentic、RAG 等关键技术快速演进
   • 当前挑战：主流 Agent 框架难以兼顾敏捷迭代与稳定交付，开发节奏与业务需求错位显著
2. 面向敏捷开发的 Agent 架构设计理念
   • 以数据流为核心的应用开发范式的设计美学
   • 统一易用性与高拓展性的模块设计思路
   • 如何以统一的使用体验，屏蔽技术选型差异
   • 如何通过开放的架构设计，实现开源技术的高效集成
3. 实现“敏捷 + 稳定”的架构平衡
   • 支持算法和工程解耦的企业级服务的架构设计详解
   • 保障访问安全与数据隔离的权限体系设计思路
   • 支持大规模并发的多用户架构设计思路
   • 实现服务热更新与算法滚动升级的架构设计思路
4. 未来展望与生态共建
   • 应用落地的案例讲解
   • 开源协同，欢迎开发者共同打造可持续 Agent 生态

听众收益：

• 掌握 Agent 应用工程化落地的架构范式，深入理解 Agent 框架设计理念
• 获得模块化可插拔Agent框架的实战经验，启发设计面向未来的可持续 AI 应用架构

在大模型驱动的智能应用快速演进的当下，B端智能体的构建正面临智能性与稳定性并重的挑战。本次演讲将结合实际项目经验，深入探讨如何构建“可控可落地”的 Human in the loop 智能体，既确保AI能力的持续进化，又保障企业级业务的稳健运行。

我们将系统拆解 Context Engineering 的核心要素，并分享其在多场景下的构建思路与调优方法，涵盖特殊人机交互、知识利用策略等 Context Build关键环节。同时，围绕“双智能体协作机制”与“异步工作流”，分享我们在客服等项目中的实战经验与落地成效，展示如何通过分工明确、可插拔的智能体设计，实现复杂业务流程的高效驱动。

演讲提纲：

1. 如何构建智能与稳定兼顾的Human in the loop智能体
2. Context Build 在不同场景下的实践
3. 双智能体、异步工作流与客服项目实践

听众收益：

• 将理解如何在企业场景中构建兼具智能性与稳定性的 Human in the loop 智能体，避免“过度智能”或“失控”的问题，提升系统可解释性与业务对齐能力
• 了解多种 Context 构建与注入的实用方法，可以在特定场景中提升智能体的能力表现
• 了解如何通过双智能体与异步工作流在客服等项目中的实战案例，提升对复杂业务流程的AI驱动能力

重点围绕 AI Agent 在企业业务中的实践落地展开分享，结合纷享销客在 AI Agent 构建中的一线经验，深入剖析平台搭建过程中所面临的关键挑战及应对策略，并进一步探讨当前 AI Agent 应用中的现实难点与未来发展方向。

演讲提纲：

1. 生成式 AI 企业领域落地的主要挑战
   • 当前生成式 AI 发展到的阶
   • 企业领域对 AI 的特有要求
   • 纷享销客 AI Agent 平台的建设思考
2. 纷享销客 AI Agent 建设与演进实践
   • AI 平台架构（整体纷享技术与业务平台中处于什么位置）
   • RAG 框架技术演进血泪史
     • 从 Native RAG -》Advanced -》 Modelar RAG 迭代之路
     • 如何评价各种 RAG 方案的效果
     • 各种类型文档 RAG 召回遇到的坑以及解决办法
3. Agent 平台建设过程中趟过的坑
   • Agent 架构选型：「Agent - Tools」 vs 「Agent - Topic - Action」
   • 推理引擎：「Function Calling」 vs 「ReAct Prompt」 vs 「自己轮 Prompt」
   • RAG/Flow 与 Agent 的关系
   • 开放性：面向内部上层业务团队 & 面向外部企业用户/开发者；
   • MCP & A2A Protocal 的适用思考
   • 多租户架构下的安全保障
   • 如何评价 Agent 的最终效果
4. AI Agent 落地业务场景
   • 销售领域
   • 服务领域
   • ChatBI 领域
5. 依然存在的挑战 & 后续建设方向
   • 挑战：提示词/Instruction 质量的好坏直接决定 AI 最终效果
   • 后续建设：Multi-Agent、面向租户的评价体系产品化（可感知、可调优）

听众收益：

• 了解 RAG 框架从简单搭一个到真正用户能用起来的工程化实践
• 了解 Agent 从平台化角度的构建思路，以及达到企业级可用的实践

快手商业化技术团队聚焦 B 端场景，深入推进 Agentic AI 的商业化应用实践。我们通过 ​SaaS 化智能客服率先构建被动服务能力，依托深度业务知识库实现高精准服务。以此为基础，我们向目标驱动的主动任务型 AI​ 跃迁：在销售拜访场景中，AI Agent 主动融合客户历史数据、平台洞察和行为策略，为销售提供拜访前中后全流程智能支持。为支撑此类复杂应用，我们同步构建了B 端 Agent 框架平台，其核心包括：简化提示工程的 ​AgentDSL、实现策略动态调优的自学习框架，以及保障生产稳定运行的轻量化 Runtime。

演讲提纲：

1. SaaS 化的智能客服
   • 系统架构
   • 核心技术
   • 业务支撑与效果
2. 目标驱动的主动 Agentic AI 探索
   • 销售拜访 Agent
     • 业务背景与痛点
     • 技术与实现方案
     • 业务效果
   • B 端 Agentic AI 框架平台建设
     • 面向领域的 Prompt 工程 AgentDSL
     • 自学习 Agent 框架
     • Agent 运行容器 (Agent Runtime)
3. 未来规划与展望

听众收益：

• 了解快手商业化在大模型应用上的实践经验
• 了解 Agentic AI 应用前沿技术及案例
• 了解 Agentic AI 如何与业务结合的实践及思考